基于人体骨架的异常行为动作识别国内外参考文献
时间: 2023-03-11 12:42:34 浏览: 219
国内参考文献:1. 刘新宇, 陈晨. 基于多特征步态模型的行为动作识别研究[J]. 计算机应用研究, 2019, 36(2): 545-549.2. 吴林青, 李玉波, 陈建慧, 等. 基于改进深度学习算法的行为动作识别[J]. 计算机应用, 2019, 39(7): 2045-2049.3. 胡晓东, 王英, 王宝山. 基于骨骼图像的行为动作识别研究[J]. 计算机技术与发展, 2017, 27(10): 35-39.国外参考文献:1. Zhang, Ming, et al. "A survey of skeleton-based activity recognition: Recent advances and future trends." ACM Computing Surveys (CSUR) 51.6 (2019): 1-33.2. Sharma, Sachin, et al. "Action recognition using deep learning: A survey." arXiv preprint arXiv:1812.06977 (2018).3. Poppe, Ronald. "Vision-based human action recognition." Computer vision—ECCV 2010. Springer Berlin Heidelberg, 2010. 434-449.
相关问题
基于人体骨架的异常行为动作识别国内外研究综述
国内外关于基于人体骨架的异常行为动作识别的研究综述主要集中在基于深度学习的方法,例如卷积神经网络(CNN),循环神经网络(RNN),长期短期记忆(LSTM)等。此外,还有一些特征提取方法,如空间统计描述,多尺度特征,深度卷积特征,空间模型等。通过这些方法,可以有效地从视频中提取出人体骨架特征,从而进行异常行为识别。
transformer骨架行为识别
Transformer骨架行为识别是一种使用Transformer网络来进行人体骨架关键点检测和行为识别的技术。通常情况下,它是通过在输入图像中检测人体骨架关键点,然后利用Transformer网络对这些关键点进行编码和建模,从而实现对人体行为的识别。
在这种方法中,首先需要使用一个人体姿态估计算法(例如OpenPose)来检测图像中的人体骨架关键点。然后,将这些关键点坐标作为输入,构建一个由多个Transformer层组成的网络结构。这些Transformer层可以对关键点序列进行编码和建模,捕捉到关键点之间的时序关系和上下文信息。
最后,通过在Transformer网络的输出上添加一个分类器(如全连接层),可以对不同的行为进行分类。这个分类器可以根据具体的任务进行设计,例如动作分类、动作预测等。
总的来说,Transformer骨架行为识别技术利用了Transformer网络强大的序列建模能力,结合人体骨架关键点信息,可以实现准确高效的行为识别。