Resumen

El reconocimiento de la postura humana basado en visión artificial suele resultar en una baja tasa de reconocimiento, baja robustez y baja eficiencia operativa. Esto se debe principalmente a la complejidad del fondo, así como a la diversidad de posturas humanas, oclusión y autooclusión. Para resolver este problema, en este artículo se propone un método de extracción de características que combina la característica de gradiente direccional de profundidad (DGoD) y la característica de diferencia local de profundidad (LDoD), que utiliza una estrategia novedosa que incorpora ocho puntos de vecindario alrededor de un píxel para la comparación mutua y calcular la diferencia entre los píxeles. Luego se establece un nuevo conjunto de datos para entrenar el clasificador de bosque aleatorio, y se adopta un mecanismo de votación de dos vías de bosque aleatorio para clasificar los píxeles en diferentes partes de la imagen de profundidad del cuerpo humano. Finalmente, se calcula el centro de gravedad de cada parte y se selecciona un punto razon

• Materias:Big Data Restricciones distribuidas Algoritmo de inferencia Gestión administrativa
• Subjects:Big Data Distributed constraints Inference algorithm Administrative management
• Palabras claves:Reconocimiento; Postura humana; Método de extracción de características; Característica de profundidad; Clasificador de bosque aleatorio; Esqueleto
• Keywords:Recognition; Human pose; Feature extraction method; Depth feature; Random forest classifier; Skeleton