Human Action Recognition with Depth Cameras

فناوری تشخیص اقدام کاربردهای بسیاری در دنیای واقعی در تعامل انسان و رایانه، نظارت، بازیابی ویدیو، نظارت بر خانه سالمندان، و روباتیک دارد. کالایی شدن حسگرهای عمق همچنین کاربردهای بیشتری را که قبلاً امکان پذیر نبودند، باز کرده است. این متن بر روی نمایش ویژگی ها و الگوریتم های یادگیری ماشین برای تشخیص عمل از حسگرهای عمق تمرکز دارد. پس از ارائه یک نمای کلی جامع از وضعیت هنر، نویسندگان سپس توضیحات عمیقی از بازنمایی ویژگی‌های اخیراً توسعه‌یافته و تکنیک‌های یادگیری ماشین، از جمله ویژگی‌های عمقی و اسکلت سطح پایین، نمایش‌های سطح بالاتر برای مدل‌سازی ساختار زمانی و فعل و انفعالات انسان و شی، و تکنیک های انتخاب ویژگی برای مدیریت انسداد. این کار خواننده را قادر می سازد تا به سرعت با آخرین تحقیقات آشنا شود و به درک عمیق تری از تکنیک های اخیراً توسعه یافته دست یابد. هم برای محققان و هم برای پزشکان بسیار مفید خواهد بود.

Action recognition technology has many real-world applications in human-computer interaction, surveillance, video retrieval, retirement home monitoring, and robotics. The commoditization of depth sensors has also opened up further applications that were not feasible before. This text focuses on feature representation and machine learning algorithms for action recognition from depth sensors. After presenting a comprehensive overview of the state of the art, the authors then provide in-depth descriptions of their recently developed feature representations and machine learning techniques, including lower-level depth and skeleton features, higher-level representations to model the temporal structure and human-object interactions, and feature selection techniques for occlusion handling. This work enables the reader to quickly familiarize themselves with the latest research, and to gain a deeper understanding of recently developed techniques. It will be of great use for both researchers and practitioners.