《表3 本文方法以及现有方法的识别率》
表3中为9组实验的平均识别率,以及现有人体行为识别方法的识别率。从结果可以看出,本文提出的基于骨骼关节点投影特征的人体行为识别方法在Test Two和Cross Subject Test中的多组实验中的识别率都超过了Li的方法,原因是Li使用的深度信息包含大量噪声,在提取HOG特征时受到了较大影响,说明本文提出的方法在解决深度数据噪声过多这方面是有效的。但在AS2数据集中,本文的识别率都低于Li的,是因为AS2中存在很多相似的动作,如高处挥手、抓、画叉、画勾和画圆,这些动作中手的运动轨迹和相对身体位置相似,导致累加后子格中的骨骼数量大致相同,说明本文在识别相似动作方面还有待提高。
图表编号 | XD00140362300 严禁用于非法目的 |
---|---|
绘制时间 | 2019.12.25 |
作者 | 黄潇逸 |
绘制单位 | 四川大学计算机学院 |
更多格式 | 高清、无水印(增值服务) |