计算机应用研究

作者：王超亚,韩华,王春媛,田瑾,

单位：上海工程技术大学电子电气工程学院,上海201620；

关键词：骨架识别,图卷积神经网络,多分支输入,歧义行为,模糊特征细化,

基金：国家自然科学基金项目(62103257)；上海市自然科学基金项目(22ZR1426200)；；

基于骨架的人体动作识别是计算机视觉中的一个重要研究课题，其核心在于提取和学习具有区分度的骨架特征，以实现高精度的动作分类。但是由于歧义行为的存在，严重影响了分类识别的准确性，为此，围绕数据优化与计算复杂度降低，以及时空特征精细化建模两个核心方向提出两项关键创新。首先在数据输入的初期阶段，采用多分支输入结构，实现早期特征融合，使模型能够更高效地学习不同模态间的互补信息，从而提升计算效率并增强模型的泛化能力；其次，提出模糊特征细化模型，该模型有助于提取独特的时空特征，增强了对动作细节的敏感性以帮助区分高相似度行为，从而实现更精细的时空特征建模。将所提多分支骨架特征输入下的歧义行为识别（GCN+）模型在?Euclid Math TwoDAp60和?Euclid Math TwoDAp120两个大规模公共数据集上进行实验证。实验范围涵盖四种单一模态及其融合模态。在单一模态下相较于基线模型，GCN+在?Euclid Math TwoDAp120的X-Sub下提升了2.6个百分点，表明其在复杂环境下对不同主体的识别能力更强；在融合模态下，GCN+在?Euclid Math TwoDAp120数据集的X-Sub评估下提升了3.2个百分点，在X-Set评估下提升了3.0个百分点。进一步验证了该模型在大规模数据场景下的适用性，和在跨主体和跨视角识别任务方面展现的卓越性能。

来源：2025年第11期

《计算机应用研究》期刊编辑部

查看计算机应用研究杂志2025年第11期