基于骨骼信息的时空潜在动作单元鲁棒事件检测
计算机视觉与模式识别
2021-10-04 v2 人机交互
摘要
本文提出一种新颖的字典学习方法来检测从RGBD视频中提取的骨骼信息所表示的事件动作。该事件动作由若干潜在原子表示，并由潜在的空间与时间属性构成。我们以跌倒事件检测为例应用该方法。骨骼帧通过初始K-means方法聚类。每帧骨骼被赋予一个可变权重参数并输入我们的渐进式在线字典学习（GODL）算法。在训练过程中，离群帧将通过减小与代价成反比的权重而被逐步过滤。为了严格区分事件动作与相似动作并鲁棒地获取其动作单元，我们为每个子动作构建潜在单元时间结构。我们在NTURGB+D数据集的部分数据上评估所提方法，该部分包含209个跌倒视频、405个扶起视频、420个坐下视频以及280个包含46种其他动作的视频。我们给出了所达成准确率、召回率与精确率的实验验证。与其他现有字典学习方法相比，我们的方法在人员跌倒事件检测的精确率与准确率上取得最佳性能。随着噪声比增大，我们的方法仍保持最高准确率与最低方差。
引用
@article{arxiv.2109.02376,
title = {Robust Event Detection based on Spatio-Temporal Latent Action Unit using Skeletal Information},
author = {Hao Xing and Yuxuan Xue and Mingchuan Zhou and Darius Burschka},
journal= {arXiv preprint arXiv:2109.02376},
year = {2021}
}
备注
2021 IROS