《基于神经网络和骨骼点特征的人体动作识别》的学习和复现

1，理论部分

本章将介绍一种从骨骼点 数 据 中 提 取 特 征 的 方 法 ， 并 采 用 长 短 时 记 忆 网 络 (Long Short-TermMemory,LSTM)作为分类器，对提取的特征进行识别，最后将在 MSR-Action3D、Florence 3D Actionv、UTKinect-Action 三种公开数据集上进行实验，与已有方案对比评估本章方法的性能。


实验结果发现以 F1 骨骼点模比值为特征的动作识别算法识别率优于以 F2 骨骼点向量角为特征的识别算法的识别率，而以 F1+F2 两者组合的联合特征为模型输入的动作识别算法的识别率优于以 F1 为特征的动作识别方法。

证明了以 LSTM 为分类器时 F1+F2 的联合特征为模型输入时效果最优


如图 4-2 所示，MASK 表示带有 masking 机制的 Mask层，BiLSTM 表示双向 LSTM 层,TDP 表示时域 droupout 层，MP 表示时域最大池化层，DP 表示标准 dropout 层，FC 表示全连接层，Softmax 表示 Softmax 函数作激活层

2，代码部分

getpoint文件中代码的 数据传递流程

（是不是叫这个术语？）

MSR 3d action数据集的数据处理与可视化

MSR 3d action数据集的数据处理与可视化 - 知乎
https://zhuanlan.zhihu.com/p/63133269

第一行数据-0.371736 0.371031 2.674849 1.000000代表着左肩的坐标为 (-0.371736, 0.371031,2.674849)，置信度为1.000000。

值得注意的是，kinect的坐标系的方向与普通坐标系不同。

视频行为识别之如何来对MSR Action 3D数据集中的骨骼数据进行预处理 - 六毛吧 - CSDN博客
https://blog.csdn.net/qq_37450561/article/details/86544943

过了半个星期~
总算是把 读取数据集文件和数据预处理部分看懂了，又几乎把这部分代码重新写了或者改了一遍，把numpy库重新学了一遍，熟悉了matplotlib库
还做了些挺好玩的事情O(∩_∩)O~~
例如：读取第一个文件a01_s01_e01_skeleton3D，其中一个文件有54帧数据，代表一个连贯动作，一帧有60个数据 = 20个骨骼点 × 3维坐标
所以一个文件共有 20×3×54个有效数据

如显示a01_s01_e01_skeleton3D的
第1帧：

第35帧：

第45帧：

由此看出这个骨架在大概在做喝水的动作？