基于LSTM的人体连续动作识别
发布时间：2021-12-09 06:16
随着机械制造业的发展,使用人体动作识别技术的智能机器人为高效的人机协同装配提供了现实可能。机器人通过对人类的动作进行识别理解,可以更好的与人类协同工作,进而大幅提高生产效率。除此,人体动作识别还被广泛的应用于智能安防、智能家居、智能医疗等生产生活多个领域。本文通过动作数据特征提取、动作识别模型构建、人体连续动作的分割识别三个主要方面实现了人体动作的识别研究。建立了人体动作模型。对人体原始3D骨架数据进行均值滤波处理以消除可能存在的数据噪声。在主要关节点构成的人体骨架简化模型的基础上建立了以肢体夹角和相对距离构成的静态特征,关节动能和肢体夹角的角加速度构成的动态特征,并对静态特征和动态特征进行了特征融合以表征人体动作。通过关键帧提取模型筛选出动作序列中具有明显变化的动作帧,剔除变化不明显的动作帧,以实现提高动作识别准确率,降低计算量。构建了基于LSTM神经网络以及基于Bi-LSTM神经网络并融入注意力机制以及Dropout的两种人体动作识别模型。首先采用LSTM神经网络对人体动作进行识别分类,再采用Bi-LSTM神经网络并引入注意力机制和Dropout来弥补LSTM神经网络在人体动作识别...
【文章来源】：西安理工大学陕西省
【文章页数】：77 页
【学位级别】：硕士
【文章目录】：
摘要
Abstract
1 绪论
1.1 研究背景与意义
1.2 人体动作识别的国内外研究进展
1.2.1 动作特征提取
1.2.2 动作分类算法
1.2.3 连续动作的分割与识别
1.3 本文的主要研究工作
2 人体3D骨架信息的特征提取
2.1 基于人体3D骨架信息的特征提取
2.1.1 原始3D数据的去噪
2.1.2 静态特征
2.1.3 动态特征
2.1.4 特征融合
2.2 关键帧提取模型
2.3 模型分析
2.4 本章小结
3 基于LSTM的人体动作识别
3.1 LSTM神经网络简介
3.2 基于LSTM的人体动作识别
3.2.1 人体动作识别网络结构
3.2.2 Bi-LSTM神经网络
3.2.3 注意力机制
3.2.4 Dropout
3.3 实验仿真与分析
3.3.1 数据集简介
3.3.2 实验设置
3.3.3 结果与分析
3.4 正交试验法
3.4.1 正交试验设置
3.4.2 优化结果与分析
3.5 本章总结
4 人体连续动作的分割与识别
4.1 基于能量学的分割方法
4.1.1 人体动作能量模型
4.1.2 连续动作的分割
4.2 基于滑动窗口的分割方法
4.2.1 滑动窗口在连续动作中的建立
4.2.2 连续动作识别
4.3 实验仿真与分析
4.3.1 能量法连续动作分割实验
4.3.2 基于滑动窗口的连续动作分割实验
4.4 本章小结
5 总结与展望
5.1 总结
5.2 展望
致谢
参考文献
攻读学位期间主要研究成果
【参考文献】：
期刊论文
[1]基于加权动态时间弯曲的多元时间序列相似性匹配方法[J]. 叶燕清,杨克巍,姜江,葛冰峰,豆亚杰. 模式识别与人工智能. 2017(04)
[2]基于CHMMs的自适应行为识别方法[J]. 李军怀,严其松,王志晓,魏嵬,张璟. 计算机应用研究. 2014(10)
[3]基于Kinect和金字塔特征的行为识别算法[J]. 申晓霞,张桦,高赞,徐光平,薛彦兵. 光电子.激光. 2014(02)
[4]基于Segmental-DTW的无监督行为序列分割[J]. 吴晓婕,胡占义,吴毅红. 软件学报. 2008(09)
硕士论文
[1]基于双层条件随机场的人体行为识别研究[D]. 董晓栋.南京邮电大学 2018
[2]基于DBN-HMM的人体动作识别[D]. 罗晓宇.西安理工大学 2018
[3]基于人体骨架模型的人体行为识别[D]. 谭贝贝.贵州大学 2018
[4]基于深度学习的人体动作识别研究[D]. 刘晓林.重庆邮电大学 2018
[5]基于条件随机场的人体动作识别[D]. 陈文超.电子科技大学 2016
[6]融合骨架特征和时空兴趣点特征的动作识别及应用[D]. 刘挺.北京理工大学 2016
[7]交互应用中的实时动作识别[D]. 梁燕.北京理工大学 2015
[8]基于隐马尔科夫模型和深度摄像头的动态手势识别研究[D]. 王楠.东北大学 2014
[9]基于Kinect骨架信息的人体动作识别[D]. 刘飞.东华大学 2014
本文编号：3530091
【文章来源】：西安理工大学陕西省
【文章页数】：77 页
【学位级别】：硕士
【文章目录】：
摘要
Abstract
1 绪论
1.1 研究背景与意义
1.2 人体动作识别的国内外研究进展
1.2.1 动作特征提取
1.2.2 动作分类算法
1.2.3 连续动作的分割与识别
1.3 本文的主要研究工作
2 人体3D骨架信息的特征提取
2.1 基于人体3D骨架信息的特征提取
2.1.1 原始3D数据的去噪
2.1.2 静态特征
2.1.3 动态特征
2.1.4 特征融合
2.2 关键帧提取模型
2.3 模型分析
2.4 本章小结
3 基于LSTM的人体动作识别
3.1 LSTM神经网络简介
3.2 基于LSTM的人体动作识别
3.2.1 人体动作识别网络结构
3.2.2 Bi-LSTM神经网络
3.2.3 注意力机制
3.2.4 Dropout
3.3 实验仿真与分析
3.3.1 数据集简介
3.3.2 实验设置
3.3.3 结果与分析
3.4 正交试验法
3.4.1 正交试验设置
3.4.2 优化结果与分析
3.5 本章总结
4 人体连续动作的分割与识别
4.1 基于能量学的分割方法
4.1.1 人体动作能量模型
4.1.2 连续动作的分割
4.2 基于滑动窗口的分割方法
4.2.1 滑动窗口在连续动作中的建立
4.2.2 连续动作识别
4.3 实验仿真与分析
4.3.1 能量法连续动作分割实验
4.3.2 基于滑动窗口的连续动作分割实验
4.4 本章小结
5 总结与展望
5.1 总结
5.2 展望
致谢
参考文献
攻读学位期间主要研究成果
【参考文献】：
期刊论文
[1]基于加权动态时间弯曲的多元时间序列相似性匹配方法[J]. 叶燕清,杨克巍,姜江,葛冰峰,豆亚杰. 模式识别与人工智能. 2017(04)
[2]基于CHMMs的自适应行为识别方法[J]. 李军怀,严其松,王志晓,魏嵬,张璟. 计算机应用研究. 2014(10)
[3]基于Kinect和金字塔特征的行为识别算法[J]. 申晓霞,张桦,高赞,徐光平,薛彦兵. 光电子.激光. 2014(02)
[4]基于Segmental-DTW的无监督行为序列分割[J]. 吴晓婕,胡占义,吴毅红. 软件学报. 2008(09)
硕士论文
[1]基于双层条件随机场的人体行为识别研究[D]. 董晓栋.南京邮电大学 2018
[2]基于DBN-HMM的人体动作识别[D]. 罗晓宇.西安理工大学 2018
[3]基于人体骨架模型的人体行为识别[D]. 谭贝贝.贵州大学 2018
[4]基于深度学习的人体动作识别研究[D]. 刘晓林.重庆邮电大学 2018
[5]基于条件随机场的人体动作识别[D]. 陈文超.电子科技大学 2016
[6]融合骨架特征和时空兴趣点特征的动作识别及应用[D]. 刘挺.北京理工大学 2016
[7]交互应用中的实时动作识别[D]. 梁燕.北京理工大学 2015
[8]基于隐马尔科夫模型和深度摄像头的动态手势识别研究[D]. 王楠.东北大学 2014
[9]基于Kinect骨架信息的人体动作识别[D]. 刘飞.东华大学 2014
本文编号：3530091
本文链接：https://www.wllwen.com/shoufeilunwen/xixikjs/3530091.html
