导读:本文包含了连续动作识别论文开题报告文献综述及选题提纲参考文献，主要关键词:手语语句,关键动作,转移概率
连续动作识别论文文献综述
李晨,黄元元,胡作进[1]（2019）在《基于关键动作双重转移概率的连续手语语句识别算法》一文中研究指出目前,连续手语识别的最大难点在于如何对其中包含的词汇进行有效分割。本文将关键动作看作手语的基元,提出了一种基于关键动作双重转移概率的连续手语识别算法。在获得连续手语基元序列的前提下,根据相邻基元的词内及词间转移关系,可以有效地寻找到词汇边界,从而对基元序列做分割,并逐一识别出各基元分组的候选词汇。最后,根据不同基元分组的候选词汇间的转移概率,计算出对应合成句子的概率,并按照最大概率原则输出连续手语的最终识别结果。该算法容易实现,执行效率高,经实验验证其可以面向非特定人群。(本文来源于《计算机科学》期刊2019年S2期）
丁伟利,胡博,张焱鑫[2]（2019）在《基于规则的连续动作识别》一文中研究指出动作识别技术成为近些年计算机视觉领域的研究热点。本文针对深度传感器获得的骨骼信息,提出一种基于规则的动作识别算法。首先设定规则定位动作,将连续动作分段划分,使整段动作划分成短的多段动作数据。将视频中所获得的不同动作的深度骨骼数据用不同方法进行归一化。通过动态时间规整(DTW)算法对分段动作数据进行分析,得到最匹配的动作标签,实现动作识别。从实验结果可知,该方法在动作识别中具有较高的准确性以及较好的实用性。(本文来源于《高技术通讯》期刊2019年09期）
杨世强,罗晓宇,乔丹,柳培蕾,李德信[3]（2019）在《基于滑动窗口和动态规划的连续动作分割与识别》一文中研究指出针对现有动作识别中对连续动作识别研究较少且单一算法对连续动作识别效果较差的问题,提出在单个动作建模的基础上,采用滑动窗口法和动态规划法结合,实现连续动作的分割与识别。首先,采用深度置信网络和隐马尔可夫结合的模型DBN-HMM对单个动作建模;其次,运用所训练动作模型的对数似然值和滑动窗口法对连续动作进行评分估计,实现初始分割点的检测;然后,采用动态规划对分割点位置进行优化并对单个动作进行识别。在公开动作数据库MSR Action3D上进行连续动作分割与识别测试,结果表明基于滑动窗口的动态规划能够优化分割点的选取,进而提高识别精度,能够用于连续动作识别。(本文来源于《计算机应用》期刊2019年02期）
童佳宁,李志刚[4]（2018）在《基于BP神经网络的连续动作识别在清淤设备中的应用》一文中研究指出在清淤作业中清淤设备的工作状况和能耗等级与设备所完成的动作密切相关,为评估清淤设备的这些参数,将核心的连续作业动作准确地从总作业过程中识别出来是重要的手段之一。将多个叁维混合传感器分别安装于机械臂的各主要部分上,采集大量清淤作业时机械臂的运动数据,并建立挖斗型机械臂的模型。通过对数据进行分析,提出一种用于动作分割的复合特征。在完成动作分割的基础上,通过分析分割出的时间间隔内的连续动作,提出一种位移特征,并采用数据作为特征参数的BP(Back Propagation)神经网络进行动作判定。经过对试验数据验证,该方法的对于挖-移-卸这一连续动作的识别率达到98. 5%。(本文来源于《中国航海》期刊2018年03期）
李艇[5]（2018）在《基于3D CNN的人体连续动作识别》一文中研究指出人体连续动作识别是服务机器人进行人机交互的基础,对服务机器人的发展起着至关重要的作用。目前对于动作识别的大量研究主要针对单个完整动作的识别,对于连续动作识别的研究相对较少,同时传统的机器学习对于动作序列特征提取的不足也限制着动作识别领域的进步。近年来深度学习逐渐兴起,由于深度学习自动学习样本集特征的能力,各个领域都掀起了研究深度学习的热潮。本课题结合当下最火热的深度学习展开对连续动作的识别,设计了一个改进的3D CNN(卷积神经网络)混合模型,为解决人体连续动作的识别难题提供一种解决方式。针对连续动作难以识别问题,本文在进行网络结构设计之前,对动作序列进行了一系列的预处理,分别对原始样本提取灰度特征,运动特征和边缘特征。在运动特征提取方面,由于稠密光流的计算量大,L-K稀疏光流法对大运动难以捕捉等问题,设计了一种使用卷积核改进的L-K光流法来对运动特征进行提取。在边缘特征提取方面,由于在网络训练前需要对图像进行分辨率的统一,在重采样过程汇总会造成边缘特征模糊问题,故增设了边缘特征通道,使用了Gabor滤波器对图像序列中的纹理进行凸显。图像预处理形成多通道之后,对各个通道设计3D CNN网络结构,针对通道数过多,如果直接将各个通道的网络特征进行串联,计算量过大而且会造成部分特征模糊。于是利用离散小波变换将边缘特征通道和运动特征通道进行整合,提高了网络整体的性能。在通过深度网络提取特征之后,设计了多个分类器对动作序列进行识别分类,确定了3D CNN与SVM结合的混合模型对动作识别表现优异。并针对该混合模型进行了各网络层的特征可视化,深入理解了各网络层的操作过程。本文将设计的混合模型运用于人体连续动作识别上,由于训练样本选取的是片段式动作,所以在训练过程中不需要预先划分动作再进行识别,只需要收集一定帧数即可去识别,为人体连续动作识别方面提供了一种很好的解决方法,具有很好的实践意义。(本文来源于《哈尔滨工业大学》期刊2018-01-01）
雷军[6]（2017）在《结合深度网络与概率图的连续动作识别方法研究》一文中研究指出视频中的人体动作识别是计算机视觉的重要研究内容,在视频监控、视频检索、人机交互等领域有着广泛应用。随着大数据时代的到来,视频数据规模越来越大,对于视频中人体动作识别的需求越来越迫切。与传统的人体单个动作识别相比,人体连续动作识别更加具有实际应用价值,也面临更大的挑战。它不仅需要应对动作的多样性和场景的复杂性,还要同时完成分割和识别两个任务。针对连续动作识别中的特征提取与描述、动作分类两大步骤,本文提出了结合深度网络与概率图模型的研究思路。相比与手工构造动作特征的传统方式,本文基于深度学习技术,研究利用深度网络自动学习动作时空特征的方法,以数据驱动的方式学习更适应特定应用的特征。在动作分类方面,本文研究基于概率图模型的连续动作时序建模方法,通过隐动态条件随机场、隐马尔科夫等概率图模型建立描述动作内动态过程以及动作之间相互转移关系的数学模型,同时进行动作的分割与识别。此外,建立深度网络与概率图相结合的集成模型,在学习时对集成模型进行整体优化,实现动作特征学习与连续动作识别的统一。具体地,本文的主要创新点及取得的研究成果包括:(1)提出了一种基于卷积受限玻尔兹曼机的目标跟踪方法,以数据驱动的方式自动学习目标特征,提高目标跟踪的准确性和鲁棒性。目标跟踪是诸多计算机视觉应用问题中的基础问题,本文提出了一套目标跟踪框架和流程,通过朴素贝叶斯分类器来进行跟踪。针对目标跟踪面临的视角变化、光照变化、遮挡、形变等复杂因素的挑战,本文从目标特征这一关键要素出发,提出采用卷积受限玻尔兹曼机自动学习出特征。卷积受限玻尔兹曼机具有针对图像的卷积结构,在一定采样策略下以无监督的方式学习出若干特征提取器。特征提取器提取特征后,经过最大值池化操作,得到具有判别性、鲁棒性的目标特征。实验结果表明,本文方法与传统跟踪方法相比,在复杂因素干扰下取得了更为准确、鲁棒的跟踪结果。(2)提出了一种基于CNN-LDCRF的连续动作识别方法,在强标记样本条件下实现了特征学习和动作建模。针对包含了动作的标签和位置信息的强标记样本,提出了监督学习的CNN-LDCRF模型。首先,本文设计和构造了一种提取视频中运动信息的叁维CNN网络,该网络通过叁维卷积核在空间域和时间域提取叁维时空特征。将原始像素、梯度和光流等多个通道数据输入叁维CNN网络,既区分对待了空间维和时间维的信息,又加入了关于特征的先验知识。然后,采用LDCRF对连续动作进行时序建模,LDCRF模型能够同时学习出动作内动作原子之间的动态转移关系和动作间的动态转移关系。最后,在统一框架下集成CNN和LDCRF,构成了无缝连接的深度网络。以“端到端”的方式训练CNN-LDCRF网络,使得特征学习与动作建模两个过程得到整体优化,最大程度发挥了CNN网络的特征学习能力和LDCRF模型的动态建模能力。实验结果表明CNN特征优于传统人工构造特征,并且CNN-LDCRF模型取得了更好的连续动作识别效果。(3)提出了一种基于混合CNN-HMM的连续动作识别方法,在弱标记样本条件下实现了特征学习和动作建模。针对强标记样本获取难度较大的问题,提出了对样本进行弱标记的方案,研究弱标记样本条件下的无监督学习问题。本文使用已经提出的叁维CNN网络学习动作特征,采用具有无监督学习能力的生成式概率图模型HMM对连续动作建模。对单个动作建立相应的HMM模型,通过组合这些HMM模型对连续动作进行描述。为了实现弱样本条件下的学习,构建了混合CNN-HMM模型。CNN替代高斯混合模型对HMM的产生概率进行建模,HMM估计出弱标记样本对应的最佳动作标签序列,完成样本的自动标记,用来对CNN进行训练。CNN与HMM相互依赖,以交替的方式进行训练,实现整体的优化。实验结果表明混合CNN-HMM模型在弱标记样本下能够得到有效训练,并且取得了较好的连续动作识别效果。(4)提出了一种弱标记样本条件下CNN-LDCRF模型的端到端训练方法,以实现弱标记样本条件下CNN-LDCRF模型的学习问题。本文在CNN-LDCRF模型基础上引入ECTC算法,将CNN-LDCRF网络的顶层连接至ECTC层。对于弱标记样本,ECTC层通过动态规划方法有效评估输入视频和标签序列间所有的对应情况。在评估过程中,ECTC层考虑视频帧之间的视觉相似性,使得具有相似视觉特征的视频帧具有一致的类别标签。推导了模型的反向传播过程,目标函数的误差从ECTC层反向传播至CNN-LDCRF网络,对网络参数进行更新,从而对CNN-LDCRF网络进行“端到端”的训练。实验结果表明CNN-LDCRF模型在弱标记样本下能够以“端到端”的方式得到有效训练,并且也取得了较为满意的连续动作识别效果。(本文来源于《国防科技大学》期刊2017-11-29）
毛一杰[7]（2017）在《基于kinect的人体连续动作识别研究》一文中研究指出计算机视觉领域中,人体动作识别是一个重要的研究方向。早在20世纪60年代就有心理学家研究人体行为动作,并确立了通过运动轨迹识别人体动作的理论基础。多年以来,传统的人体动作识别技术在识别效率、成本、环境约束等一个或多个方面的缺陷使得这项技术的应用相对受限,复杂的动作间间隔、时空差异性问题更是导致连续动作识别任务异常困难。随着Kinect等低成本深度相机的出现,近年来越来越多的研究者意识到,深度图像以及骨架信息能够改变动作识别领域这些尴尬的应用现状。然而,目前许多这方面的研究都是基于已分割好或是手动标记的动作序列,对于无标记的连续动作序列识别的研究仍旧较少。本文为研究正确率更高的连续动作识别算法,从动作识别算法以及连续动作分割两个方向出发,分别研究了基于深度与关节数据的特征分类方法以及基于滑动窗的分割算法,以达到最终连续动作识别的目的。其中研究的主要工作贡献如下:1)研究了一种基于深度特征以及骨骼关节点特征联合信息的人体动作识别算法。为了平衡连续动作的识别准确率与算法复杂度,采用了一种基于混联结构的识别算法。该算法先将两种基于低复杂度特征的弱多分类器并联,然后将并联结构与一个强二分类器串联,最后构成一个具有较低复杂度的强多分类器,实现高准确率、较低复杂度的动作识别。单个动作识别的实验中显示该算法相比单独的弱分类器识别准确率明显提升。2)混联结构中,强二分类器对连续动作识别的准确率具有非常大的影响,因此基于条件概率准则研究了一种数据挖掘算法,通过筛选对识别任务无益的关节点,将所有使得两种判别的条件概率近似的关节点剔除,最终达到提升识别正确率、降低模型复杂度的目的。3)研究并验证了一种基于支持向量机(SVM)分类置信度的动作分割识别方案。结合多分类器投票策略与二分类SVM中函数间隔能够预测分类正确度的原理,设计了一种SVM多分类器的分类置信度计算方法。在此基础上,使用滑动窗寻找峰值并最终获得动作起始点以及识别的动作类别。最后在实验部分,基于MSR Action 3D通用动作数据集对算法进行了测试与分析,验证了算法的正确性和有效性。(本文来源于《电子科技大学》期刊2017-03-29）
白栋天,张磊,黄华[8]（2016）在《RGB-D视频中连续动作识别》一文中研究指出提出了一种基于动态规划的方法识别深度视频中的动作序列,首先通过视频中的深度信息提取出归一化的骨架来表征人体的姿态;然后通过隐式马尔可夫模型对人体的每个动作进行建模,并利用先验知识对整个连续动作序列进行划分;最后利用隐式马尔可夫模型输出概率构造代价函数,通过动态规划求解得到最优的动作识别标签,实现连续动作识别。实验结果验证了该方法对连续动作识别的高效性和准确性。(本文来源于《中国科技论文》期刊2016年02期）
白栋天[9]（2016）在《基于KINECT的静态手势和上肢连续动作识别》一文中研究指出随着电脑技术的发展,自然简洁的非接触式交互越来越受到人们的青睐。手势和动作作为人们日常交流的常用手段也成为了非接触式交互的主要途径。当前基于单目视觉的手势和动作识别容易受到光照、颜色等环境因素的影响,基于双目视觉的识别虽然能够很大程度上避免这些影响,但是计算过程较为复杂。随着深度摄像机如KINECT的出现,在提供彩色信息的同时还能够提供整个场景的叁维信息,因而可以极大程度地减轻环境因素的影响,有效提升手势和动作识别的速度和准确度。本文基于体感摄像机提供的深度数据,对手势识别和动作识别进行研究,主要工作内容如下:1)提出了一种基于深度信息和随机森林模型的日常静态手势识别算法。通过KINECT提供的人体骨架数据对场景深度图分割得到手部的二值化图像,然后通过迭代算法求解手部的最大内接圆进而得到掌心的近似位置,同时通过对手部形状描述符的分析获取手指的具体信息,在此基础之上结合对手势特点的分析提取出简单鲁棒的手势特征,最后选取随机森林算法建立手势的机器学习模型,实现静态手势的识别。实验中对九种静态手势的识别效果表明了该方法的有效性。2)提出了一种基于动态规划和隐式马尔可夫模型的上肢连续动作识别方法。首先通过视频中的深度信息提取出归一化的骨架来表征人体的姿态;然后通过隐式马尔可夫模型对人体的每个动作进行建模,并通过先验知识将连续动作序列划分为多个子序列;最后利用隐式马尔可夫模型构造代价函数,通过动态规划算法和一个阈值模型为每个子序列计算最优的动作识别标签,最终实现连续动作识别。实验中对20组上肢连续动作序列的识别结果证明了该方法的有效性。(本文来源于《北京理工大学》期刊2016-01-01）
李云洁[10]（2015）在《基于连续型传感器数据的人体动作识别》一文中研究指出近年来，随着物联网平台以及人机交互技术的快速发展，可穿戴式传感器的应用领域在不断拓展和延伸，特别是在远程医疗电子领域，智能家居等领域，可穿戴式传感器得到了广泛地应用。基于无线传感器数据的人体日常行为动作的识别也是可穿戴式传感器应用中提出的新挑战。本论文的研究内容是基于电子医疗系统中对连续型传感器数据处理和分析的需求而提出的。通过使用各种数据挖掘的分类技术，能够实现人体动作的识别。但是由于传感器数据自身具有的多样性和复杂性等特点，并不是每一种分类技术都可以很好的应用于人体动作识别这一领域，只有通过对分类技术进行系统的分析并依据分类模型的特点，对数据集进行适应性的预处理之后，才能将数据集应用于分类模型进行挖掘和分类，从而实现人体动作的识别。本论文中的实验数据集记录了分布于人体各关节部位的传感器所采集的传感数据。为了分析该连续型的传感数据集并实现人体日常行为动作的识别，本论文系统地研究了主要的分类方法并最终将它们应用于人体动作识别这一领域。在研究过程中主要应用了叁种分类模型，识别了站，走，坐等运动状态以及开门，关门，擦桌子，喝咖啡等手势动作。这叁种分类模型分别是决策树模型，朴素贝叶斯模型以及神经网络模型。针对每一种分类模型的特点，对数据集做了适应性地预处理，使得它们能够更好地应用于各分类模型。在设计和实现上述叁种分类模型时，采用了不同的数据预处理的方法。在决策树模型中，使用了主成分分析法来简化原始数据集，同时还使用了最小二乘法对数据进行线性拟合，通过计算所得的截距以及斜率的不同实现对动作的识别；在朴素贝叶斯模型中，数据集在经过主成分分析法的简化后进行了离散化处理，并计算了数据样本归类于各个分类的概率；在神经网络模型中对数据进行了归一化处理，并根据实验的结果对神经网络的结构进行调整，最终构建出能够识别人体动作的网络模型。本文中还对叁种人体动作识别的分类模型的结果进行了比较，基于分类结果分析了每个模型自身的优势以及局限性，并最终提出了一种混合型神经网络模型。该模型结合了决策树模型与神经网络模型两者的优点，实现了分阶段式的人体动作识别。由于传统的神经网络模型以及传统的决策树模型均不能很好的区分目标动作分类中易于混淆的动作，因此，该混合型神经网络模型将动作识别的过程划分为两个阶段。在第一阶段中，实现对易混淆动作的粗分类，并将它们被归为新的动作分类；在第二阶段中，通过使用的关键属性取值的不同来区分易混淆的动作等方法，实现对新的动作分类的进一步细分。实验结果表明，该混合型神经网络模型相对于传统的决策树模型以及传统的神经网络模型而言，显着地提高了动作识别的准确度。(本文来源于《东华大学》期刊2015-01-01）
连续动作识别论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
动作识别技术成为近些年计算机视觉领域的研究热点。本文针对深度传感器获得的骨骼信息,提出一种基于规则的动作识别算法。首先设定规则定位动作,将连续动作分段划分,使整段动作划分成短的多段动作数据。将视频中所获得的不同动作的深度骨骼数据用不同方法进行归一化。通过动态时间规整(DTW)算法对分段动作数据进行分析,得到最匹配的动作标签,实现动作识别。从实验结果可知,该方法在动作识别中具有较高的准确性以及较好的实用性。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
连续动作识别论文参考文献
[1].李晨,黄元元,胡作进.基于关键动作双重转移概率的连续手语语句识别算法[J].计算机科学.2019
[2].丁伟利,胡博,张焱鑫.基于规则的连续动作识别[J].高技术通讯.2019
[3].杨世强,罗晓宇,乔丹,柳培蕾,李德信.基于滑动窗口和动态规划的连续动作分割与识别[J].计算机应用.2019
[4].童佳宁,李志刚.基于BP神经网络的连续动作识别在清淤设备中的应用[J].中国航海.2018
[5].李艇.基于3DCNN的人体连续动作识别[D].哈尔滨工业大学.2018
[6].雷军.结合深度网络与概率图的连续动作识别方法研究[D].国防科技大学.2017
[7].毛一杰.基于kinect的人体连续动作识别研究[D].电子科技大学.2017
[8].白栋天,张磊,黄华.RGB-D视频中连续动作识别[J].中国科技论文.2016
[9].白栋天.基于KINECT的静态手势和上肢连续动作识别[D].北京理工大学.2016
[10].李云洁.基于连续型传感器数据的人体动作识别[D].东华大学.2015