基于神经网络的人体动作识别方法

doi:10.3969/j.issn.1006-2475.2018.03.005

计算机与现代化

基于神经网络的人体动作识别方法

(合肥工业大学宣城校区信息工程系,安徽宣城242000)

收稿日期:2017-07-12 出版日期:2018-04-03 发布日期:2018-04-03
作者简介:董哲宇(1995-),男,河北张家口人,合肥工业大学宣城校区信息工程系本科生,研究方向:计算机视觉; 汪千军(1995-),男,安徽安庆人,本科生,研究方向:计算机视觉; 李万杰(1995-),男,重庆人,本科生,研究方向:计算机视觉; 通信作者：周波(1981-),男,湖北宜昌人,讲师,博士,研究方向:地理信息系统。
基金资助:
国家自然科学基金资助项目(41401445); 安徽省大学生创新创业训练基金资助项目(2016CXCYS111)

Human Activity Recognition Method Based on Neural Network

(Information Engineering Department, Xuancheng Campus, Hefei University of Technology, Xuancheng 242000, China)

Received:2017-07-12 Online:2018-04-03 Published:2018-04-03

摘要/Abstract

摘要： 人体动作识别一直是计算机视觉领域的研究重点。为了提高人体动作识别的准确度，本文提出一种基于神经网络的加权识别方法。首先利用ViBe算法提取人体运动前景，计算前景重心，然后将轮廓重心距作傅里叶变换获得傅里叶描述子，最后利用本文提出的基于神经网络的加权识别方法进行分类。实验结果表明，本文方法的识别率在89%以上。

关键词: 动作识别, 神经网络, 傅里叶描述子, ViBe, 加权识别

Abstract: Human activity recognition has always been paid attention to the field of computer vision. In this paper, a weighted recognition method based on neural network is presented to improve the accuracy of human activity recognition. Firstly, the ViBe algorithm is used to extract the foreground of human activity, and the center of gravity of the foreground is calculated. Secondly, the Fourier descriptor is obtained by the Fourier transform of the outline distance center of gravity. Finally, a weighted recognition method based on neural network is used to classify the Fourier descriptor. The experimental results show that the recognition rate of this method is more than 89%.

Key words: activity recognition, neural network, Fourier descriptor, ViBe, weighted recognition

中图分类号:

TP391.4

董哲宇,汪千军,李万杰,周波. 基于神经网络的人体动作识别方法[J]. 计算机与现代化, doi: 10.3969/j.issn.1006-2475.2018.03.005.

DONG Zhe-yu, WANG Qian-jun, LI Wan-jie, ZHOU Bo. Human Activity Recognition Method Based on Neural Network[J]. Computer and Modernization, doi: 10.3969/j.issn.1006-2475.2018.03.005.

参考文献

［1］胡琼,秦磊,黄庆明. 基于视觉的人体动作识别综述［J］. 计算机学报, 2013,26(12):2512-2524.
［2］李瑞峰,王亮亮,王珂. 人体动作行为识别研究综述［J］. 模式识别与人工智能, 2014,27(1):35-48.
［3］ Liu Jingen, Ali S, Shah M. Recognizing human actions using multiple features［C］// IEEE Conference on Computer Vision and Pattern Recognition. 2008:1-8.
［4］马义飞. 基于异常行为识别在公共区域的安全防范建模［D］. 长春:吉林大学, 2016.
［5］董俊峰. 基于视觉的人体运动分析技术研究［D］. 北京:北方工业大学, 2015.
［6］ Jiang Zhuolin, Lin Zhe, Davis L. Recognizing human actions by learning and matching shape-motion prototype trees［J］. IEEE Transactions on Pattern Analysis & Machine Intelligence, 2012,34(3):533-547.
［7］ Ryoo M S, Aggarwal J K. Stochastic representation and recognition of high-level group activities［J］. International Journal of Computer Vision, 2011,93(2):183-200.
［8］ Si Zhangzhang, Pei Mingtao, Yao Benjamin, et al. Unsupervised learning of event AND-OR grammar and semantics from video［C］// Proceedings of 2011 International Conference on Computer Vision. 2011:41-48.
［9］ Nevatia R, Zhao Tao, Hongeng S. Hierarchical language-based representation of events in video streams［C］// 2012 IEEE Computer Society Conference on Computer Vision and Pattern Recognition Workshop. 2003:39.
［10］黄金霞. 基于SCFG的复杂人体行为识别［D］. 长沙:中南大学, 2013.
［11］黄静,孔令富,李海涛. 基于傅里叶-隐马尔科夫模型的人体行为识别［J］. 计算机仿真, 2011,28(7):245-248.
［12］Shi Qinfeng, Cheng Li, Wang Li, et al. Human action segmentation and recognition using discriminative semi-markov models［J］. International Journal of Computer Vision, 2011,93(1):22-32.
［13］王忠民,曹洪江,范琳. 一种基于卷积神经网络深度学习的人体行为识别方法［J］. 计算机科学, 2016,43(S2):56-58.
［14］赵欣,周海英. 一种结合深度信息的人体行为识别方法［J］. 科学技术与工程, 2017,17(1):244-249.
［15］Barnich O, Droogenbroeck M V. ViBe: A powerful random technique to estimate the background in video sequences［C］// IEEE International Conference on Acoustics, Speech and Signal Processing. 2009:945-948.
［16］Barnich O, Droogenbroeck M V. ViBe: A universal background subtraction algorithm for video sequences［J］. IEEE Transactions on Image Processing, 2011,20(6):1709-1724.
［17］周志华. 机器学习(Machine Learning)［M］. 北京:清华大学出版社, 2016.
［18］张杰,吴剑章,汤嘉立,等. 基于时空图像分割和交互区域检测的人体动作识别方法［J］. 计算机应用研究, 2017,34(1):302-305.

[1]	宋涛涛, 李艳萍, 李洪港, 韩春雪. 基于改进变结构趋近律的机械臂滑模控制系统[J]. 计算机与现代化, 2023, 0(12): 14-18.
[2]	周成诚, 曾庆军, 杨康, 胡家铭, 韩春伟. 基于高效通道注意力模块的运动想象脑电识别[J]. 计算机与现代化, 2023, 0(12): 19-23.
[3]	王宇航, 董宝良, 公超, 尚真真, 姚康宁. 基于意图识别的空中群目标动态威胁评估[J]. 计算机与现代化, 2023, 0(12): 100-104.
[4]	谷明轩, 范冰冰. 基于多模态特征融合的抑郁症识别[J]. 计算机与现代化, 2023, 0(10): 17-22.
[5]	陈俊义. 基于图节点动静态特征的健康事件预测模型[J]. 计算机与现代化, 2023, 0(10): 39-44.
[6]	黎世达, 项剑文. 一种提高图像识别模型鲁棒性的弱化强化方法[J]. 计算机与现代化, 2023, 0(10): 70-76.
[7]	陈子健, 段春红. 面向在线学习情境的认知情绪面部表情识别[J]. 计算机与现代化, 2023, 0(10): 92-98.
[8]	刘付琪, 张达, 宋建华, 王海东. 基于CNN-BiLSTM的液压系统故障诊断[J]. 计算机与现代化, 2023, 0(09): 10-19.
[9]	吴甜, 刘海华, 童顺延. 基于深度反馈的卷积神经网络的图像分类[J]. 计算机与现代化, 2023, 0(09): 82-86.
[10]	毛明扬, 徐胜超. 面向粒子群优化BP神经网络的粗糙集连续属性离散化算法[J]. 计算机与现代化, 2023, 0(09): 115-119.
[11]	孙子雨, 任燃, 魏曦哲. 基于DTW-TCN的股票分类及预测研究[J]. 计算机与现代化, 2023, 0(08): 31-37.
[12]	曾丽丽, 汤华贝, 牛艺晓, 孟凡月. 基于LSTM堆叠残差网络的岩相识别方法[J]. 计算机与现代化, 2023, 0(08): 38-43.
[13]	江蕾, 唐建, 杨超越, 吕婷婷. 基于CWGAN-GP与CNN的轴承故障诊断方法[J]. 计算机与现代化, 2023, 0(07): 1-6.
[14]	崔少国, 张岗, 王奥迪. 基于感知注意力的深度交叉网络推荐模型[J]. 计算机与现代化, 2023, 0(07): 54-60.
[15]	许叶彤, 耿信哲, 赵伟强, 张月, 宁海龙, 雷涛. 基于CNN-Transformer混合结构的遥感影像变化检测模型[J]. 计算机与现代化, 2023, 0(07): 79-85.

基于神经网络的人体动作识别方法

Human Activity Recognition Method Based on Neural Network

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics

本文评价