基于长短时记忆网络的人体姿态检测方法

最新推荐文章于 2025-05-22 10:26:04 发布

xifenglie123321

最新推荐文章于 2025-05-22 10:26:04 发布

阅读量340

点赞数

文章标签：计算机视觉目标检测深度学习

本文链接：https://blog.csdn.net/xifenglie123321/article/details/129443671

版权

文章提出了一种基于LSTM的人体姿态检测方法，利用智能手机中的传感器收集时序数据，创建了包含多种行为姿态的数据集。实验结果显示，与浅层学习、全连接神经网络和卷积神经网络相比，LSTM在姿态检测的准确性上提高了4.49个百分点，证明了其在处理时间序列数据和姿态检测中的优越性能。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

摘要： 针对在循环神经网络（RNN）网络结构下较为遥远的历史信号无法传递至当前时刻的问题，长短时记忆（LSTM）网络作为RNN的一种变体被提出，在继承RNN对时间序列优秀的记忆能力的前提下，LSTM克服了这种时间序列的长期依赖问题，并在自然语言处理与语音识别领域有较好的表现。对于人体行为动作中也存在作为时间序列的长期依赖问题与使用传统滑窗算法采集数据时造成的无法实时检测的问题，将LSTM扩展应用到人体姿态检测，提出了基于LSTM的人体姿态检测方法。通过目前智能手机中一般都带有的加速度传感器、陀螺仪、气压计和方向传感器实时采集的时序数据，制作了包含3336条带有人工标注数据的人体姿态数据集，对行走、奔跑、上楼梯、下楼梯和平静五种日常持续性行为姿态与跌倒、起立、坐下和跳跃这四个突发行为姿态进行预测分类。对比LSTM网络与该研究领域内常用的浅层学习算法、深度学习全连接神经网络与卷积神经网络，实验结果表明，所提方法使用端对端的深度学习的方法相比基于所制作数据集的人体姿态检测算法模型的正确率提高了4.49个百分点，验证了该网络结构的泛化能力且更适合姿态检测。

关键词: 长短时记忆网络, 人体姿态, 多传感器,