انجمن کامپیوتر ایران

در این مقاله هدف شناسایی فعالیت‌های روزمره انسان به طور خودکار می‌باشد و برای شناسایی اعمال انسان از سنسورهای عمق استفاده می‌کند. که می‌تواند در سیستم‌های جاسازی شده استفاده شود. روش پیشنهادی در این مقاله با استفاده از استخراج دو دسته از ویژگی‌ها از اطلاعات مفاصل کار خود را پیش می‌برد. اولین دسته ویژگی تصاویر تاریخچه حرکت از اسکلت دودویی و دیگری که پیشنهاد ما می‌باشد، فاصله نسبی مفاصل از پنج مفصل مرجع از اسکلت انسان در نظر گرفته شده است. سپس شناسایی اعمال با استفاده از شبکه 3D-DCNN فراهم می‌شود. با در نظر گرفتن مفصل ناحیه سر به عنوان مفصل مرجع پنجم توانستیم موفقیت بیشتری در اعمالی که توسط دست و در ناحیه سر انجام می‌شود مانند آب خوردن و مسواک زدن و اعمالی که مفاصل ناحیه دست نسبت به مفصل ناحیه سر در موقعیت‌های متفاوت‌تری قرار می‌گیرد مانند پرتاب کردن و هل دادن یا برداشتن کسب نماییم. تمامی آموزش‌ها و آزمایشات با استفاده از مجموعه داده‌های UTKinect و CAD60 انجام شده است که منجر به نرخ صحت بالاتری نسیت به دیگر همتایان خود شد. دیتاست CAD60 شامل اعمالی است که در ناحیه سر انجام می‌شود و مفاصل دست در آن نقش بیشتری دارند نرخ صحت ۲٪ افزایش یافت.