基于关联策略的CTR-GCN人体骨骼行为识别

针对骨骼的人体行为识别中表达人体的重要信息的关节点分区策略不能够充分表达行为的问题，提出了一种关联策略的CTR-GCN人体骨骼行为识别模型。首先，通过在智能信道拓扑的细化图卷积网络模型(CTR-GCN)上增加关联策略，能够动态地学习不同的拓扑结构和高效地在不同信道中放大连接点特征，同时提升关键关节点的关联特性；然后，网络模型通过学习一个共享的拓扑并且用特定的信道关系来重新定义每一个信道并通过理论分析统一模型；最后，重新定义模型结构。信道内部局部节点的关联信息得到有效体现，对细微的动作识别具有更强的聚合能力。提出的关联策略的智能信道拓扑图卷积网络模型(ASCTR-GCN)在基于智能拓扑细化卷积网络的基础上比CTR-GCN方法增强了关节点之间内在的关联性，大大提高了骨关节点信息在空间上的识别精度。实验结果表明，在常用的NTU RGB+D和NW-UCLA数据集中识别精度分别达到93.6%(X-View)、97.6%(X-Sub)、97.2%(Top 1),准确率得到提高。