人体运动数据检索基于动态时间变形的优化算法

文摘

近年来,随着计算机存储能力的迅速发展和网络传输功能,用户可以很容易地共享自己的视频和图片在社交网站上的信息,和网络上的多媒体数据量迅速增加。不断增长的数据量的网络,建立有效的自动化数据管理方法和搜索方法已成为一个日益迫切需要。提出了一种检索方法基于运动捕捉人体运动数据的索引空间。通过提取关键帧从原始运动执行水平降维并根据拉班运动分析,定义特征运动段受到垂直特征降维。后提取特征从输入运动,运动匹配索引空间执行。本文设计的优化方法分阶段动态变形算法时间效率的优化方法和分析分阶段动态变形算法时间复杂性。本文考虑冗余的时间效率,优化分阶段动态时间变形方法的时间复杂度。这提高了时间效率的动态时间规整算法,使其适合于大规模的人体运动数据问题。实验表明,本文方法的优点是速度,更符合人类的语义动作,并能满足人体运动的检索需求的数据库。

1。介绍

大命题之间的视频检索、视频检索的问题对人类的姿势已经逐渐引起了研究者的注意由于其广泛的应用[1]。认识到人类行为是最重要的主题之一。人类在这一领域的研究最初发起最后的20个^th世纪(2]。提出了许多研究成果,目前的一些研究方法也被应用在现实生活中(3,4]。视频检索研究可以帮助减少人工注释的工作负载,同时极大地提高信息的提取速度在视频中,实现视频人体运动数据的自动管理(5]。对视频网站来说,性能更好的视频检索方法的使用也意味着他们可以为客户提供更准确的检索结果,可以检索视频适合客户根据他们的偏好,从而获得更多的收入(6]。

运动编辑通常可以解决最初的运动捕获数据的情况不符合需求。常见的使用包括更改原来的角色或体育运动风格。困难在于最初的运动可以编辑的需要而不失真。动作捕捉技术的出现以来,大量的运动捕获数据的难度也增加了有效地管理和重用。因此,如何有效和准确的检索数据库的运动已成为一个重要的研究目标。当前的运动检索方法主要包括动态模板匹配等方法,基于内容的、基于索引和动态时间扭曲。随着技术的成熟,基于人类的手势识别的视频检索技术已开始引起注意(7]。有许多相关研究领域基于人类的手势识别,视频检索和相关的最重要的一个领域是人类的手势识别8]。视频定位和关键帧提取也更重要的研究领域。研究视频定位的目标是找到一段包含目标从长视频检索。关键帧提取,从而提高识别提取视频帧代表。精度也可以减少视频的存储空间。研究人员的视频转换为加权无向图,而且,通过求解最大连通子图,人类行为识别和视频的时空定位有效地结合起来,从而提高效率的方法9,10]。许多当地常用的视频功能扩展从图像处理领域11]。相关学者应用梯度方向直方图视频领域(12]。取得了一定的研究成果在人类造成的识别。然而,由于视频包含太多的信息,简单的二维特性扩展到三维特性不能描述整个视频的功能。因此,该领域的研究仍急需突破创新。相关学者提出了一种基于光流场的人体动作识别方法,提出了一种时间分段表示使用光流矢量计算方法和加权帧率的概念13]。重新排序是一个非常重要的部分视频检索。在这个阶段,我们根据之间的相对关系调整检索结果的样品在初始检索结果。好重新排序算法可以大大提高检索的准确性。目前,最受欢迎的重新排序算法是基于上下文(样本)邻里关系信息(14]。大多数基于上下文的重排算法使用社区样本之间的信息构建一个无向图边(15]。相对较大的人体运动数据集,很难保存所有的边的权值N×N,和远的两个样品,可以认为他们的关系只有轻微影响最终检索结果。因此,通常情况下,只使用每个样本的信息再构建地图,和一定的算法用于调整边缘体重或多个图形的融合,最后从图像中提取重新检索序列(16]。基于上下文信息的重新排序方法可分为全球信息和本地信息17]。相关学者已经改善了流形排序,使用锚点减少关系图的大小和使用邻接矩阵来加快计算(18- - - - - -20.]。相关学者构建一个词搜索树,然后用正则表达式来表达之间的比较样本的特性和功能树中的序列(21]。然而,大量的树木需要建立对应的所有特性和某些需要先验知识检索。研究人员建立一个索引表的运动序列等级由身体的各个部分,然后使用快速字符串匹配算法匹配运动序列(22]。相关学者使用pose-based指数图结构来确定候选运动段的开始和结束帧,并使用DTW计算运动的相似片段(23]。然而,DTW算法只注重本地扩展的数据序列,不能达到良好的结果在全球扩展和统一的规模,和该方法的计算比较耗时。

目前,大多数视频检索研究更关心的是检索的准确性的方法,但如果要应用到现实生活中,其检索效率远从当前水平的关键字检索。如何提高检索的响应速度的前提下保证检索精度已成为一个新的研究课题。因此,视频检索仍然有很大的研究空间。在互联网上使用最广泛的视频检索方法仍然使用关键字的文本检索。这种方法有很多缺点,如成本高的标签和信息的损失。因此,是很有意义的视频检索方法研究基于视频的内部信息。本文分析了人体运动捕捉人体运动数据检索方法,提出了基于索引空间的检索方案。通过提取关键帧从原始运动部分,减少人体运动数据处理的复杂性,和语义定义人类的运动特性。特征提取是进行运动节段,减少人体运动数据的维数,提高了检索结果的语义相似度。本文的技术贡献可以概括如下。

第一:我们创建一个索引空间提取所有数据库和人体运动的特点,得到检索结果通过索引的索引空间。上演了动态时间规整算法的时间复杂度进行了分析,及其时间效率优化。

第二:双向分阶段动态变形提出了减少计算时间。贪婪的思想应用于动态时间变形算法,减少了国家设置在状态转换。我们分析之间的关系状态和组织解决状态合理解决。通过先后接近复杂的状态转换,过渡时间减少。

第三:进行了仿真实验。结果表明,该方法有更好的时间效率,更高的灵活性,和检索精度更好的运动语义特征提取。这可以满足各种各样的人体运动数据的检索需求,以及大规模的人体运动检索数据库。

本文的其余部分组织如下。部分2论述了人类运动数据检索的关键技术。部分3结构的优化分阶段动态时间规整算法的时间效率。节4、实验进行仿真和结果分析。部分5总结了全文。

2。人体运动数据检索的关键技术

2.1。人的骨头和关节的数学表示

欧拉角是一个序列分解角位移成三个在三个相互垂直的轴旋转角度值。“角位移”意味着欧拉角可以用来描述任何旋转,但它也可以描述一个物体的空间定位。欧拉角将方位划分为三个互相垂直的轴周围旋转,通常都是遵循笛卡儿坐标系统,在一定的顺序是积极的。

起初,物体坐标系和惯性坐标系重合,标题是旋转的y设在,向右旋转是正的;也就是说,它是把向下沿着顺时针方向y设在。同样,球场周围旋转x设在对象坐标系统中,银行是周围旋转z设在在对象坐标系统。两者都遵循左手规则,当从积极的方向顺时针方向旋转轴的原点。

在正常情况下,三个欧拉角组件的旋转后,任何物体的旋转坐标系可以表达。特殊情况是指通用锁;当旋转锁状态将会出现。欧拉角的三个组件在不同条件下可以定义不同。例如,我们获得的数据bvh格式人类zxy轴的运动序列。

自三个表达式都有自己的优点和缺点,在不同的场景中使用不同的表达式通常是计算方便或者其他表达式不匹配的特点。常常需要转换三种形式的表达。

欧拉角(x,y,z)旋转矩阵

欧拉角的四元数

2.2。运动功能定义和特征提取

一方面,特征提取可以减少维数的原始人类运动数据,避免了直接的相似性比较人类高维运动数据的检索,另一方面,有效的特征可以代表人类运动的语义(24,25]。匹配的特征更符合人们的认知体育,和检索结果更准确。相对应的提出了关键帧通常是构成人类运动的边界,也是最具代表性的姿势在相邻帧。它的作用本质和运动部分的大纲,所以动作可以使用一系列关键姿势。本文从运动段提取关键帧序列在人类运动数据库(26- - - - - -28]。参照拉班运动分析,功能设置主要分为物理特性、动态特性和外观特征。人类的视觉特性收集和特征提取运动动作如图1。

身体特征主要描述人体运动的结构和几何特征。这一类可以帮助识别人体运动的一部分,和哪些部分接触和人体器官的运动模式。在这部分功能的定义,考虑到一些关节的自由度人体通常小于3,一些不太可能出现的构成特性可以直接忽略来简化特征空间。

动作特性表明人体是否在当前运动状态,通过计算相邻的姿势之间的位移是否超过阈值。这个功能主要是四肢和整个的位移:

相对位置的描述每一个肢体的相对位置。例如,左右腿身体正前方或正后方飞机,飞机前的特征值是1;否则,它是0。这个特性可以描述身体的每个部分的位置是最重要的,大部分定义的特性。

定位信息指示的方向是否上下部分的人体基本姿势变化很大。这个特性可以描述运动改变方位信息,如扭转:

四肢计算之间的联系信息是否每个肢体接触(两个肢体之间的距离是否小于阈值),如分离和合并的左和右手臂,可以区分运动更准确:

角信息计算夹角是否在当前姿态和四肢的夹角的上、下部分人体小于阈值。例如,大腿与小腿的夹角和上半身和下半身可以用来判断这个人是直立或坐或蹲的。

动态特性描述为行动的逻辑动态,和相同的身体姿势可能由两个动作完全不同的语义。例如,达到向前的动作,轻轻将一些东西,和愤怒是完全不同的语义,不能只由几何位置特征。

空间特征区分是否直接或nonstraight运动轨迹,计算从当前姿态和之间的距离比前一帧的时间间隔:

时间特性与动态特性和区分是否运动变化突然或逐渐根据从小型到大型的速度运动。这个特性和强度特性在一起可以详细描述整个过程的风格从一开始的运动,运动和运动的终结。例如,一个急切的敲门声出现暴,而当场跳似乎突然轻轻地。

形状特征描述人体运动姿态的轮廓,和功能主要定义了不同的形状的人类的身体和四肢。

2.3。创建索引空间

本文定义了一个特征空间索引整个身体运动数据库在一个分布式的方式。特性的运动姿势,相应的布尔值序列的指数可以作为分布式索引空间的姿势,和体态特征序列与序列的值对应于一个功能点1和剩余的0态势在一定的价值功能。在特征提取阶段,运动段的数量和相应的帧数每个体式都记录的索引信息。最后,所有的姿势都按照大小排序功能的布尔值和存储。可以看出,该指数空间提取不同姿势的人体运动数据库中所有运动部分和包含信息的每个姿势运动段。空间索引的更新也非常容易;它只是插入一个新的运动姿势和索引信息直接或添加新的索引信息的现有的姿势。

根据已定义的索引结构的特点,常见的检索要求,比如运动子序列匹配和模糊搜索可以很容易地实现。输入查询运动段时,它可能是一些长期运动段的子序列在人类运动数据库。在检索,通过查询功能值序列对应于第一个关键帧姿态运动的一个组成部分,索引空间的相似的姿势可以快速定位;也就是查询的开始运动段匹配的运动段可以找到。

当用户需要人体运动数据相似但不完全符合查询的一些功能运动,他们可以请求匹配通过指定一些特性。指定的功能越少,越匹配。

本文提出一种基于人类运动视频检索框架,及其过程如图2。首先,人体运动数据在人类运动数据集预处理,包括位置和大小校准RGB视频和深度视频和multiangle校准。我们进行特征提取得到相应的RGB和深度特性和使用某些指标初步构建Jaccard图这两种功能。基于Jaccard TTNG映射图是用来消除异常值对结果的影响。边直接补充道。使用最短的边聚类算法在本文提出的节点属于其他集合管接近彼此从搜索结果中删除。最后,图中的节点是按重量来获取新的检索结果的返回值的框架。

3所示。优化的动态变形算法时间效率

3.1。优化的总数

上演了动态时间变形算法可以有效地实现在两个方面,即向前和向后。在某些情况下,相同的分阶段动态时间变形算法采用不同的实现方法,并将有一定程序的时间效率的差异。一般来说,如果问题的初始状态决定但最终状态是不确定的,它可以通过“自上而下”的顺序的方法。相反,如果问题的最终状态确定初始状态是不确定的,你可以考虑“自下而上”的逆方法。

可以结合双向广度优先搜索算法扩展方法来降低国家的总额,上演了动态时间扭曲算法也可以使用。类似于双向广度优先搜索算法,当问题的状态空间大,问题的初始状态和最终状态确定,单向的扩张将导致大量的无效状态计算。接下来,为了减少的规模状态,你可以在两个方向扩展的初始状态和最终状态并执行最佳判断交点的两个扩张问题的解决方案。

图3显示了单向双向扩张之间的差异和扩张的国家总数需要计算。在实际问题中,问题的初始和结束状态可以确定。问题状态的数量是巨大的,每个阶段的状态变量快速增长。此时,您可以考虑使用双向规划方法来减少的总量州需要计算问题。

双向分阶段动态时间变形也有更好的应用于实际问题,如结合服务选择问题;即在多个服务,提供相同的功能,选择特定的服务组合,以最大化用户的服务质量。服务选择问题抽象为图模型。最后,问题转化为图的最长路径问题。问题已经解决了双向和动态时间变形,这是比单向编程更容易。

州的数量需要解决的问题是直接关系到状态表示方法,和州的总数问题通常可以改变通过改善状态表示方法。当使用动态时间变形的想法来解决这个问题,该算法设计了不同的状态表示方法需要不同的国家总数得到解决。当国家为每个状态转换的数量和每个状态转换的时间不变,需要计算的状态数的问题是减少,可以提高算法的时间效率。

3.2。优化的状态数参与每一个状态转换

解决问题的过程随着时间分阶段动态变形算法是计算所有的州(子问题)问题。当前状态的计算通常是通过国家已经解决和决定在这个状态,状态转换过程。参与每一个状态转换的状态数在计算州是一个关键因素影响分阶段动态时间变形算法的时间效率。本节将讨论一些优化方法来减少国家参与每一个状态转换。

我们使用分阶段动态时间变形的方法来解决这个问题,当问题规划模型

W (我,j)代表的度量值的总和我th的阶段jth阶段问题。这个指标在不同的问题有不同的含义,可以获利,输出和资源消耗。G (我,j()代表的状态问题我,j)阶段。状态转移方程的意义是将原问题分解为两个子问题,然后解决问题。最优二叉搜索树和其他问题都使用这个状态转移方程。

其中,权函数满足下列公式,据说这个函数满足单调性的时间间隔包容关系:

如果函数满足下列公式,据说这个函数满足四边形不等式:

当国家f (一个,b)满足四边形不等式性质,决策变量v (一个,b)满足

使用决策变量的性质,得到优化的状态转换方程如下:

我们使用状态转换方程满足四边形不等式,分析之间的关系状态,然后推断出最优决策是单调的。当计算状态时,最优决策的单调性是用来减少的州的数量为每个状态转换需要考虑,从而降低算法的时间复杂度。我们可以得到灵感来自这种优化措施。的过程中使用了动态时间变形算法来解决这个问题,该算法不仅可以优化减少的总数,但也最优决策的性质可以充分利用优化算法。

在解决问题的过程中逐步的动态变形方法,计算状态的问题将不断引用。因此,深入分析美国的关系已经解决,合理组织有时可以简化依赖状态的问题,这有助于提高了动态时间变形算法的时间效率。通过一个例子来说明模型、规划模型的问题是如下:

的公式,米(我)代表条件值我th阶段的问题,G (我)代表国家价值我th阶段的问题,状态转换方程意味着只有当问题的当前阶段的条件价值大于前面的条件价值阶段,国家将被转移。

有O (n)国家需要解决的状态转换模型,时间对于每一个过渡是O(1),为每个状态转换的状态数是O (我),总时间复杂度的算法

优化的状态转移方程

的元素米(我)的设置D是单调递增的。因此,在上面的状态转换过程中,一个有效的搜索algorithm-binary搜索可以使用,所以每个转换的时间是O (log n),和州的数量仅为O (1)。优化后,每个状态转换的时间增加,但在状态转换的数量减少。这反映了时间效率之间的矛盾因素的优化过程。优化后,算法的时间复杂度是O (nlog n)。因此,整个算法的时间效率提高。

3.3。使用贪婪的思维来优化了动态时间规整算法

贪婪的想将当前状态中选择最优解问题的根据一个特定的贪婪策略当解决一个问题,而不是考虑全局最优的问题。因此,该算法不能得到所有优化问题的最优解,但最好的实践通常可以达到简化问题模型的影响。

我们使用分阶段动态时间变形的方法来解决这个问题。当问题的状态空间是巨大的和模型很复杂,传统的分阶段动态时间变形方法是无效的,你可以考虑使用分阶段动态时间变形的贪婪的想法。你在深度分析问题的本质,找出算法的冗余,降低容许的范围决定可能产生最优解集,然后实现的目标优化算法的时间效率。

在实际问题中,你会遇到以下所示的状态转换方程方程:

W (我,j)代表的度量值的总和我th的阶段jth阶段问题。这个指标在不同的问题有不同的含义,可以获利,距离,和资源消耗。G (我,j)代表国家问题的阶段(我,j)。这是一个动态变形的一个典型的间隔时间模型。这个问题通常是找到整个区间的最优值。这种类型的问题的基本特征是,问题可以分解为两个子问题相结合的形式。解决方案是列举合并点,把问题分解成两个左和右子问题,然后合并左和右部分的最优解获得原问题的最优解。

优化过程是分析问题的最优解组成找出问题的状态依赖的关系,从而避免一些无效的枚举状态,减少算法的时间复杂度。这是一个贪婪的思想的典型体现。“贪婪的分阶段动态时间扭曲”不是一个具体的算法,但是一个优化的想法。如果你想灵活使用贪婪的思想分阶段动态时间规整算法,关键在于问题的深入分析和分析。你开始与原来的动态时间变形模型,分析算法的整体结构,然后巧妙地用贪婪的想法来解决冗余在原始动态时间变形算法,从而达到优化算法的目的。

4所示。实验仿真和结果分析

4.1。人体运动数据预处理

实验人体运动数据摘要包括大约400运动段的人体运动捕捉数据库卡内基梅隆大学,分为8类,如图4。关节的运动捕获人类运动的数量数据是23,帧频是24 fps,运动段长度范围从40到5000帧。本文实现的整个过程之前人类运动的预处理和检索数据检索。在实验中,系统运行在PC与英特尔P4 2.7 GHz CPU和8 GB内存。

人体运动数据的预处理是检索前的离线处理的原始人类运动的数据集,包括三个步骤的关键帧提取、特征提取和索引空间建设。(1)考虑离线处理的需求,本文采用分阶段动态时间变形优化算法计算量更准确和稳定。在本文实验使用方法来提取关键帧的原始人类的运动数据。不同动作的最优压缩率是不同的。简单的和缓慢的行动是最优压缩率高,而复杂的最优压缩率较低和暴力行动。例如,慢慢地的平均压缩率是7%,而跳舞的平均压缩率是16%。最后,毕竟总数帧提取人体运动数据是40460帧,和总平均压缩率约为10%。可以看出,人类运动的量大大减少后期的数据处理。(2)共有36个布尔特性是本文定义的。因此,在特征提取阶段,每一个关键帧的运动部分将被转换成一个布尔值序列长度36岁,和相应的值范围是[0,224]。最后,每个运动部分转换成一个特征向量。(3)我们构建索引空间提取每个特性的特征向量,记录序列号和帧数的运动的一个组成部分,和排序的所有特性。可以看出从功能定义索引空间的大小不会超过224年,但在实践中,一些常见的姿势,如静止的和普通的行走,会反复出现在多个不同的运动;同时,一些理论上的体式特征定义基本上不出现,所以最后的索引空间将比224年小得多。

在这个实验中,共有8000个不同的最终提取特征值,特征分布和姿势重复性如图5。根据不同的人体运动数据集,姿势重复的数量和分布的峰值会有所不同,但主要是反映在一些高重复、姿势和大多数姿势只出现一次或几次。最后,尽管没有很多重复的姿势减少,它仍然可以有效地减少重复性比较相同的姿势在检索阶段当检索一些运动片段重复动作。数据的累积误差曲线匹配特征设置如图6。

4.2。比较相似度计算函数

我们选择的人类运动测试数据集收集和处理在本文中,使用传统的协同过滤相似函数来获取人体运动数据,然后使用验证评估算法的检索效果。我们画准确率和召回率的变化在不同的相似度函数,分别如图7和8。

根据图7可以看出,在不同的相似度计算函数,基于修正余弦的精度通常是最好的。从图可以看出8当使用皮尔逊相关系数和修改后的余弦相似度计算函数,召回率高于当使用余弦相似度函数。自召回率的比例反映了人体运动数据检索用户购买的,它更有可能,该算法不能计算相似余弦相似性时使用。总的来说,修改后的余弦相似度计算函数的召回率是最高的。

本文比较了修正余弦相似度计算函数和动态时间变形计算函数和比较的检索效果函数的区间N从1到25。我们画下的精度和召回的变化不同的相似性函数和不同的前N,分别如图9和10。

从图可以看出9前N变化从1到25时,传统的修正余弦相似性检索准确率较低。只有当N选为20,检索精度的改进的功能是一样的。总的来说,每个相似度计算函数检索精度最高,最高15 N是选中。这表明前N不能选择太多,因为准确率评估的比例正确的人体运动数据检索的总数,所以将会有更多的检索,更有可能是不准确的,和准确性将相对较低。

从图可以看出10当N选择从1到25,检索召回率的改进功能提出更高,当N选择11,修改后的余弦相似性的检索召回率是一样的改进提出了。检索召回率的函数是相同的。总的来说,尽管本文的改进功能稍差,当N选择11,这不是更糟。搜索算法的效果必须考虑全面准确率和召回率,所以它不会对最终结果产生很大影响。

4.3。人体运动数据检索

构建索引空间离线后,你可以在网上搜索通过输入查询片段并指定匹配的特性。其中,查询片段也转化为特征向量通过关键帧提取和特征提取。检索算法在本文中使用二进制搜索在搜索时搜索索引空间特征序列对应于一个特定的框架。本文的实验环境,原始查询运动段300帧时,平均搜索时间是0.034秒。

为了比较不同算法的检索效果在测试人类运动数据库、数字11显示了每个算法的公关(precision-recall)曲线运动在多个类别。可以看出,本文算法利用特征提取原始角值转换成逻辑语义特征值,并且,在检索,查询运动适应选择特性匹配检索,所以它有相对良好的精度和召回。因为每个字典树对应于只有一个功能,结果需要合并后匹配多个字典树。合并的过程中不能保证一致性之间的计时功能,这也将提高一个错误匹配的机会。的方法定义eight-segment骨角特性对人体运动数据集更敏感。不同风格的运动很难形成匹配路径匹配网络,所以一些匹配的运动与语义相同但不同风格将丢失。此外,每个检索需要大量计算得到相似度和匹配路径查询运动和人类运动数据库之间的运动,这是相当耗时。本文改进了特征的定义,提出了一种新的索引结构和检索方法,灵活的特点,快速、准确的检索和可用于大规模的人体运动数据库检索。

图12显示检索时间的比较摘要算法与其他两种方法对不同大小的人类运动数据库。实验使用不同类型的多个查询片段和400帧长度和平均每个方法的多个检索时间在同样大小的人类运动数据库。从图可以看出,eight-segment骨骼角特性的方法有最长的检索时间,因为每个检索匹配路径和相似性的计算成本。字典树,这个词搜索树由正则表达式检索的方法可以减少重复匹配。但由于人体运动数据库的增加,树构造将大大增加,因此检索时间将会更长。方法本文构造索引空间的大小无关,人体运动数据库,并进行检索索引空间,因此本文算法的检索时间是最少的。

5。结论

本文提出了一种新的方法获取人体运动捕捉的运动数据,从而有效地减少人类通过关键帧提取运动数据的维数和自定义特征提取。索引空间定义为记录所有运动在人体运动姿态分布信息数据库。在检索阶段,快速查询索引空间是用来匹配运动节段。本文的优化方法分阶段动态变形算法的时间效率。优化算法的过程中,一方面,需要对问题的性质进行深入分析,找出问题的本质,另一方面,它可以改善原算法的缺点。设计算法使用了动态时间变形的想法需要很强的创造力。上演了动态时间变形算法是一个想法,并没有统一的标准状态模型问题。分阶段动态时间变形状态模型的实际问题可能是完全不同的,所以需要一个特定问题的具体分析。同样的,算法的优化也很灵活。本文讨论的是只有一些传统优化措施,高效的优化方法在具体问题需要继续挖。 The index space constructed by the method in this paper does not depend on the size of the human motion database and is easy to modify. It can be matched with varying degrees of accuracy by flexibly specifying feature matching during retrieval, so it has good retrieval performance and effects. Since the designation of parameters that need to be matched during retrieval will affect the retrieval results, the user needs to have certain prior knowledge. The next goal is to adaptively match the prominent motion characteristics of different categories of motion to achieve the purpose of intelligent retrieval.

数据可用性

使用的数据来支持本研究的发现可以从相应的作者。

的利益冲突

作者宣称没有利益冲突。

引用

a . Voulodimos i秧鸡亚目,n . Doulamis“人类运动总结,基于物理关键帧选择”多媒体工具和应用程序,卷79,不。5 - 6,3243 - 3259年,2020页。视图:出版商的网站|谷歌学术搜索
美国丁,美国、y . Xi和广域网,“长视频标题一代大视频数据检索的算法,”未来一代计算机系统卷,93年,第595 - 583页,2019年。视图:出版商的网站|谷歌学术搜索
a . Rudenko l . Palmieri m·赫尔曼·k·m·Kitani d . m . Gavrila和k·o·阿拉斯,“人类运动轨迹预测:一项调查,”国际机器人研究杂志》上,39卷,不。8,895 - 935年,2020页。视图:出版商的网站|谷歌学术搜索
y . Chang,”研究de-motion模糊图像处理深度学习的基础上,“杂志的视觉传达和图像表示,60卷,第379 - 371页,2019年。视图:出版商的网站|谷歌学术搜索
李,y, h·朱w·谢赵y,和刘x”双向反复autoencoder三维骨架运动数据细化,”计算机与图形学卷,81年,第103 - 92页,2019年。视图:出版商的网站|谷歌学术搜索
Y.-T。刘,Y.-A。张,m .曾“传感器为磁段校准和基于惯性传感器的动作捕捉系统,”测量卷,142 - 2019页。视图:出版商的网站|谷歌学术搜索
w·Mrabti k . Baibai b . Bellach朝觐Thami r . o .和h . Tairi“人类运动跟踪:比较研究”,Procedia计算机科学卷,148年,第153 - 145页,2019年。视图:出版商的网站|谷歌学术搜索
Ajili, m . Mallem J.-Y。迪迪埃,”人类动作和情感识别受LMA品质,”计算机视觉,35卷,不。10日,1411 - 1426年,2019页。视图:出版商的网站|谷歌学术搜索
p . j . Sedmidubsky以利亚,p .泽兹拉,“寻找变速运动在长序列的运动捕获数据,”信息系统卷,80年,第158 - 148页,2019年。视图:出版商的网站|谷歌学术搜索
j .瞿f . Zhang和傅y, y . Wang“类人多余的双臂机器人协调运动的学习,“机器人和电脑一体机制造57卷,第390 - 379页,2019年。视图:出版商的网站|谷歌学术搜索
l .夏j . Lv,刘”运动分类模型通过变形与改进的健壮性代码集成,”神经计算和应用没有,卷。31日。12日,第8532 - 8519页,2019年。视图:出版商的网站|谷歌学术搜索
谢里夫·m·a·汗,t . Akram m . et al .,“人类行为识别改进策略;经历一个级联设计”专业图像处理,14卷,不。5,818 - 829年,2020页。视图:出版商的网站|谷歌学术搜索
f·贝利Carpentier j . m . Benallegue b .夜总会,和p . Soueres”估计的质心和角动量导数腿locomotion-A递归方法,”IEEE机器人与自动化信件,4卷,不。4、4155 - 4162年,2019页。视图:出版商的网站|谷歌学术搜索
c·j·s .公园公园,d . Manocha”I-Planner: intention-aware运动设计使用上优于人类运动预测,“国际机器人研究杂志》上,38卷,不。1,23-39,2019页。视图:出版商的网站|谷歌学术搜索
b . Erol和m·g·阿明”雷达数据立方体处理人类活动识别使用multisubspace学习,”IEEE航空航天和电子系统,55卷,不。6,3617 - 3628年,2019页。视图:出版商的网站|谷歌学术搜索
c . Veinidis i Pratikakis, t . Theoharis”无人监督的人类行为检索使用凸点在3 d网格序列,”多媒体工具和应用程序,卷78,不。3、2789 - 2814年,2019页。视图:出版商的网站|谷歌学术搜索
s . Arivazhagan r . n . Shebiah r . Harini和s . Swetha“人类行为识别从RGB-D数据使用完整的局部二进制模式,”认知系统研究58卷,第104 - 94页,2019年。视图:出版商的网站|谷歌学术搜索
m . e . Montchal z . m . Reagh和m . a .信息”支持的精确时间记忆是横向内嗅皮层对于人类来说,“自然神经科学,22卷,不。2、284 - 288年,2019页。视图:出版商的网站|谷歌学术搜索
n . Jaouedi n . Boujnah和m . s . Bouhlel,“一个新的混合深度学习人类行为识别模型,”沙特国王大学计算机与信息科学杂志》上,32卷,不。4、447 - 453年,2020页。视图:出版商的网站|谷歌学术搜索
n . Nikolakis k . Alexopoulos大肠Xanthakis, g . Chryssolouris”数字双实现人性化生产任务的虚拟表示形式与身体相对应的一线,“国际期刊《计算机集成制造,32卷,不。1、1 - 12,2019页。视图:出版商的网站|谷歌学术搜索
m .郭和z王”、分割和识别人体运动序列的使用可穿戴的惯性传感器,”多媒体工具和应用程序,卷77,不。16,21201 - 21220年,2018页。视图:出版商的网站|谷歌学术搜索
p . j . Sedmidubsky以利亚,p .泽兹拉,“有效的和高效的相似性搜索动作捕捉数据,”多媒体工具和应用程序,卷77,不。10日,12073 - 12094年,2018页。视图:出版商的网站|谷歌学术搜索
f . Radenovićg . Tolias, o .密友”微调CNN图像检索,没有人类的注释,“IEEE模式分析与机器智能第41卷。。7,1655 - 1668年,2018页。视图:出版商的网站|谷歌学术搜索
m .他和f . Yaghmaee运动模式表示为基础改进人类行为检索”多媒体工具和应用程序,卷77,不。19日,26009 - 26032年,2018页。视图:出版商的网站|谷歌学术搜索
徐y, p .周j . et al .,“视频大数据检索对媒体云:上下文感知网络学习方法,“IEEE多媒体,21卷,不。7,1762 - 1777年,2019页。视图:出版商的网站|谷歌学术搜索
h·r·Dimsdale-Zucker m . Ritchey公元埃克斯特龙et al .,“CA1和CA3不同支持自发检索人类海马分支学科中的情景语境,“自然通讯,9卷,不。1,1 - 8,2018页。视图:出版商的网站|谷歌学术搜索
伊克巴尔,A .林根h . Yasin b·克鲁格A·韦伯和j .胆”的双源方法从单一图像三维人体姿态估计,“计算机视觉和图像理解卷。172年,37-49,2018页。视图:出版商的网站|谷歌学术搜索
f . Patrona a . Chatzitofis d Zarpalas, p .达拉”运动分析:动作检测、识别和评估基于运动捕捉数据,”模式识别卷,76年,第622 - 612页,2018年。视图:出版商的网站|谷歌学术搜索

复杂性

认知计算解决方案在计算社会系统复杂性问题

文摘