由于煤炭生產(chǎn)的特殊性與危險(xiǎn)性,煤炭生產(chǎn)過程中安全事故常有發(fā)生,其中人為因素占極高的比例,因此研究礦井工作人員的違規(guī)行為十分必要.針對人體行為識別中傳統(tǒng)的動態(tài)時間規(guī)整算法經(jīng)常出現(xiàn)的奇異點(diǎn)和時間復(fù)雜度問題,提出一種分段線性逼近結(jié)合自適應(yīng)權(quán)重動態(tài)時間規(guī)整算法.對該算法進(jìn)行了仿真以及實(shí)驗(yàn),該算法在SDU Fall Dataset數(shù)據(jù)集的平均識別率達(dá)到了95.33%,平均識別時間減少了46.47%,在煤礦井下使用該系統(tǒng)進(jìn)行測試,結(jié)果表明所提出的算法在識別速度和準(zhǔn)確率上均有一定程度的提高. 

【文章來源】：湖南大學(xué)學(xué)報(bào)(自然科學(xué)版). 2020,47(04)北大核心EICSCD

【文章頁數(shù)】：7 頁

【部分圖文】：

奇異點(diǎn)示例

實(shí)驗(yàn)采用山東大學(xué)SDUFall Dataset數(shù)據(jù)集進(jìn)行算法性能的驗(yàn)證.該數(shù)據(jù)集包括彎腰、跌倒、躺下、坐下、蹲下以及行走等6個動作，這6個動作由20個人分別完成，每個實(shí)驗(yàn)者對這6個動作都執(zhí)行10次，每個動作都將拍攝角度、身體部分被遮擋以及光照強(qiáng)弱等因素考慮在內(nèi).拍攝視頻格式的幀數(shù)是30幀/s，像素分辨率為640×480，動作長度為5.6 s.圖2(a）為數(shù)據(jù)集中初始時間序列（實(shí)線）及其變形序列（虛線）.圖2(b)～2(d）分別代表DTW、DDTW和PLA-SWDTW對圖2(a）中序列的映射結(jié)果.圖3顯示了該數(shù)據(jù)集中不同動作的幀序列圖像.使用DTW、DDTW和PLA-SWDTW 3種算法分別對該數(shù)據(jù)集的6個動作進(jìn)行映射實(shí)驗(yàn).表1為3種算法的平均錯誤映射數(shù)量.圖2 3種算法對原始時間序列的映射結(jié)果

3種算法對原始時間序列的映射結(jié)果

【參考文獻(xiàn)】：
期刊論文
[1]基于視覺的人體動作識別綜述[J]. 胡瓊,秦磊,黃慶明.  計(jì)算機(jī)學(xué)報(bào). 2013(12)

博士論文
[1]煤礦事故隱患排查與管控關(guān)鍵技術(shù)及應(yīng)用研究[D]. 韋釗.中國礦業(yè)大學(xué)(北京) 2018

碩士論文
[1]煤礦井下視頻多目標(biāo)軌跡跟蹤方法研究與應(yīng)用[D]. 賈偉.西安科技大學(xué) 2017



本文編號：3309921