建设和自动提取运动时刻使用人工智能特征变量

文摘

在这篇文章中,我们研究了自动化建设和提取的特征变量的运动时刻和构造提取特定变量的人工智能。摘要,支持向量机在小样本的情况下,更好的性能选择分类器,以一对一的方式构造多类分类器实现人体运动姿势的分类和识别。一个分解动作的分类器构造自由体操动作的自动描述问题转换成一个multilabel分类问题。与特征提取的深度的增加网络,实验效果增强;然而,二维卷积神经网络时失去了时间信息提取功能,所以三维卷积网络本文用于时空特征提取的视频。提取的特征是二进制分类几次达到multilabel分类的目标。形成一个对比实验,分类的结果是随机组合成一个句子并与自动描述方法的结果来验证该方法的有效性。本文构造的多类分类器是用于人体运动姿势分类和识别测试,和实验结果表明,人体运动姿势识别算法基于multifeature融合能有效提高识别精度,在实际应用中表现良好。

1。介绍

在实践中,人体运动姿态通常包括走路,跑步,跳跃,蹲,下降,和其他人类的日常动态行为表现。这些动作手势不仅表达人们的身体活动状态在生活中,学习和工作,但也传达人类的行为目的和情感反应的信息在活动期间(1]。通过识别这些运动手势和掌握运动的时空特征,我们可以有效地识别和分析人类运动的动态过程,获得人体所传递的信息,从而实现智能分析、检测和其他智能应用程序(提供基本依据2]。人类运动手势识别的过程是基于运动目标检测,提取运动姿态的特性和自动分类和识别人体运动姿态通过分析提取的人体运动姿态特征信息(3]。传统的运动分析是获取运动训练教练和用它来通过实际观察的数据分析和制定培训和教学计划。因此,教练员的实际观察和经验分析的主要依据是运动员的训练计划的发展。然而,面对大量的训练一天又一天,教练就难以收集和总结和分析训练数据全面和详细的方式(4]。基于视频的运动分析是把运动员的视频信息的处理对象和获取的运动数据通过计算机视觉智能分析实现客观、高效的智能分析,这有助于运动员快速找出问题和专家训练过程中的操作要点。准确的计算机分析可以减少运动员受伤的概率,达到现代科学训练。

在面对当前体育视频分析研究中存在的问题,如低级视频功能不能准确反映人类高层语义概念,时间复杂度高,和行为识别算法识别精度低的传统的RGB视频和单一的使用功能不能满足现有视频数据的大规模增长及其复杂行为的识别,自动对竞技体育的描述,研究自由体操作为典型代表,具有理论研究意义和实际应用价值。在理论研究方面,自动运动描述研究是一个交叉的主题,集机器学习、模式识别、视频分析、计算机视觉、和认知科学提供了一个很好的研究对象为这些字段,可以促进相关学科的发展5]。人体运动视频的运动是非常复杂和巧妙,和体育视频分析更加困难和挑战而每天运动。体育视频的分析不仅可以带来更多的观看效果体育竞赛,还帮助教练分析比赛,帮助运动员在训练6]。通过自动理解的自由体操的研究,我们可以提高体育动作识别的准确性同时进行行动数据分析,探究的常规特征体操技术的发展创新,实现的功能协助培训(7]。例如,有关竞争对手为主要研究对象,分析之间的差距困难,编排和设置质量获奖和普通竞争者之间的运动,研究了自由体操运动的发展趋势和创新,并调整培训对策来提高运动员的技术水平。

在研究自动运动和更具体的描述研究的自动描述人类运动在体育视频,视频中人体运动分析是指特定人类运动的智能表现和标签出现在视频序列通过各种技术手段的计算机视觉和模式识别。因此,本文从三个方面分析了当前的研究现状:自动视频描述方法、体育视频内容研究,和人类运动视频分类。

2。相关的研究

普拉卡什等人提出的时空兴趣点的概念,提出了一个3 d哈里斯探测器。这种方法主要是基于二维的原则Harris角点检测的视频序列的时间信息,以便时空兴趣点可以检测到8]。王等人提出了一个高效的美元探测器通过使用高斯函数和Gabor小波函数,直接过滤视频9]。虽然时空兴趣点是一个经典优秀的局部特征描述算法,复杂的和可变光和背景,以及相机运动,使有趣的点检测方法效果欠佳,难以被应用到现实生活中。二束Gultekin等人提出的方法使用一个包含两个分支(CNN网络10]。空间分支以RGB图像作为输入来提取视频的外观特征,和颞分支以光学流图作为输入来提取视频的运动特性,然后是两个分支分别用于分类的运动,最后,结果融合使用的平均或支持向量机(SVM)方法(11]。Stachl等人结合传统特征提取DT方法和深度学习功能流密度方法和提出了一个方法来描述轨迹利用CNN网络改善行动的表示特性(12]。P-CNN马等人提出的方法结合了人体姿态信息和2-stream方法;首先,人体是划分为不同的肢体部分使用人类的姿态信息,然后是RGB图像对应于每个肢体部分熔融(13]。相对应的RGB图像和光学流地图每个肢体部分然后送入学习流网络特性,最后,线性支持向量机用于操作分类;同时,CNN特性结合DT特性来进一步提高识别的效果(14]。

一方面,注重机制引入改善现有算法模型改善自由体操的精度自动描述,然后尝试不同的卷积网络特征提取器分析特征提取的影响网络自由体操自动描述(15]。另一方面,自由体操视频自动描述问题转化为一个multilabel分类问题,和提取时间和空间特性表示视频中,一个3 d卷积神经网络用于特征提取器(16]。然后,构造二元分类器对个人分解动作,和每一个视频都要执行的二进制分类计算完成multilabel所有类别分类的过程。最后,分类结果连接到一个自由的自然语言描述。

3所示。人工智能特性变量设计

的过程中计算机视觉识别与人工智能分析完成通过视频运动目标检测的预处理,其处理效果直接影响了后续的高层视觉处理,如运动目标跟踪和识别,视频搜索和动作分析。然而,从现实生活中常常包含视频捕获的干扰因素,如天气、照明、和阴影的变化,导致背景图像也显示动态变化(17]。因此,运动目标检测算法的选择应考虑到实际应用环境和算法的实时特性。这种算法的检测效果主要取决于建立背景模型,并在实践中,背景模型通常是由环境因素干扰,主要以下干扰效果:改变照明,户外日光等乌云的短时间内,室内照明设备,与太阳和光线变化一整天;移动目标之间的关系和静态背景,如运动目标的位置在静止的镜头或静止一段时间后重新开始的运动变化;移动物体的阴影或其他物体反射造成的干扰,如光的阴影下移动目标本身或其他对象阴影和地板或镜像对象反思的运动目标的干扰;和背景的存在小的变化,如自然环境引起的微风摇曳的树枝,水的波动,和火灾产生烟雾。体育视频分析系统的产品图像技术和运动力学在体育中的应用,已成为不可或缺的重要手段,体育的发展。然而,运动视频分析系统仍有严重的缺点,主要是由于信息反馈缓慢和复杂的操作。体育视频拍摄后,需要大量的手工工作,需要一个或两个月甚至三个或四个月获取分析数据,使信息反馈严重滞后,无法实现实时监控,没有及时指导的价值。

算法得到的静态特性,如大小,颜色,轮廓,和形状;动态特性,如光流,速度,速度,和轨迹;时空特性,比如时空兴趣点,直接从视频或图像序列;或混合特性,融合不同的特性。因为它很难分类操作由一个功能,多个特性通常是在特征提取,提取和这些特性的格式通常是不一致的,所以提取的特征需要规范化,这样行动的特性可以按照一个统一的形式表示(18]。特征提取是第一个处理阶段行动识别过程,起着决定性的作用在整个算法的操作。特征选择的优点决定了动作识别算法的性能和高效的特性可以提高动作识别的准确性。本节介绍了特征提取方法在人类行为识别中,主要来自两个方面,全球特性以及地方特色,和常见的特征提取方法进行分类,如表所示1。

全球功能通常用于检测人或运动使用人工检测方法,然后得到人体的一些参数,如位置或速度或梯度,描述人类的动作。全球特征可分为明显的特征,运动特性和混合特性。常用的方法来表示这些全局特性包括运动能量图像(美),运动历史图像(MHI),光流特征,猪,霍夫。明显的特征通常包括人体的几何结构和轮廓,通过人体的运动,通常可以使用背景差分法来获取人体的轮廓。在这里,我们主要介绍两个经典动作识别使用明显特性的方法。

卷积网络使用至少一层的卷积神经网络(或关联现象)操作,而不是通用的矩阵计算。当构建一个模型时,级联卷积允许模型的多层水平更高的鲁棒性和更深层的学习功能。同时,当地接受卷积内核大小不同的领域是不同的,所以卷积层可以输出特性与不同的接受域和多尺度地图。如果使用一个二维卷积内核年代执行卷积操作的输入图像,它可以描述如下: K代表一个常系数,我和j代表的步骤数我th和jth步骤,米和n代表中的值米和n州。在一些深度学习软件框架,相互关联是经常用来代替卷积计算方便。相互关联和卷积等价之间的区别是,卷积内核不需要翻反时针期间使用。相互关联操作可以描述如下:

混合高斯背景建模的方法是基于参数的动态更新,以便它构建背景模型更好的适应性。基本原理是图像中每个像素点被认为是独立的,可以被K混合高斯分布,从3 - 5 K一般需要值。K高斯概率密度函数的加权和的概率可以表示每个像素值。 在哪里p和相应的概率是多少t的值是相应的时间。

当一个新的视频帧是一个输入,像素值x_t每一个新的输入比较反过来K模型已经建立了当前像素点在这个位置根据方程(3),D是信心的参数,通常为2.5。 其中D表示一个常数。后发现的极端值像素点海赛矩阵,特征点是由nonmaximum抑制方法。通过设置阈值,所有特征点小于阈值被丢弃,和检测到的特征点的数量增加的价值减少阈值,最后,几个最强的特征点进行标识。在特征检测的过程中过滤器的大小对应于使用规模层图像的分辨率。例如,在一个3×3过滤器,任何规模层图像点与周围8点18分,层上方和下方。如果特征值的点周围的像素值大于26分,关键是确定为该地区的特征点。这种方法更准确的分析预测的结果变化的特点,人体运动的时候,所以,减少运动伤害和医疗训练可以分析。

若基于函数的运动目标检测是一个矢量图像模型常用来检测像素的变化在两个相邻帧相同的位置。在这个模型中,假设每个像素在一个框架与周边像素(19]。每个像素在图像坐标系可以表示为一个向量,如图1;这个向量的组件包括中央像素和相邻的像素。检测在两帧图像像素位置的变化,这种支持地区可以通过执行测试线性独立的测试。如果在同一位置像素的线性无关的相邻帧对应的像素,像素,已经改变了。Lagosian基函数可以确定向量的线性相关或独立。

这是实验表明,若矩阵的行列式为零当两个像素是线性相关的。 (在哪里x,y)灰度值F_t(x,y),F_t−1(x,y)在不同的时刻,可以简化为如下方程: 和Lansdowne-based运动目标检测器应用于具有时空属性的像素区域,如图1代表了像素点(x,y)支持的地区,所示图像帧窗口大小为3×3。在一个特定位置(x,y),一个Lagosian基函数是用来检测框架之间的变化关系t和框架y+ 1,见以下方程:

若矩阵相关性和像素的价值判断,若矩阵判断间隔五帧图像的像素点的变化,判断选择间隔5帧的不同视频得到5帧的测试可以产生鬼影,因为鬼影子区域快速生成和固定在每一帧;通过若函数来判断像素点的运动,同时考虑像素的值,我们可以找到鬼影子区域。鬼区域的像素点被认为是模板更新的背景抑制鬼影子的影响后续运动目标检测;得到一个清晰的运动目标,减少造成的噪音和干扰nonblurred边缘,为后续处理提供准确的信息。

3.1。实验设计的运动时刻功能建设和提取

特征融合是指融合算法获得特征向量的fusion-optimized组合当面对多种类型和特征向量的维度,熔融特性集反映了信息的互补性,但也降低了信息的冗余和确保算法的实时性能。基于搜索的特征融合方法的目的是选择一个子集与区分能力强的特征信息的多源特征信息,并与其他特征融合算法相比,这种算法具有较强的分类,同时减少维数(20.]。其中,遗传算法的染色体编码二进制、简单,且易于处理;它可以获得全局最优解的优化问题,优化结果与初始条件无关,具有良好的鲁棒性;的问题已经解决了人口和其固有的并行性。从上面的,遗传算法可以实现有效的筛选功能,因此特征向量维数降低。因此,融合后的新的特征向量集有助于提高运动造成识别率和算法的效率。

视频中,由于摄像机是运动的,也有许多在后台轨迹,和轨迹的人很大程度上影响了相机的运动。这信息不是很相关的动作识别和干扰信息。所以,它需要识别和消除这些轨迹。的运动轨迹也计算通过计算光流信息。因此,密集采样的图像后,摄像机运动估计需要消除背景干扰信息更好的轨迹跟踪和特征提取。

k数据集和HMDB51数据集用于实验。k数据集包含2391个视频序列,获得25个人执行所有操作在4相对同质的背景情况下,涉及6个日常人类行为,即步行、慢跑、跑步、拳击、挥舞,鼓掌。每个行为都有至少100的视频样本。因为这个数据集的数据来源主要是影片剪辑和网络视频,其组内变异很大,这是一个最具挑战性的行为识别的数据集。方差的同质性测试是数理统计的方法来检查不同样本的人口方差是否相同。基本原理是首先对人口的特点做出某种假设,然后推断这个假设是否应该拒绝或接受通过抽样研究的统计推理。

人类大脑的不同部分不同关注信号处理时,被称为视觉注意力机制。人类的视觉集中在获得目标区域,通常称为关注的焦点,通过快速扫描全球形象,然后将更多注意力资源投入到这一领域获得更详细的信息关于目标是关注和抑制其它无用的信息。是测试样本的均值之间的差异是否与一个已知的总体均值是显著的。人口分布是正态分布时,如果总体标准偏差是未知的和样本容量小于30,然后样本均值之间的偏差和总体均值统计分布t。需要利用注意力机制的原因本文非常直观;决定性的视频帧的自动描述自由体操分解动作应该是方法,方向,和运动员的身体翻转角度,这些视频帧应该更大的重量。本文使用一个注意力机制,它允许解码器权衡每个时间自由体操视频的特征向量。图2说明了网络结构的引入后注意机制。

本章的硬件环境是英特尔酷睿i5 - 4590 CPU, 3.30 GHz, 4 GB内存,软件环境下Matlab2015b Ubuntu 14.04系统。k数据集的平均处理速度为37.2243帧/秒,而HMDB51数据集特征点由于更多的相机震动,更多的互动行为,行为,和强烈的随机性和平均处理速度为9.2665帧/秒(21]。支持向量机参数的平均培训时间为每个行为类别为k数据集是6.23 s,和5倍交叉验证的平均适应时间是31.15。SVM为HMDB51数据集的平均培训时间是3.03秒,平均计算时间是15.16秒。计算的复杂性T参数的搜索一个特定的行为类的数量取决于人口规模N和迭代nAMPSO的算法。因为每个行为类的支持向量机参数的搜索过程是相互独立的,与使用多台计算机的并行计算策略。在测试分类阶段,由单个模型的平均时间歧视行为类别的视频片段是6.83毫秒。从一对多策略用于解决multicategory问题,整个分类过程的计算时间是6.83×女士米,在那里米表示行为类别的数量。

使用AMPSO RBF-SVM的参数优化算法k和HMDB51数据来验证该方法的有效性。k数据集,中层语义表达式的视频段分别计算,和全球的视频片段的表达实验体2,3,5,6,7,8,9,10日和22日作为测试样本集,其余用作训练集(22]。在优化搜索过程的模型参数γ和C,当前行为类别的训练集作为正样本和负样本,其余部分和相应的二元分类模型训练的六个行为使用LIBSVM工具箱。当人口规模N= 20,γ设置为3和5倍交叉验证来获得不同参数下的分类精度作为当前粒子健身。也,因为每个视频片段是41984的费舍尔向量维度和训练集样本的数量很大,终止迭代的数量设置为50参数搜索过程中减少时间成本。我们只更改一个相同的参数。本文的变化相应的隐藏层的数量,而其他参数保持不变。在这篇文章中,没有公式或观察参数的调整原则。我们根据我们的经验调整。

将该分类模型应用于人体运动姿态识别的过程中,每一个动作构成样本特征信息包含两个独立的特征信息,然后特征融合multicategory需要建立分类模型。训练样本的特征信息的特性数据获得的视频标准视频数据库,和两种功能可以从每个类的视频中提取,即。融合功能和过滤功能。本文的两种类型的特征训练样本训练分别生成两个分类模型,并提取这两种类型的特性测试样品和两个分类器的输入,分别和两个multicategory分类器得到各自的投票结果根据测试样本的特性,分类投票结果总结和分类融合得到最终的累积值票,和相对应的类别选择最大累积值作为最后的决定范畴。

4所示。分析的结果

4.1。技术特征融合和行为的分类

尽管提出HM-FT特性可以细化密集采样点的运动边界地区演员,该方法缺乏必要的纠正措施前景轨迹漂移由摄像机运动引起的。出于这个原因,我们采取的策略融合HM-FT特性与IDT功能削弱上述问题。IDT是DT特性的修改版本,可以提供一个合理的摄像机运动估计的信息和正确的密集的轨迹,削弱相机运动特性性能的影响,并使轨迹特性更侧重于描述演员从全球的角度来看。本文研究的对象只能是人类和不能用于其他动物的研究。具体来说,IDT功能以来首次假设一个单一张力变换关系图像相邻帧之间变化相对较弱。随后,镜头运动估计问题是通过计算相邻帧之间的单个响应矩阵来解决。

图3显示了测试sub-JHMDB数据集上的混淆矩阵;虽然测试样品的数量相同的行为是不同的三个子集,HM-FT特性一直准确等行为“打高尔夫球”和“打篮球。“HM-FT特性的准确性等行为“打高尔夫球”和“打篮球”始终是好的。同时,这两个行为“爬楼梯”和“行走”可以很容易地相互混淆。与后者相比,“爬楼梯”的轨迹往往会增加,但由于相机总是调整镜头的中心目标,变得太弱的区别作为有效区别的信息。

从上面的混淆矩阵,可以推断,尽管HM-FT特性有效地抑制背景轨迹的干扰行为识别,然而,该方法不是完全有效的两个行为高度相似的运动模式。未来的工作将集中在识别motion-related互动场景中的对象提供更多必要的语义信息行为过程,有效地提高整体识别框架的鲁棒性。

从图可以看出4识别精度,IDT特性表现出高于其他轨迹特性sub-JHMDB和佩恩行动数据集,分别HM-FT特性优于2.3%和3.4%。作为一个改进版的DT, HM-FT特性提高了原算法的识别率10.1%和6.2%的两个数据集,分别,这表明最初的DT的识别性能显著提高后有效地过滤掉背景干扰轨迹。本章还使用了两个最先进的特点检测方法生成单独的面具和相应的轨迹特征的识别性能测试在两个数据集的基于上述框架。然而,这两种方法的识别精度明显低于HM-FT使用多尺度混合面具,这可能是由于缺乏处理失败的特点检测。事实上,由于固有的挑战卓越检测和行为性质的视频,它并不包含重要的移动对象的视频帧,凸起的检测算法是不足以提供可靠的先验信息轨迹特性没有任何辅助策略。

HM-FT的融合策略和IDT达到更好的行为识别精度比其他五个方法在这两个数据集,分别达到了68.3%和93.3%。得出该特性融合框架可以有效地利用两者之间的互补性轨迹特性来有效地提高识别性能的总体框架。

不同的轨迹特征的识别结果比较每个行为类别在两个数据集。sub-JHMDB数据集的可视化的比较结果,识别精度的商行为类别被定义为被正确分类的样本数量在3子集,所有测试样品的数量。可视化的计算复杂度提出HM-FT特性,其性能与三个轨迹特征提取方法在三个方面,包括时间花在处理视频帧,每个视频轨迹的平均数量,和识别精度。在实验中,12个视频剪辑从sub-JHMDB数据集随机提取的分辨率为320×240和14个视频剪辑从佩恩行动中提取数据集的最小分辨率480×270的最大分辨率480×393。测试结果如图5。

拟议中的HM-FT特性进一步过滤掉无效的采样点的多尺度混合面具产生最小数量的密集的轨迹,这进一步降低了计算成本需要跟踪采样点与DT-MB相比。然而,最后计算消费HM-FT大于原来的两个数据集DT由于运动前景检测所需的额外计算成本的方案。然而,我们可以看到在图5,HM-FT的计算消耗的缺点是进一步削弱随着图像分辨率的增加和更多无效的采样点是过滤掉,和DT HM-FT大大提高了识别精度。权衡而言,有效的选择倾向于提高识别率的行为在一个较小的计算成本。

4.2。参数敏感性评价结果

HM-FT的性能之间的关系和两个参数补偿方案如图6。总的来说,增加的基准轨迹的数量从0到5在两个数据集可以提高整体的识别性能,同时增加基准轨迹的数量从5到10会导致严重的性能下降。在的情况下 和d< 5,增加基准的采样点的数量提高了性能,可能是因为样品与前景检测偏差合理修正。最后,本章将两个参数设置为 和d= 5,分别实现良好的性能和计算之间的妥协。

获得轨迹密切相关的演员和过滤掉许多无效的背景轨迹,生成的多尺度混合面具用来改进原密集采样点。混合面具是由一个加权和的弱显著地图优化同步更新机制的β细胞自动机和强劲的凸起地图使用MKB方法获得。开的策略是用来确保前景检测结果更为合理和有效的。最后,必要的补偿方案旨在提高提出的容错功能。实验结果表明,HM-FT特性有效地提高识别精度的原始DT。同时,区别的整体识别框架的性能可以通过使用一个特性显著提高融合策略。本文算法的精度提高了5%与先前的研究结果相比,进步非常大。

生成的建议时间行为提名法应用于颞行为检测进一步评估该方法的性能。行为检测不仅定位行为的界限,也标识所有action类。因此,本章的方法生成的建议发送到动作分类器在CBR网络行为检测实验。地图是评价建议使用平均200建议生成视频tIoU阈值的{0.1,0.2,0.3,0.4,0.5,0.6,0.7}。时间行为检测的结果在图所示7。从图7添加attention-guided网络之后,以低借据行为检测效果有很大的改善要求;在高tIoU要求,效果改善不明显。同时,它与当前的行为检测算法相比基于弱监督学习。从图中的结果7在本章中,该方法优于其他弱监督学习方法在tIoU = 0.5。这是因为这一章中的方法使用一个完全监督和关注机制的策略,这是优于弱监督学习方法一定程度上。

我们通常算法自动调节参数。为了验证本文算法的识别效果,实验是进行k,佛罗里达大学体育,和好莱坞与密集的轨迹数据集方法在两个主要方面;最后,实验结果本文通过比较算法获得不同的文献。本文改进的密集的轨迹行动识别方法提高了冲浪算法通过引入技术成功创造出来建设性的金字塔和rBRIEF特征描述符,使用改进的冲浪算法优化光学流删除相机运动的影响,然后介绍了一种改进的特征融合方法来提高识别的准确性。原始茂密的轨迹用弓的编码方法,所以比较的效果改进的冲浪和改进的特征融合方法的识别率时使用相同的编码方法,本文的改进方法的编码方法设置为弓,和其他参数设置不变;然后,图8显示了准确率的提高密集的本文的轨迹行动识别方法和原始茂密的轨迹比较。

从图8密度,我们可以看到改进的轨迹运动识别方法使用弓编码并不能提高精度的k数据集,主要是因为k数据集的背景简单,摄像机是固定的,所以精度改善不明显。、中佛罗里达大学体育和Hollywood2数据集的精度提高了1.3%和2.5%,分别主要是因为有更多的相机运动在这两个数据集,和改进的密集的轨迹运动识别算法可以有效地抑制摄像机运动的影响。

提出了改进的特征融合方法,其次是减少几个共同特征和聚类方法,以及弓模型的编码方法和费舍尔向量,最后,人类运动分类和识别。改进的算法在本章实验k,佛罗里达大学体育,和好莱坞的数据集。通过实验,改进后的摄像机运动估计显示,提高识别结果,弓模型的编码方法和费舍尔向量识别结果显示影响行动。动作识别算法的效率,基于改进的验证功能融合在这一章。从实验结果,本章算法可以更好地消除摄像机运动的干扰信息,提高动作识别的准确率。

5。结论

由于人类运动的空间任意姿势,很难全面描述单一特征的运动姿态信息,而多个特性的复杂的信息虽然全面描述,但计算量和冗余。描述人体运动姿势准确和有效,本文提出一种multifeature融合人体运动姿态特征模型基于四个特征作为人体运动姿态特征描述符,和四个功能可以获得39-dimensional特征信息的提取,用于融合的优化。遗传算法作为特征矢量优化算法基于高效可搜索性和鲁棒性的优点,及其初始二进制编码方法是特征选择和表达方便,和均值-方差比率为基础构建一个可微的适应度函数在多个类别根据相似的特点和intercategory特性数据,实现大组内稳定和组内的变化的最优选择功能在多个类别。反过来,每个类之间的运动构成的独立是保证。我们只改变一个相同的参数,其他参数保持不变。基于遗传算法的优化特性有助于提高识别效率,降低计算复杂度。在特征融合和行动识别方面,我们提出一种加权特征融合方法来表达特性和识别行为,主要用于提取单一特征的识别率较低的问题,并直接结合的特性。传统的密集trajectory-based动作识别方法也在研究,和实验结果比较和分析改进的密集trajectory-based动作识别方法提出了本文结果和实验数据表明,该改进密集trajectory-based动作识别方法提出了具有一定的优势。

数据可用性

数据共享不适用本文没有生成数据集或分析在当前的研究中。

同意

知情同意是获得所有个体参与者包括在这项研究中引用

的利益冲突

作者宣称没有利益冲突。

引用

1. f .香港和y王”,为运动训练设计计算机交互系统的基于人工智能和改进的支持向量,”《智能与模糊系统,37卷,不。5,6165 - 6175年,2019页。视图:出版商的网站|谷歌学术搜索
2. 薛b和t·刘,“情感模型研究基于人工智能的体育场情感计算,”集群计算,22卷,不。6,14927 - 14933年,2019页。视图:出版商的网站|谷歌学术搜索
3. d . c .安格斯,”人工智能的随机临床试验”,《美国医学会杂志》,卷323,不。11日,第1045 - 1043页,2020年。视图:出版商的网站|谷歌学术搜索
4. y,“人工智能:调查进化模型,应用和未来趋势,”期刊的管理分析》第六卷,没有。1、1至29,2019页。视图:出版商的网站|谷歌学术搜索
5. t . Toyao z Maeno, s . Takakusagi t . Kamachi i Takigawa, K.-I。清水,“机器学习催化信息学:最近的应用和前景,”ACS催化,10卷,不。3、2260 - 2297年,2019页。视图:出版商的网站|谷歌学术搜索
6. j . Odry m·a·鲍彻p . Cantet s Lachance-Cloutier r . Turcotte和p . y .圣”使用人工神经网络估计雪雪从水当量深度,“加拿大水资源期刊/ Revue法裔加拿大女子Des Ressources Hydriques,45卷,不。3、252 - 268年,2020页。视图:出版商的网站|谷歌学术搜索
7. g·纳r . i Minu, a Jayanthila井斜,“最佳非参数贝叶斯模型多通道BoVW创建使用多层向量,”电路、系统和信号处理,39卷,不。2、1123 - 1132年,2020页。视图:出版商的网站|谷歌学术搜索
8. c·普拉卡什·r·库马尔,n .米塔尔”最近的事态发展在人类步态研究:参数,方法,应用机器学习技术,数据集和挑战,”人工智能审查卷,49号1、第1 - 40页。2018。视图:出版商的网站|谷歌学术搜索
9. c . Wang z李:戴伊et al .,”导向的基于梯度的足底压力图像的直方图特征提取和分类采用模糊支持向量机,”医学成像和卫生信息学杂志》上,8卷,不。4、842 - 854年,2018页。视图:出版商的网站|谷歌学术搜索
10. e . Gultekinİ。侯赛因·s·Nohut, s·k·埃尔玛”预测空气渗透率和孔隙度的非织造布与图像处理和人工智能方法,”纺织协会的杂志上,卷111,不。11日,第1651 - 1641页,2020年。视图:出版商的网站|谷歌学术搜索
11. h·j·埃斯卡兰特s Rodriguez-Sanchez m . Jimenez-Lizarraga a . Morales-Reyes j . De La Calleja r·巴斯克斯,“大麦产量和施肥从无人机图像分析:深度学习的方法,”国际遥感杂志》上,40卷,不。7,2493 - 2516年,2019页。视图:出版商的网站|谷歌学术搜索
12. c . Stachl f . Pargent s希尔伯特et al .,“人格研究和评估机器学习的时代,“欧洲个性杂志,34卷,不。5,613 - 631年,2020页。视图:出版商的网站|谷歌学术搜索
13. 马和太阳,“机器学习和人工智能在人类见解marketing-connecting计算能力,”国际市场营销研究杂志》上,37卷,不。3、481 - 504年,2020页。视图:出版商的网站|谷歌学术搜索
14. h . Babajanian Bisheh, g . Ghodrati Amiri m . Nekooei和e . Darvishan”损伤诊断的斜拉桥使用特征提取和选择方法,”结构和基础设施工程,15卷,不。9日,第1177 - 1165页,2019年。视图:出版商的网站|谷歌学术搜索
15. p . Vračar大肠Štrumbelj, i Kononenko“自动属性建设篮球造型,”知识和信息系统,卷62,不。2、541 - 570年,2020页。视图:谷歌学术搜索
16. n . d . Schilaty n·a·贝茨s Kruisselbrink a . j . Krych t·e·休伊特,“线性判别分析成功地从生物力学变量预测膝盖受伤的结果,“美国运动医学杂志》上,48卷,不。10日,2447 - 2455年,2020页。视图:出版商的网站|谷歌学术搜索
17. f·德·格罗夫,k . Boghe和l . De Marez”(什么)可以从监督机器学习新闻学的研究学习?”新闻研究,21卷,不。7,912 - 927年,2020页。视图:出版商的网站|谷歌学术搜索
18. m .井上,s .井上和t . Nishida”移动人类活动深度递归神经网络识别高吞吐量,”人工生命和机器人,23卷,不。2、173 - 185年,2018页。视图:出版商的网站|谷歌学术搜索
19. m·a·k·奎德和a·塔拉”可穿戴传感器基于人类行为模式识别使用统计特性和遗传算法,再加权”多媒体工具和应用程序,卷79,不。9 - 10,6061 - 6083年,2020页。视图:出版商的网站|谷歌学术搜索
20. h·沙拉al omari, j . Alwidian r . Al-Hamadin和t . Tawalbeh”数据流管理更好的机器学习功能和结果为物联网服务和其他应用程序:一个调查,“计算机科学期刊,15卷,不。10日,1572 - 1584年,2019页。视图:出版商的网站|谷歌学术搜索
21. g .罗兰·g·汉弗莱斯,l·杰弗里·e·萨马拉斯t . Antsoupova和k·斯图尔特,”比人类更人性化?人工智能的档案。”档案和手稿卷,47号2、179 - 203年,2019页。视图:出版商的网站|谷歌学术搜索
22. t . Schaffter d s m . Buist博士c i李et al .,“评价结合人工智能和放射科医师评估x光检查解释,“《美国医学会杂志》网络开放,3卷,不。3 p . e200265 2020。视图:出版商的网站|谷歌学术搜索

版权

版权©2021张赵等。这是一个开放的分布式下文章知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。