投影子空間下人體動作序列預測研究

DOI：10.16652/j.issn.1004-373x.2025.16.008

中圖分類號：TN915.04-34；TP391.4 文獻標識碼：A 文章編號：1004-373X（2025）16-0045-05

Prediction of human motion sequence in projection subspace

YUEXiaoyu，ZHANGLulu （Nanjing Tech University，Nanjing211816，China）

Abstract：Inordertocomprehensivelyextractmotion features fromdiferentviewinganglesandimprove therobustnessof perspectivechanges，thepredictionmethodof human motionsequence in projectionsubspaceisproposed.Intheprojection subspace，the3DhumanmovementscapturedbyKinectcameraareconvertedinto2Dhumanmovementsequeneswithdiferent anglesof mainview，leftviewandtopview.Inthemulti-neighborhoodglobaladaptivegraphneuralnetwork，theadaptivegraph convolutionisusedastheencodertoextractthe2Dhumanactionsequencefeaturesfromthethreeviewingangles，soasto improvetherobustnessof thenetwork tothechangesof viewingangles.Thegatedrecurentunitbasedonmulti-neigborhod globaladaptivegraphconvolutionisusedasthedecoder，andcombinedwiththehumanmotionsequencecharacteristicsto obtainthehumanmotionsequencepredictionresultsunderdiferentviewingangles.Thefusionmoduleisused tofusethe predictedresultsof actionsequences fromvarious perspectives bymeansofthevoting fusion strategy，soas toobtain the final predictioresults.Theexperimentalresultsshowthattheproposedmethodcanefectivelyconvert 3Dhuman motionandobtain 2D human motionsequence.This method caneffectivelypredict humanactionsequence，andthedeterminationcoeffcientsof action sequence prediction arehigher under diferent viewing angles，thatis，the prediction accuracy is higher.

Keywords：human actionsequence prediction;projectionsubspace；2D action;feature extraction；adaptive graph convolution; gated recurrent unit

0 引言

人體動作序列預測是按照歷史人體動作序列數據，對后續動作序列的發展趨勢進行預測。在體育訓練場景下，預測人體動作序列可幫助教練清晰分析運動員的動作，并按照預測結果調整訓練計劃，增強運動員的動作標準度，提升運動成績2-3]。因此，研究人體動作序列預測方法具有重要意義。

文獻[4]融合處理不同時段人體動作序列的三維點云數據，利用時空鄰域分割數據，通過三層Meteor模塊提取人體動作特征，再結合全連接網絡預測人體動作序列。在視角改變情況下，三維點云數據的形態會發生改變，導致數據分割精度下降，降低特征提取精度。文獻[5]利用空間位置關系學習模塊統計關節點間的相對位置分布，提取空間位置特征；采用時間位置關系學習模塊統計相鄰幀間關節點的位置變動，提取時間位置特征，通過時空位置關系融合模塊加權融合空間與時間位置特征；利用時空變化特征學習模塊結合融合特征，預測人體動作序列。該方法是按照固定視角進行動作序列預測，對視角變化的魯棒性不足。文獻[6]通過ResNet-50網絡提取人體動作特征，采用卷積塊注意力模塊優化特征圖，使用ConvLSTM（卷積長短期記憶網絡）在優化特征圖內提取時空特征，并輸出人體動作序列預測結果。但ResNet-50網絡無法完全適應視角變化帶來的圖像差異。文獻[7]利用圖卷積網絡（GCN）挖掘骨架關節點間的空間特征，采用LSTM提取人體動作的時間序列特征，通過融合兩個特征得到人體動作序列預測結果。……