一种混合方法用于体育活动识别,使用关键身体描述符和混合深度学习分类器
Muhammad Tayyab1, Sulaiman Abdullah Alateyah2, Mohammed Alnusayri3
1Department of Computer Science, Air University, Islamabad 44000, Pakistan.
Sensors (Basel, Switzerland)
|January 25, 2025
概括
这项研究引入了一种新的方法,用于识别图像序列中的事件,使用人体部分特征和上下文. 该方法实现了高精度,在人为行动识别方面表现优于现有方法.
科学领域:
- 计算机视觉 计算机视觉
- 机器学习 机器学习
- 模式识别 模式识别
背景情况:
- 序列图像中的事件识别对于监控和人机交互等应用至关重要.
- 精确跟踪和分析人体部位及其运动对于理解复杂情景至关重要.
研究的目的:
- 开发一种有效的方法,用于对连续图像中的事件识别.
- 提高人类行动识别系统的准确性和稳定性.
主要方法:
- 利用身体的关键点来跟踪和监控人类的存在.
- 将各种特征描述符 (MSER,SURF,HOG,光流) 应用于骨架点和轮.
- 采用特征融合和混合卷积神经网络 (CNN) +循环神经网络 (RNN) 分类器.
- 集成的灰狼优化 (GWO) 为最佳的功能选择.
主要成果:
- 在UCF-101数据集上达到98.5%的高准确率,在YouTube数据集上达到99.2%.
- 与事件识别中最先进的方法相比,表现出卓越的性能.
- 验证了特征融合和混合CNN+RNN分类器的有效性.
结论:
- 拟议的方法通过整合身体部位特征和背景,有效地识别连续图像中的事件.
- 先进的特征提取,融合和混合深度学习模型的组合显著提高了动作识别准确性.
- 这种方法为现实世界事件识别任务提供了一个有前途的解决方案.
