Eine umfassende Übersicht über handgefertigte und lernbasierte Aktionsdarstellungsansätze zur menschlichen Aktivitätserkennung

Die menschliche Aktivitätserkennung (HAR) ist ein wichtiges Forschungsgebiet in den Bereichen menschliche Wahrnehmung und Computer Vision aufgrund ihrer breiten Anwendungsbereiche. Zu diesen Anwendungen gehören: intelligente Videoüberwachung, ambiantes assistiertes Leben, Mensch-Computer-Interaktion, Mensch-Roboter-Interaktion, Unterhaltung und intelligentes Fahren. Kürzlich, mit dem Aufkommen und der erfolgreichen Implementierung von Deep Learning-Techniken zur Bildklassifikation, haben Forscher von traditionellen handgefertigten Methoden zu Deep Learning-Techniken für HAR migriert. Dennoch werden handgefertigte darstellungsbasierte Ansätze weiterhin häufig verwendet, aufgrund einiger Engpässe wie der rechnerischen Komplexität von Deep Learning-Techniken zur Aktivitätserkennung. Methoden, die auf handgefertigten Darstellungen basieren, sind jedoch aufgrund ihrer Einschränkungen und Unfähigkeit nicht in der Lage, komplexe Szenarien zu bewältigen; daher ist der Rückgriff auf deep learning-basierte Techniken eine naheliegende Option. Dieses Übersichtsartikel bietet eine umfassende Untersuchung sowohl handgefertigter als auch lernbasierter Aktionsdarstellungen und bietet Vergleiche, Analysen und Diskussionen zu diesen Ansätzen. Darüber hinaus werden die bekannten öffentlichen Datensätze, die für Experimente zur Verfügung stehen, sowie wichtige Anwendungen von HAR vorgestellt, um weitere Einblicke in das Feld zu gewähren. Dies ist das erste Übersichtsartikel seiner Art, das all diese Aspekte von HAR in einem einzigen Artikel präsentiert, mit umfassender Abdeckung jedes Teils. Schließlich wird das Papier mit wichtigen Diskussionen und Forschungsrichtungen im Bereich der HAR abgeschlossen.