基于深度学习的人体动作识别研究及应用

发布时间：2024-03-04 22:07

　　人体动作识别是计算机视觉领域的一个重要分支,目前被广泛研究。但是传统的人体动作识别方法,如支持向量机、隐马尔可夫和方向梯度直方图等,一般需要对数据进行复杂的预处理并且其识别精度还有待提升。随着深度学习技术的发展,通过建立人工神经网络,可以适当避免大多数复杂的预处理过程,能够自动“学习”到人体动作的有效特征并且识别精度相对较高。本文主要针对人体的静态动作和动态动作两方面分别建立深度学习模型。具体的研究工作如下:第一,在静态人体动作识别中,针对RGB图片背景的复杂度较高并且缺乏深度信息的问题,本文提出了M-CNN模型,将静态人体动作的RGB图像信息和骨骼点信息进行融合,利用骨骼点信息有效弥补了RGB图像信息在深度信息上的缺失,降低了图像背景复杂度对有效特征提取的影响。实验结果表明,融合骨骼点信息后,提高了静态人体动作识别的准确性。第二,在动态人体动作识别中,目前基于深度学习的方法多以视频帧作为输入,当分类一段长视频时,就需要将其分割成多个等长的短视频,分别提取特征或求均值等。该类方法不但降低了视频分类的精度,而且因视频背景复杂而加大了提取目标特征的难度,针对此类问题本文提出了DBLSTM-...

【文章页数】：81 页

【学位级别】：硕士

【部分图文】：

图2-1Kinect体感交互设备Kinect最左边的是红外发射器，最右边的是红外接收器

图2-1Kinect体感交互设备左边的是红外发射器，最右边的是红外接收器。从右往左rWindowsSDK开发工具能够追踪到位于Kinect视野范围inect[26]可以实时快速地提取人体骨骼点三维坐标，从头标点。如图2-2所示：头脖子左肩膀右肩膀右肘左肘左手腕....

图5-1UKinect-Action3D数据集

实验环境环境配置操作系统WindowsCPUIntelcorei5内存16GB编程语言python3.5.0深度学习框架1深度学习框架2效果展示thensorflow1.9.0keras2.1.0Unity3D人体动作识别算法实验及分析，针对上述第3章....

图5-15利用Kinect实时提取3D人体骨骼坐标点如图5-16，5-17，5-18，5-19，5-20，5-21，5-22，5-23，5-24，5-25所示，分别代表了动态人体的动作，如图5-16代表了右胳膊向左滑动，

图5-15利用Kinect实时提取3D人体骨骼坐标点如图5-16，5-17，5-18，5-19，5-20，5-21，5-22，5-23，5-24，5-25所示，分别代表了动态人体的动作，如图5-16代表了右胳膊向左滑动，图5-17代表了左胳膊向右滑动，图....

图5-17代表了左胳膊向

图5-15利用Kinect实时提取3D人体骨骼坐标点如图5-16，5-17，5-18，5-19，5-20，5-21，5-22，5-23，5-24，5-25所示，分别代表了动态人体的动作，如图5-16代表了右胳膊向左滑动，图5-17代表了左胳膊向右滑动，图....

本文编号：3919241