【论文阅读】Action Recognition Based on Joint Trajectory Maps Using Convolutional Neural Networks
这篇文章也是属于正交编码图的方法之一,只不过该论文投影的是关节点轨迹,其整个论文形式和累积关节点的论文差不多一致的。
网络结构
整个网络结构如上图所示,骨骼序列首先生成3张正交编码图,该正交编码图是在3D空间累积关节点轨迹,然后将这些关节点轨迹投影到3个正交平面中。3张正交编码图分别输入到卷积神经网络中,得到的3个分类结果融合就可以得到最终的结果。
关节点轨迹正交编码图的构建
- 首先就是在3D空间中累积关节点的运动轨迹,然后将其映射到3个正交平面中,将骨骼序列的空间信息编码到轨迹正交编码图中,如下图所示为front plane的投影。
- 然后将运动的时间信息编码到正交编码途中,本文使用的方法和之前的一样,正交编码图为HSV模型,所以使用H(色彩)来编码运动时间信息,得到的结果如下图所示。
- 然后为了加强空间信息的分辨度,文章和之前一样,将人体骨骼分成3个部分:左半边的身体,右半边的身体和脊柱,不同的部分使用不同的colormap来编码。
- 最后使用饱和度和亮度来编码运动轨迹的幅值,也就是骨骼关节点的运动速度,运动速度越大,正交编码图的饱和度和亮度就越大。
实验结果
实验结果如上表所示,可以看到所有的编码正交编码图时候的措施都是有益的。