کد مقاله کد نشریه سال انتشار مقاله انگلیسی نسخه تمام متن
6937700 1449831 2018 33 صفحه PDF دانلود رایگان
عنوان انگلیسی مقاله ISI
Recognition of action dynamics in fencing using multimodal cues
ترجمه فارسی عنوان
تشخیص پویایی عمل در شمشیربازی با استفاده از نشانه های چندجمله ای
کلمات کلیدی
تشخیص عمل، نقشه های عمیق نشانه های چندجمله ای، تجزیه و تحلیل حرکت
ترجمه چکیده
بیشتر روش های فعلی به رسمیت شناختن عمل، استراتژی هایی را دنبال می کنند که اجازه می دهد طبقه بندی اقدامات قابل توجهی متفاوت داشته باشد. با این حال، در برخی از رشته های ورزشی، اعمال ممکن است به طور عمده توسط پویایی حرکت به جای مسیر مشخص می شود. در این کار، رویکرد جدیدی را برای شناخت فعالیت های ورزشی پیشنهاد می کنیم. نوآوری شامل استفاده از پویایی در تجزیه و تحلیل الگوهای حرکت مشابه است. ما توصیفگرهای حرکتی اطلاعاتی را براساس داده های شتاب سنجی، ویژگی های مفاصل اسکلت و نقشه های عمق پیشنهاد می کنیم و پتانسیل آنها را برای مدل سازی حرکت دینامیکی نشان می دهیم. ما نشان می دهیم که داده های متشخص از چندین روش، دقت تشخیص بهتر را می دهد. ما یک مجموعه داده اختصاص داده شده با نمونه های نرده ای از ده افسانه ای که شامل اطلاعات عمق، اسکلتی و ناشی از شش نوع اقدامات پویا است، که بیشتر آنها دارای مسیرهای متوسط ​​مشابه، اما پویایی های مختلف حرکت است، در دسترس است. ما نشان می دهیم که در مجموعه داده های پاکت فرفره ما روش پیشنهادی از روش های فعلی پیشرفته برای تشخیص عمومی عمل بهتر است.
موضوعات مرتبط
مهندسی و علوم پایه مهندسی کامپیوتر چشم انداز کامپیوتر و تشخیص الگو
چکیده انگلیسی
Most current approaches to action recognition follow strategies, which permit classification of significantly different actions. However, in some sports disciplines, actions may be distinguished mainly by the dynamics of the motion rather than the trajectory. In this work, we propose a novel approach for recognition of sports actions. The novelty consists in the use of dynamics in the analysis of similar motion patterns. We propose informative motion descriptors based on accelerometric data, skeleton joints features and depth maps, and demonstrate their potential to model the motion dynamics. We show that fusing data from multiple modalities permits better recognition accuracy. We make publicly available a dedicated dataset with fencing footwork samples of ten fencers that consists of depth, skeletal and inertial data of six types of dynamic actions, most of which have similar average trajectories but different dynamics of the motion. We show that on our Fencing Footwork Dataset the proposed method outperforms current state-of-the-art methods for general action recognition.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Image and Vision Computing - Volume 75, July 2018, Pages 1-10
نویسندگان
, ,