混合CNN-HMM的人体动作识别方法

针对当前人体动作识别算法检测精度不佳和实验场景多样性的问题,提出了一种混合卷积神经网络?隐马尔可夫模型(CNN-HMM)的人体动作识别方法。建立了抬腿、深蹲和仰卧臀桥3组分别包含1个标准动作姿态和5个非标准动作姿态的人体康复训练动作模型库,结合可穿戴式惯性动作捕捉系统PN2.0获取实验数据。最后从准确率、灵敏度和特异性3个方面进行性能评估。实验结果表明,该方法能够以较高识别率将6种不同动作姿态区分开,其平均识别准确率为97.00%,相较于单一CNN方法提高了5.78%。     

基于运动捕捉的多自由度机械臂输入设备研究

研究参照人体上肢运动角度活动范围,设计了一种用于交互式运动捕捉的多自由度机械臂输入设备.以Unity3D中的虚拟人物模型为实验样本,实验对比了使用图形用户界面(Graphical User Interface,GUI)和机器人用户界面(Robot User Interface,RUI)两种方法对5种指定动作生成所花费的时间.结果表明,使用该机械臂输入设备生成指定动作时耗时更短,分别为使用G U I方法的0.52倍、0.6倍、0.38倍、0.22倍和0.47倍,实验效果更加直观,为动画制作领域的研究提供了参考.