Resumen

Ante los problemas de baja precisión, mala calidad y largo tiempo de reconocimiento de características de la marcha debido a la influencia del entorno de movimiento del cuerpo humano en el proceso de reconocimiento del método actual de reconocimiento de características de la marcha de imágenes borrosas de movimiento corporal humano, se propone un nuevo método de reconocimiento de características de la marcha basado en el método de red neuronal gráfica (GNN). Se extrajeron las características de la marcha de imágenes borrosas de movimiento humano, y se utilizó el reconocimiento de agrupamiento de fusión del algoritmo GNN para localizar las características de la marcha de imágenes borrosas de movimiento humano. Las características de la marcha de imágenes borrosas de movimiento corporal humano fueron localizadas por el método GNN. Según la información del punto de característica de contorno de la imagen borrosa del movimiento corporal humano, se calculó la desviación estándar de la ubicación de la característica de la marcha de la imagen borrosa del movimiento corporal humano, se reconstruyó la característica de la marcha de la imagen borrosa del movimiento corporal humano, y se logró el reconocimiento de la marcha de la imagen borrosa del movimiento corporal humano. Los resultados muestran que la extracción del movimiento humano es buena, con alta confianza de posicionamiento, buena calidad de reconocimiento, precisión de reconocimiento promedio del 92%, y un tiempo de reconocimiento considerablemente reducido.

• Materias:Inteligencia artificial Aplicación móvil Asistencia tecnológica a personas con discapacidad Tecnología en educación
• Subjects:Artificial intelligence Mobile application Technological assistance to people with disabilities Technology in education
• Palabras claves:Propuesta; Reconocimiento de rasgos de la marcha; Red neuronal gráfica; Agrupación por fusión; Punto de rasgo del contorno; Precisión del reconocimiento
• Keywords:Proposed; Gait feature recognition; Graph neural network; Fusion clustering; Contour feature point; Recognition accuracy