基于新分区策略的ST-GCN人体动作识别

TP183; 人体动作识别是智能监控、人机交互、机器人等领域的一项重要技术,基于人体骨架序列的动作识别方法在面对复杂背景以及人体尺度、视角和运动速度等变化时具有先天优势.时空图卷积神经网络模型(ST-GCN)在人体行为识别中具有卓越的识别性能,针对ST-GCN网络模型中的分区策略只关注局部动作的问题,设计了一种新的分区策略,通过关联根节点与更远节点,加强身体各部分信息联系和局部运动之间的联系,将根节点的相邻区域划分为根节点本身、向心群、远向心群、离心群和远离心群等5个区域,同时为各区域赋予不同的权重,提升了模型对整体动作的感知能力.最后,分别在公开数据集和真实场景下进行实验测试,结果表明,在大...

Full description

Saved in:
Bibliographic Details
Published in计算机集成制造系统 Vol. 29; no. 12; pp. 4040 - 4050
Main Authors 杨世强, 李卓, 王金华, 贺朵, 李琦, 李德信
Format Journal Article
LanguageChinese
Published 西安理工大学机械与精密仪器工程学院,陕西 西安 710048 01.12.2023
Subjects
时空图卷积神经网络模型
deep learning
分区策略
partition strategy
动作识别
深度学习
action recognition
骨架序列
skeleton sequence
spatial-temporal graph convolution networks model
Online AccessGet full text
ISSN1006-5911
DOI10.13196/j.cims.2021.0453

Cover

More Information
Summary:TP183; 人体动作识别是智能监控、人机交互、机器人等领域的一项重要技术,基于人体骨架序列的动作识别方法在面对复杂背景以及人体尺度、视角和运动速度等变化时具有先天优势.时空图卷积神经网络模型(ST-GCN)在人体行为识别中具有卓越的识别性能,针对ST-GCN网络模型中的分区策略只关注局部动作的问题,设计了一种新的分区策略,通过关联根节点与更远节点,加强身体各部分信息联系和局部运动之间的联系,将根节点的相邻区域划分为根节点本身、向心群、远向心群、离心群和远离心群等5个区域,同时为各区域赋予不同的权重,提升了模型对整体动作的感知能力.最后,分别在公开数据集和真实场景下进行实验测试,结果表明,在大规模数据集Kinetics-skeleton上获得了 31.1％的Top-1分类准确率,相比原模型提升了 0.4％;在NTU-RGB+D的两个子数据集上分别获得了 83.7％和91.6％的Top-1性能指标,相比原模型提升了 2.3％和3.3％;在真实场景下,所提模型对动作变化明显且区别大的动作如俯卧撑和慢跑识别率高,对局部运动和动作变化相近的动作如鼓掌和摇头识别率偏低,尚有进一步提高的空间.
ISSN:1006-5911
DOI:10.13196/j.cims.2021.0453