相关实验视频
Updated: Jun 16, 2026

16:14
Trajectory Data Analyses for Pedestrian Space-time Activity Study
Published on: February 25, 2013
13.5K
视频异常行为识别和轨迹预测基于轻量化骨特征提取
Ling Wang1, Cong Ding1, Yifan Zhang1
1Department of Computer Science and Technology, School of Computer Science, Northeast Electric Power University, Jilin 132013, China.
Sensors (Basel, Switzerland)
|June 27, 2024
概括
这项研究引入了一种轻量级模型,用于快速准确的视频动作识别,特别是对于异常行为. 它提高了速度,并使用骨架节点分析和轨迹预测来处理阻塞.
科学领域:
- 计算机视觉 计算机视觉
- 人工智能的人工智能
背景情况:
- 使用骨架节点的视频动作识别面临着许多节点和闭塞的挑战.
- 这些问题在现实应用中显著降低了识别速度和准确性.
研究的目的:
- 开发一个轻量级的多流特征交叉融合 (L-MSFCF) 模型,以有效地识别异常行为.
- 为了提高识别速度和准确性,特别是解决骨架节点阻塞问题.
主要方法:
- 提出了一个轻量级的多流特征交叉融合 (L-MSFCF) 模型.
- 实施了封闭的骨架节点预测分析,以解决封闭问题.
- 开发了一种轨迹预测跟踪 (TPT) 模型,用于使用动态选择的核心骨架节点进行实时位置预测.
主要成果:
- 全MSFCF模型在识别八种异常行为方面实现了92.7%的平均准确率.
- 与全骨架模型相比,L-MSFCF模型的平均准确率为87.3%,识别速度增加了62.7%.
- 对于短期轨迹预测 (15和30内),TPT模型显示了较低的平均损失误差.
结论:
- L-MSFCF模型为实时异常行为识别,平衡速度和准确性提供了合适的解决方案.
- TPT模型有效地预测运动轨迹,增强实时跟踪能力.

