简介:动作是体育运动的关键技术,要规范运动员动作,不但使他们的运动成绩能够达到或接近最高水平,同时也可以避免运动员积累型运动损伤,达到这样的训练目的就需要科学的方法。目前,我国已经建立了标准动作多媒体视频数据库,利用了一种双通道目标运动检测算法,结合了运动检测技术和人的行为理解方法,实现了感知技术对体育动作量化分析和体育动作模式识别。针对乒乓球快速多变特点,以及手腕动作的精细变化与球拍的较高关联度,对乒乓球和乒乓球拍建立了离散小波变换的空时模型,剔除运动模式识别中的噪声孔洞有助于提高检测的正确性。通过定性分析和实验结果,这种基于双通道混合算法的乒乓球运动决策系统能够较为准确的识别乒乓球运动中的有误动作,为及时更正动作提供了科学和有效的依据。
简介:摘要:人类活动识别(HAR)是许多应用中的一项重要任务, 例如智能家居, 运动分析, 医疗保健服务等。涉及计算机视觉和惯性传感器的人类活动识别的流 行模式在解决 HAR 的文献中, 但是, 它们在不同的照明, 背景, 杂乱, 突兀性和 其他因素方面面临严重的限制。近年来, 基于 WiFi 信道状态信息(CSI) 的活动 识别因其易于部署和成本效益等诸多优势而发展势头迅猛。这项工作提出了 CSITime,一种改进的 InceptionTime 网络架构,一种基于 CSI 的人类活动识别 的通用架构。我们将 CSI 活动识别视为一个多变量时间序列问题。 CSITime 的方 法论有三个方面。首先, 我们使用两种标签混合策略预处理 CSI 信号, 然后进行 数据增强, 以增强神经网络的学习。其次, 在 CSITime 的基本块中, 来自多个卷 积内核的特征被连接起来并通过一个自注意层,然后是一个具有 Mish 激活的全 连接层。 CSITime 网络由六个这样的块组成, 然后是全局平均池化层和最终的全 连接层, 用于最终分类。第三, 在神经网络的训练中, 我们没有采用提前停止等 一般的训练程序, 而是使用单周期策略和余弦退火来监控学习率。所提出的模型 已经在公开可用的基准数据集、 ARIL、StanWiFi 和 SignFi 数据集上进行了测 试。所提出的CSITime在ARIL、StanWiFi 和 SignFi 数据集上分别实现了98.20%、 98%和 95.42%的准确率,用于基于 WiFi 的活动识别。这比 ARIL,StanWiFi 和 SignFi 数据集的最新精度分别提高了 3.3%,0.67%和 0.82%。在 SignFi 数据集 的实验室 5 用户场景中,该数据集具有来自不同分布的训练和测试数据,我们 的模型实现的准确率比最先进的模型高 2.17%,这表明我们的模型具有相对稳健
简介:本文提出了基于视差和帧差运动检测的立体视频对象分割算法,该算法结合了视差图分割和多次帧差运动分割的优点,首先对视差图进行分割得到处于不同视差层的目标初级分割模板。然后在模板区域内进行多次帧差运动检测,并且利用边缘检测修正对象边缘,最终得到精确运动目标。在立体视频对象分割的基础上,在MPEG-4的模型上实现了基于对象的立体视频编码。即左通道对象采用普通的MPEG-4编码,右通道对象进行两种方式的预测:一种是基于右通道先前帧图像的MCP(Motioncompensationprediction)方式,另一种是基于左通道图像对应帧的DCP(Disparitycompensationprediction)方式。然后从中选择预测误差较小的一种。仿真结果表明该方法可以得到良好的重建图像质量,兼容国际标准,易于实现。