论文部分内容阅读
随着机械制造业的发展,使用人体动作识别技术的智能机器人为高效的人机协同装配提供了现实可能。机器人通过对人类的动作进行识别理解,可以更好的与人类协同工作,进而大幅提高生产效率。除此,人体动作识别还被广泛的应用于智能安防、智能家居、智能医疗等生产生活多个领域。本文通过动作数据特征提取、动作识别模型构建、人体连续动作的分割识别三个主要方面实现了人体动作的识别研究。建立了人体动作模型。对人体原始3D骨架数据进行均值滤波处理以消除可能存在的数据噪声。在主要关节点构成的人体骨架简化模型的基础上建立了以肢体夹角和相对距离构成的静态特征,关节动能和肢体夹角的角加速度构成的动态特征,并对静态特征和动态特征进行了特征融合以表征人体动作。通过关键帧提取模型筛选出动作序列中具有明显变化的动作帧,剔除变化不明显的动作帧,以实现提高动作识别准确率,降低计算量。构建了基于LSTM神经网络以及基于Bi-LSTM神经网络并融入注意力机制以及Dropout的两种人体动作识别模型。首先采用LSTM神经网络对人体动作进行识别分类,再采用Bi-LSTM神经网络并引入注意力机制和Dropout来弥补LSTM神经网络在人体动作识别中存在的不足,Bi-LSTM神经网络可以提取到更加全面的信息,注意力机制实现对主要信息增加关注度,Dropout来防止神经网络的过拟合。接着对这两种动作识别模型做出对比。采用正交试验法对神经网络中的几个主要参数进行优化,最终取得了较高的识别率。研究连续动作识别方法,构建了连续动作的识别模型。针对自然连续动作,给出两种人体连续动作分割识别方法。提出基于能量学的人体连续动作分割方法,利用人体动作时能量值高于过渡动作的总体思路完成划分。接着给出基于滑动窗口结合神经网络分类器进行连续动作分割识别的方法,对连续动作中的动作边界点进行识别检测,对得到的边界点再利用筛选机制完成最终边界点的划定。相对于其他方法,取得了较好的分割识别结果。