导读:本文包含了动作识别论文开题报告文献综述、选题提纲参考文献及外文文献翻译，主要关键词:动作,卷积,神经网络,特征,人体,双流,传感器。
动作识别论文文献综述
白雨亭[1]（2020）在《基于视频的学生动作识别方法研究》一文中研究指出本文介绍了一种根据课堂中采集到的视频数据构成数据集,利用深度学习框架及机器学习分类算法进行学生课堂动作识别的方法。(本文来源于《仪器仪表用户》期刊2020年01期）
刘培贞,贾玉祥,夏时洪[2]（2019）在《一种面向电力运维作业的LSTM动作识别方法》一文中研究指出电力运维安全是备受社会关注的课题。为了避免因运维人员的操作失误而产生严重后果,提出了一种基于长短期记忆网络LSTM(Long Short Term Memory)的、面向电力运维作业的动作识别方法,该方法涵盖了从数据采集、数据处理到分类识别的整个过程,可对人员工作过程中的操作行为进行识别和监督。基于新构建的电力运维作业数据集将方法中用到的深度学习算法LSTM与传统机器学习算法KNN进行仿真对比实验,结果表明,LSTM的表现更佳,在时间窗口为120帧时,LSTM的准确率达到91.32%,比KNN高出约2个百分点。(本文来源于《系统仿真学报》期刊2019年12期）
毕雪超[3]（2019）在《基于空间骨架时序图的舞蹈特定动作识别方法》一文中研究指出随着机器视觉技术的发展,人体动作识别逐渐成为热门的研究方向,但其在舞蹈动作识别领域的应用研究则处于起步阶段。文中将基于深度学习的人体动作识别技术引入此领域,以实现辅助训练的智能化。文中首先分析最先进的人体动作识别算法,在计算机视觉方面的优势与在特定领域的局限性。在此基础上,提出一种基于空间骨架时序图的舞蹈动作识别算法。该算法先使用PAFs对舞蹈视频中的舞蹈演员提取骨架节点,再生成骨架序列。最后,结合LSTM对其进行动作识别。测试与分析结果表明,该算法可针对Balletto舞蹈视频数据库进行识别,且可有效识别舞蹈动作,实现对舞蹈演员的动作纠正。(本文来源于《信息技术》期刊2019年11期）
刘国平,王南星,周毅,汪文博,唐慜越[4]（2019）在《基于改进ReliefF算法的哑铃动作识别》一文中研究指出为了实现哑铃动作分类识别的目标,在哑铃上加装惯性传感器模块,通过采集哑铃锻炼过程中的运动信号,经信号标准化、滤波、基于初始静态量周期分割预处理后,提取侧平举、前平举、反握弯举、锤式弯举、弯举5种哑铃动作的特征向量,使用改进的Relief F特征选择算法,选择最优特征向量,采用基于平衡决策树的支持向量机对不同的哑铃动作进行分类识别。通过在实验室自主研发的哑铃动作识别系统上进行测试,结果表明:系统能够在单个哑铃动作周期内对哑铃动作进行识别,且识别率可达90%以上,为提供更加个性化的哑铃动作指导奠定基础。(本文来源于《科学技术与工程》期刊2019年32期）
段晨,廖福元[5]（2019）在《基于惯性传感器和深度学习的上肢动作识别研究》一文中研究指出基于传感器的上肢动作识别技术,研究的热点主要在于传感器的种类、数量,特征值的选择以及分类算法的设计上,这些因素决定了识别效果的优劣。针对这些问题,提出一种基于多个惯性传感器和深度学习的上肢动作识别方法。使用惯性传感器模块采集上肢动作时手腕和肘部的加速度、角速度数据,在预处理后提取如均值、最大(小)值、频率等9种特征值,然后采用主成分分析法对特征集进行降维处理,在减小计算量的同时使其具有更好的鲁棒性,最后使用深度信念网络训练数据,对6种上肢动作进行分类。实验结果表明,该方法可完成多种上肢动作的识别,以最少的传感器数量完整的描述了复杂的上肢动作,而深度信念网络相较于传统的支持向量机、人工神经网络等算法,有着更高的识别精度。(本文来源于《国外电子测量技术》期刊2019年11期）
王召军,许志猛[6]（2019）在《基于低分辨率红外阵列传感器的人体身份和动作识别》一文中研究指出本文针对人体身份及动作识别的问题,提出一种基于低分辨率红外阵列传感器并使用卷积神经网络进行分类识别的方法,这种方法可以识别出人的身份和跌倒、坐下以及行走动作。本文使用的卷积神经网络是基于VGGNet搭建的,由输入层、5层卷积层、3层池化层、1层全连接层和输出层构成,自动提取红外热图像中的信息特征,对身份及动作进行分类,在良好的隐私保护下避免了繁琐的人工提取特征。经过实验测试,卷积神经网络算法识别动作平均准确率为93.3%,其中行走识别准确率达到100%,坐下识别准确率为90%,跌倒识别准确率为90%,身份识别准确率为96.7%。(本文来源于《电气技术》期刊2019年11期）
李晨,黄元元,胡作进[7]（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）
郭阿英,许志猛,陈良琴[8]（2019）在《一种基于WiFi信道状态信息的人体动作识别方法》一文中研究指出人体动作识别是以人为中心的物联网的核心技术之一。为了实现无需穿戴设备、低成本的动作识别系统,提出了一种基于WiFi信道状态信息(Channel State Information,CSI)的人体动作识别方法。该方法采用Hampel滤波结合离散小波去噪对CSI信息进行处理后,利用CSI幅度方差确定动作起止区间,从中提取CSI的特征向量,并用线性判别式分析算法(Linear Discriminant Analysis,LDA)分类器实现人体日常生活中"蹲下"、"站起"、"坐下"、"捡起"和"走"5种动作的识别,实验结果表明平均识别率可达到96%。(本文来源于《传感技术学报》期刊2019年11期）
蒋留兵,魏光萌,车俐[9]（2019）在《基于卷积神经网络的雷达人体动作识别方法》一文中研究指出利用雷达来识别人体动作对环境要求较低,且避免了摄像头带来的的隐私问题。针对这种需求,提出一种基于超宽带雷达和深度学习算法的人体动作识别方法。利用超宽带雷达的高距离分辨力,并针对人体动作的动态特性,提取出人体目标的距离-时间二维特征,弥补单一距离特征的不足。针对特征图采用一种经过优化的卷积神经网络进行识别。通过SIR-20高速探地雷达平台进行数据采集,对8种不同的人体动作进行识别,最终达到了平均99.2%的正确识别率,验证了该方法的可行性和有效性。(本文来源于《计算机应用与软件》期刊2019年11期）
马翠红,王毅,毛志强[10]（2019）在《基于时空双流融合网络与AM-Softmax的动作识别》一文中研究指出针对视频序列中人体动作类内差异大、类间差异小、识别准确率不高的问题,本文提出了一种基于时空双流融合网络与加性余量Softmax (AM-Softmax)的人体动作识别模型。该模型首先以双流融合卷积神经网络分别提取视频序列中的空间流表观特征和时间流运动特征,且在卷积层以单向时空连接方式进行时空特征关联性学习;然后融合双流卷积结构提取的全连接层时空特征;最后利用AM-Softmax对各类动作的时空融合特征进行深度验证从而实现人体动作的分类和识别。在人体动作数据集KTH上的实验结果表明,该模型能够很好地最大化类间距离、最小化类内距离,且识别准确率可达97.5%,具有很好的识别效果。(本文来源于《网络安全技术与应用》期刊2019年11期）
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：
电力运维安全是备受社会关注的课题。为了避免因运维人员的操作失误而产生严重后果,提出了一种基于长短期记忆网络LSTM(Long Short Term Memory)的、面向电力运维作业的动作识别方法,该方法涵盖了从数据采集、数据处理到分类识别的整个过程,可对人员工作过程中的操作行为进行识别和监督。基于新构建的电力运维作业数据集将方法中用到的深度学习算法LSTM与传统机器学习算法KNN进行仿真对比实验,结果表明,LSTM的表现更佳,在时间窗口为120帧时,LSTM的准确率达到91.32%,比KNN高出约2个百分点。
（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。
动作识别论文参考文献
[1].白雨亭.基于视频的学生动作识别方法研究[J].仪器仪表用户.2020
[2].刘培贞,贾玉祥,夏时洪.一种面向电力运维作业的LSTM动作识别方法[J].系统仿真学报.2019
[3].毕雪超.基于空间骨架时序图的舞蹈特定动作识别方法[J].信息技术.2019
[4].刘国平,王南星,周毅,汪文博,唐慜越.基于改进ReliefF算法的哑铃动作识别[J].科学技术与工程.2019
[5].段晨,廖福元.基于惯性传感器和深度学习的上肢动作识别研究[J].国外电子测量技术.2019
[6].王召军,许志猛.基于低分辨率红外阵列传感器的人体身份和动作识别[J].电气技术.2019
[7].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
[8].郭阿英,许志猛,陈良琴.一种基于WiFi信道状态信息的人体动作识别方法[J].传感技术学报.2019
[9].蒋留兵,魏光萌,车俐.基于卷积神经网络的雷达人体动作识别方法[J].计算机应用与软件.2019
[10].马翠红,王毅,毛志强.基于时空双流融合网络与AM-Softmax的动作识别[J].网络安全技术与应用.2019
论文知识图
