發(fā)布時(shí)間：2021-08-09 14:29

　　人體姿態(tài)合成是根據(jù)少量人體姿態(tài)關(guān)鍵點(diǎn)合成同一個(gè)人不同姿態(tài)的任務(wù)也是計(jì)算視覺領(lǐng)域與人體姿態(tài)相關(guān)的一個(gè)重要分支。近年來研究發(fā)現(xiàn)人體姿態(tài)合成技術(shù)在數(shù)據(jù)集擴(kuò)充、視頻預(yù)測以及視頻合成等方面有著巨大的應(yīng)用價(jià)值。因?yàn)閭鹘y(tǒng)方法合成的人體圖像雖然在姿態(tài)和外表上接近目標(biāo)圖像,但是姿態(tài)與目標(biāo)圖像契合度還不夠,圖像細(xì)節(jié)方面保留度較差,生成圖像與目標(biāo)圖像差距較大。因此,本文基于以上問題,結(jié)合深度學(xué)習(xí)理論設(shè)計(jì)模型針對姿態(tài)契合度和細(xì)節(jié)保留度兩個(gè)方面進(jìn)行改進(jìn)。本文的工作及創(chuàng)新如下:1,針對生成圖像姿態(tài)不匹配的問題,本文對傳統(tǒng)的生成式對抗網(wǎng)絡(luò)進(jìn)行改進(jìn),創(chuàng)新性地提出了雙輸入生成模型。增加一條網(wǎng)絡(luò)路徑對目標(biāo)姿態(tài)關(guān)鍵點(diǎn)圖像單獨(dú)編碼,然后結(jié)合原始網(wǎng)絡(luò)形成雙輸入的生成網(wǎng)絡(luò)。目標(biāo)圖像的姿態(tài)特征在上采樣時(shí)與原始圖像上采樣階段對應(yīng)尺寸的特征結(jié)合,最終得到逼近目標(biāo)圖像姿態(tài)的新圖像。增加了一條對姿態(tài)信息的編碼路相當(dāng)于提高了生成階段的目標(biāo)姿態(tài)信息的利用率,得到更多姿態(tài)信息的生成器可以生成更加匹配目標(biāo)姿態(tài)的圖像,從而改善生成圖像姿態(tài)不匹配的問題。實(shí)驗(yàn)在公開的數(shù)據(jù)集上進(jìn)行,結(jié)果顯示本文提出的這種方法有助于提高生成圖像的質(zhì)量。2,為了使生成圖像的... 

【文章來源】：合肥工業(yè)大學(xué)安徽省 211工程院校 教育部直屬院校

【文章頁數(shù)】：74 頁

【學(xué)位級別】：碩士

【文章目錄】：
致謝
摘要
abstract
第一章 緒論
    1.1 課題背景及研究意義
    1.2 國內(nèi)外研究現(xiàn)狀
    1.3 本文的主要內(nèi)容及結(jié)構(gòu)安排
        1.3.1 本文的主要內(nèi)容及創(chuàng)新點(diǎn)
        1.3.2 本文的結(jié)構(gòu)安排
第二章 深度學(xué)習(xí)和圖像生成模型理論知識
    2.1 引言
    2.2 深度學(xué)習(xí)理論知識
        2.2.1 深度學(xué)習(xí)的發(fā)展
        2.2.2 神經(jīng)網(wǎng)絡(luò)理論知識
        2.2.3 卷積神經(jīng)網(wǎng)絡(luò)
    2.3 圖像生成模型理論知識
        2.3.1 生成式對抗網(wǎng)絡(luò)理論知識
        2.3.2 常見的圖像生成模型
    2.4 本章小結(jié)
第三章 基于內(nèi)容重建的雙路輸入人體姿態(tài)合成算法
    3.1 引言
    3.2 基于內(nèi)容重建的雙路輸入人體姿態(tài)合成模型
        3.2.1 基礎(chǔ)生成網(wǎng)絡(luò)
        3.2.2 邊緣細(xì)化網(wǎng)絡(luò)
        3.2.3 圖像重建網(wǎng)絡(luò)
        3.2.4 判別器
        3.2.5 損失函數(shù)
    3.3 實(shí)驗(yàn)
        3.3.1 實(shí)驗(yàn)數(shù)據(jù)集
        3.3.2 實(shí)驗(yàn)設(shè)置
        3.3.3 生成圖像評價(jià)指標(biāo)
    3.4 實(shí)驗(yàn)結(jié)果分析
        3.4.1 定性分析
        3.4.2 定量分析
    3.5 本章小結(jié)
第四章 基于注意力機(jī)制和內(nèi)容重建的人體姿態(tài)合成算法
    4.1 引言
    4.2 注意力機(jī)制模型
    4.3 基于注意力機(jī)制和內(nèi)容重建的人體姿態(tài)合成模型
        4.3.1 帶有注意力機(jī)制的生成網(wǎng)絡(luò)
        4.3.2 內(nèi)容重建網(wǎng)絡(luò)
        4.3.3 判別網(wǎng)絡(luò)
        4.3.4 損失函數(shù)
    4.4 實(shí)驗(yàn)設(shè)計(jì)
        4.4.1 實(shí)驗(yàn)數(shù)據(jù)集
        4.4.2 生成圖像評價(jià)指標(biāo)
        4.4.3 實(shí)驗(yàn)設(shè)置
    4.5 實(shí)驗(yàn)結(jié)果及分析
        4.5.1 圖像生成過程對比
        4.5.2 定性分析
        4.5.3 定量分析
    4.6 本章小結(jié)
第五章 總結(jié)與展望
    5.1 總結(jié)
    5.2 展望
參考文獻(xiàn)
攻讀碩士學(xué)位期間的學(xué)術(shù)活動(dòng)及成果情況


【參考文獻(xiàn)】：
期刊論文
[1]基于深度學(xué)習(xí)的人體行為識別[J]. 樊恒,徐俊,鄧勇,向金海.  武漢大學(xué)學(xué)報(bào)(信息科學(xué)版). 2016(04)
[2]多攝像機(jī)人體姿態(tài)跟蹤[J]. 孫洛,邸慧軍,陶霖密,徐光祐.  清華大學(xué)學(xué)報(bào)(自然科學(xué)版). 2011(07)

碩士論文
[1]基于視覺的手勢識別和人體姿態(tài)跟蹤算法研究[D]. 趙健.北京交通大學(xué) 2014



本文編號：3332241