基于新分区策略的ST-GCN人体动作识别 |
| |
引用本文: | 杨世强,李卓,王金华,贺朵,李琦,李德信.基于新分区策略的ST-GCN人体动作识别[J].计算机集成制造系统,2023(12):4040-4050. |
| |
作者姓名: | 杨世强 李卓 王金华 贺朵 李琦 李德信 |
| |
作者单位: | 西安理工大学机械与精密仪器工程学院 |
| |
基金项目: | 国家自然科学基金资助项目(51475365);;陕西省自然科学基础研究计划资助项目(2017JM5088)~~; |
| |
摘 要: | 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。
|
关 键 词: | 动作识别 深度学习 时空图卷积神经网络模型 分区策略 骨架序列 |
|
|