6、3D动作与手势识别及随机森林优化方法解析

3D动作与手势识别及随机森林优化方法解析

在计算机视觉领域，3D动作与手势识别以及随机森林相关技术一直是研究的热点。下面将详细介绍基于NBNN的3D动作与手势识别方法，以及随机森林优化叶子节点用于霍夫投票的技术。

基于NBNN的3D动作与手势识别

• 方法概述 ：提出了一种用于3D动作识别的非参数模型NBNN。该方法能够通过主成分分析（PCA）选择信息丰富的关节，从而加速最近邻搜索过程，同时保持或提高动作识别性能。此外，在最近邻搜索部分引入判别匹配，通过抑制相似的变化模式并强调判别模式，有助于实现更好的识别准确率。
• 性能对比
  • 时间对比 ：在MSR - Action 3D数据集上，对有无PCA的方法进行了时间对比，结果如下表所示：
    | 方法 | AS1 | AS2 | AS3 | 平均 |
    | — | — | — | — | — |
    | 无PCA | 5.5 | 4.7 | 5.4 | 5.2 |
    | 有PCA | 0.44 | 0.35 | 0.45 | 0.41 |
    | 变化百分比(%) | -92 | -92.6 | -91.7 | -92.1 |

从表中可以看出，基于NBNN的3D动作识别方法在使用PCA模式选择时比不使用时快约13倍。
- 准确率对比 ：通过改变阶段数N（从1到21）对模型进行评估。随着阶段数N的增加，准确率相对提高。该方法在仅5个阶段时就能