目录 前言 人体动作的识别和预测 (1) 人体骨架表示 (2) 视频图像表示 (3) 三维模型表示 相关工作 2.1 静态点云神经网络 2.2 长短期记忆网络 2.3 MeteorNet 2.4 参数化人体建模 基于 PointNet 和 LSTM 的点云动作序列预测 3.1 网络架构 3.1.1 点云特征提取 3.1.2 时序特征提取 3.1.3 损失函数 3.2 数据集介绍 3.3 实验结果和分析 3.3.1 实验环境及参数设置 3.3.2 预测结果 3.3.3 消融实验 3.3.4 鲁棒性 3.3.5 实验比较 基于 MeteorNet 的点云动作序列预测 4.1 网络架构 4.1.1 点云融合和分组 4.1.2 Meteor 模块 4.1.3 全连接神经网络 4.1.4 损失函数 4.2 实验结果与分析 4.2.1 实验环境及参数设置 4.2.2 预测结果 4.2.3 消融实验 前言 人体动作预测在计算机视觉和图形学领域具有重要意义,广泛应用于智能 系统、人机交互和自动驾驶等领域 [1] 。目前,对人体动作的识别和预测主要是基 于骨架 [2-12] 或图像 [13-21] 表示。骨架表示的人体动作相对简洁,但无法展示人体的 形态信息,如高矮胖瘦等。图像是三维世界的二维投影