基于深度学习与运动信息的动作识别算法.pdf

基于深度学习与运动信息的动作识别算法.pdf 本文提出了一种基于深度学习与运动信息的动作识别算法，旨在提高视频中人体小幅度动作识别的准确率和大规模数据集的计算效率。该算法通过双层核极限学习机与深度学习技术的结合，实现了对大规模数据集与小幅度手势动作的高准确率识别。 知识点： 1. 深度学习技术：深度学习是机器学习的一种，通过神经网络实现对数据的自动学习和特征提取。该技术广泛应用于图像识别、语音识别、自然语言处理等领域。 2. 运动信息：运动信息是指人体在进行各种动作时所产生的动作特征，例如手势、步态、面部表情等。这些特征可以用于人体动作识别、人机交互等领域。 3. 双层核极限学习机：双层核极限学习机是一种机器学习算法，通过将线性核极限学习机与深度学习技术相结合，实现对数据的高效处理和特征提取。 4. 密集轨迹特征：密集轨迹特征是指人体在进行动作时所产生的轨迹特征，例如手势轨迹、步态轨迹等。这些特征可以用于人体动作识别、运动分析等领域。 5. 深度特征融合：深度特征融合是指将深度学习技术提取的特征与其他特征进行融合，实现对数据的多角度分析和识别。 6. 大规模数据集：大规模数据集是指大量的数据集合，例如视频数据、图像数据等。这些数据可以用于机器学习、深度学习等领域。 7. 视频中人体小幅度动作识别：视频中人体小幅度动作识别是指对视频中人体进行小幅度动作识别，例如识别手势、步态、面部表情等。 8. 计算效率：计算效率是指算法对数据的处理速度和效率，高效的计算效率可以提高算法的实时性和实用性。 9. 极限学习机：极限学习机是一种机器学习算法，通过将数据分成多个小组，实现对数据的高效处理和特征提取。 10. 图像处理：图像处理是指对图像数据进行处理和分析，例如图像识别、图像分割、图像恢复等。 11. 模式识别：模式识别是指对数据进行模式识别，例如人体动作识别、语音识别、图像识别等。 12. 大数据技术：大数据技术是指对大量数据进行处理和分析，例如数据挖掘、数据分析、数据可视化等。 本文提出了一种基于深度学习与运动信息的动作识别算法，旨在提高视频中人体小幅度动作识别的准确率和大规模数据集的计算效率。该算法具有广泛的应用前景，例如人机交互、智能家居、运动分析等领域。