文献类型：期刊文章

作　　者：刘锁兰[1,2] 田珍珍[1] 顾嘉晖[1] 周岳靖[1]

Liu Suolan;Tian Zhenzhen;Gu Jiahui;Zhou Yuejing(School of Computer&Artificial Intelligence,Changzhou University,Changzhou Jiangshu 213164,China;Jiangsu Key Laboratory of Social Security Image&Video Understanding,Nanjing University of Science&Technology,Nanjing 210094,China)

机构地区：[1]常州大学计算机与人工智能学院,江苏常州213164 [2]南京理工大学江苏省社会安全图像与视频理解重点实验室,南京210094

出　　处：《计算机应用研究》

基　　金：国家自然科学基金资助项目(61976028);江苏省社会安全图像与视频理解重点实验室课题(J2021-2)。

年　　份：2022

卷　　号：39

期　　号：11

起止页码：3498-3502

语　　种：中文

收录情况：AJ、BDHX、BDHX2020、CSCD、CSCD_E2021_2022、IC、JST、RCCSE、UPD、ZGKJHX、ZMATH、核心刊

摘　　要：基于视频的人体行为识别任务中由于大部分画面并不包含重要的判别信息,这对识别应用的准确性造成严重干扰。关键姿态帧既能表达视频又能降低计算量,且骨骼数据相比于图像包含更多维度的信息。因此,提出一种基于关键帧骨骼节点自适应分区与关联的行为识别算法。首先构建自适应池化深度网络以评估帧的重要性获取关键姿态帧序列;其次通过节点自学习模型建立非自然连接状态下的节点间关联;最后将改进的时空信息应用于STGCN并使用softmax分类识别。在开源的大规模数据集NTU-RGB+D和Kinetics上与几种典型技术进行比对,验证了所提方法在减少冗余数据量的同时能保留关键动作信息,且动作识别准确率平均提高了0.63%~11.81%。

关 键 词：行为识别  关键姿态  自适应 节点关联  STGCN  

分 类 号：TP391.41]