《表2 各种方法在NTU-CV数据集上的实验结果比较》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《基于关节空时特征融合的人体行为识别》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

为了验证KPCA-XGBoost识别算法的有效性，我们将本文所述的方法与其它基于人体骨架信息的行为识别算法相比较，表1和表2分别给出了在两种数据集上不同方法的表现。实验结果表明：在MA-3D数据集上，采用KPCA-XGBoost算法进行人体行为特征分类，准确率达到94.52%，优于Nguyen等[15]提出的PCA-SVM算法。在NTU-CV数据集上，与几种先进的行为识别算法相比，本文提出的行为特征分类算法亦表现更佳。