融合人体骨架和姿势信息特征的轻量级人体动作识别方法

针对人体动作识别任务中特征值选取不当导致识别率低、使用多模态数据导致训练成本高等问题，提出一种轻量级人体动作识别方法。首先使用OpenPose、PoseNet提取出人体骨架信息，使用BWT69CL传感器提取姿势信息；其次对数据进行预处理、特征融合，对人体动作进行深度学习分类识别；最后，为验证此方法的有效性，在公开数据集WISDM、UCIHAR、HASC和自建的人体动作数据集上进行实验验证，并使用改进的目标引导注意力机制(target-guided attention,TGA)–长短期记忆(long short term memory,LSTM)网络输出最终的分类结果。实验结果表明，在自建数据集下融合姿势和骨架特征达到99.87%准确率，相比于只使用姿势信息特征，识别准确率提高了约5.31个百分点；相比于只使用人体骨架特征，识别准确率提高了约1.87个百分点；在识别时间上相比于只使用姿势信息，识别时间降低了约29.73 s；相比于只使用人体骨架数据，识别时间降低了约9 s。使用该方法能及时有效地反映人体的运动意图，有助于提高人体动作和行为的识别准确率和训练效率。