隨著計(jì)算能力和深度神經(jīng)網(wǎng)絡(luò)技術(shù)的發(fā)展,“機(jī)器視覺(jué)”正在被越來(lái)越多的學(xué)者和企業(yè)所研究。人們?cè)噲D通過(guò)讓機(jī)器模擬人類對(duì)圖像理解的方式,使機(jī)器能夠“識(shí)別”圖像。對(duì)目標(biāo)檢測(cè)問(wèn)題的研究備受業(yè)界關(guān)注,人體關(guān)鍵點(diǎn)檢測(cè)作為目標(biāo)檢測(cè)的子類,也是一個(gè)計(jì)算機(jī)視覺(jué)領(lǐng)域內(nèi)的研究熱點(diǎn)。人體關(guān)鍵點(diǎn)檢測(cè)期望解決的問(wèn)題是如何通過(guò)對(duì)靜態(tài)圖片進(jìn)行特征提取,并根據(jù)人體的空間關(guān)系來(lái)推測(cè)人體的姿態(tài)信息。受限于人類動(dòng)作的多樣性以及圖片采集環(huán)境的復(fù)雜性,在通用場(chǎng)景下解決關(guān)鍵點(diǎn)檢測(cè)問(wèn)題仍面臨巨大的挑戰(zhàn)。為實(shí)現(xiàn)對(duì)人體關(guān)鍵點(diǎn)的高精度檢測(cè),本文作者設(shè)計(jì)并實(shí)現(xiàn)了一個(gè)用于人體關(guān)鍵點(diǎn)檢測(cè)的系統(tǒng),該系統(tǒng)以運(yùn)動(dòng)視頻作為輸入,通過(guò)對(duì)預(yù)處理后生成的視頻幀進(jìn)行關(guān)鍵點(diǎn)檢測(cè)并根據(jù)上下文信息對(duì)檢測(cè)結(jié)果進(jìn)行后處理優(yōu)化,在獲得2D的檢測(cè)結(jié)果同時(shí)也可以預(yù)測(cè)待檢測(cè)者的人體尺寸。論文描述了一個(gè)用于人體關(guān)鍵點(diǎn)檢測(cè)的系統(tǒng),該系統(tǒng)由預(yù)處理模塊、關(guān)鍵點(diǎn)檢測(cè)模塊及最終的后處理模塊構(gòu)成。論文首先對(duì)關(guān)鍵點(diǎn)檢測(cè)問(wèn)題的背景信息及研究意義進(jìn)行分析,隨后對(duì)涉及到的相關(guān)技術(shù)進(jìn)行介紹。然后對(duì)單張圖片關(guān)鍵點(diǎn)檢測(cè)和連續(xù)視頻幀的關(guān)鍵點(diǎn)檢測(cè)算法進(jìn)行研究、設(shè)計(jì)和評(píng)估。接著對(duì)關(guān)鍵點(diǎn)檢測(cè)系統(tǒng)進(jìn)行了詳細(xì)的需求分析以... 

【文章來(lái)源】：北京郵電大學(xué)北京市 211工程院校 教育部直屬院校

【文章頁(yè)數(shù)】：91 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

圖１?－１關(guān)鍵點(diǎn)檢測(cè)的應(yīng)用場(chǎng)景??

深度神經(jīng)網(wǎng)絡(luò)（Ｄｅｅｐ?Ｎｅｕｒａｌ?Ｎｅｔｗｏｒｋｓ，?ＤＮＮ）是基于人工神經(jīng)網(wǎng)絡(luò)（Ａｒｔｉｆｉｃｉａｌ??Ｎｅｕｒａｌ?Ｎｅｔｗｏｒｋｓ，?ＡＮＮ）的研究進(jìn)行拓展的神經(jīng)網(wǎng)絡(luò)。人工神經(jīng)網(wǎng)絡(luò)的設(shè)計(jì)受到了生物??學(xué)的啟發(fā)，利用計(jì)算單位來(lái)模擬生物系統(tǒng)中的相互連接的神經(jīng)元，然后利用激活函??數(shù)來(lái)實(shí)現(xiàn)信息的傳遞。深度神經(jīng)網(wǎng)絡(luò)在人工神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)上增加了網(wǎng)絡(luò)的深度，??增加了計(jì)算量的同時(shí)也增強(qiáng)了模型的學(xué)習(xí)和表達(dá)能力。在下面簡(jiǎn)要介紹本文涉及的??相關(guān)網(wǎng)絡(luò)層及反向傳播算法。??２．１．１卷積神經(jīng)網(wǎng)絡(luò)??卷積神經(jīng)網(wǎng)絡(luò)（Ｃｏｎｖｏｌｕｔｉｏｎａｌ?Ｎｅｕｒａｌ?Ｎｅｔｗｏｒｋｓ，?ＣＮＮ）是深度學(xué)習(xí)代表性算法之一。??是一類包含卷積計(jì)算且具有深度結(jié)構(gòu)的前饋神經(jīng)網(wǎng)絡(luò)。卷積神經(jīng)網(wǎng)絡(luò)中包含若干卷??積層，卷積層包含兩個(gè)關(guān)鍵操作，即局部關(guān)聯(lián)和窗口滑動(dòng)。對(duì)于卷積層來(lái)說(shuō)，一個(gè)??卷積核作為一個(gè)濾波器，對(duì)其感受野內(nèi)數(shù)據(jù)進(jìn)行乘法計(jì)算，完成一次計(jì)算之后將結(jié)??果相加最終輸出一個(gè)值。然后將濾波器滑動(dòng)并繼續(xù)計(jì)算得到下一個(gè)輸出結(jié)果。由于??在卷積層中每個(gè)卷積核類似于邊緣檢測(cè)中的索貝爾濾波器，每組卷積核參數(shù)都會(huì)有??自己所關(guān)注一個(gè)圖像特征，比如顏色，紋理、明暗、邊界等等。??Ｉｎｐｕｔ?ｌａｙｅｒ?（ＳＩ）?４?ｆｅａｔｕｒｅ?ｍａｐｓ??

務(wù)往往需要大樣本的訓(xùn)練。此外，現(xiàn)階段的深度神經(jīng)網(wǎng)絡(luò)往往是不可解釋的，即對(duì)??于每個(gè)卷積神經(jīng)網(wǎng)絡(luò)的輸出，人們并不能解釋其直接的物理意義。雖然有上述缺點(diǎn)，??卷積神經(jīng)網(wǎng)絡(luò)仍然是深度學(xué)習(xí)中的重要組成部分。圖２－１展示的深度卷積神經(jīng)網(wǎng)絡(luò)示??意圖。??２．１．２池化層??池化層是一個(gè)沒(méi)有參數(shù)的神經(jīng)網(wǎng)絡(luò)層，通常連接在卷積層后用于壓縮計(jì)算量。??由于卷積層最終得到的參數(shù)量大且有很多冗余信息，為了對(duì)卷積層計(jì)算得到的結(jié)果??進(jìn)行特征提取，池化層通常使用最大值池化或者平均值池化等操作來(lái)完成對(duì)卷積層??結(jié)果的選擇。人類在分析圖像的過(guò)程時(shí)通常是運(yùn)用特征點(diǎn)進(jìn)行判斷，類似的，池化??操作基于特征尺度不變性的原理，對(duì)于一張輸入的特征圖同樣選取若干特征點(diǎn)，在??最大限度保存信息的前提下進(jìn)行數(shù)據(jù)壓縮。卷積層和池化層的聯(lián)合計(jì)算圖如圖２－２??所示。其中紅色框和藍(lán)色框分別代表卷積核和池化范圍的大小。第一層３＊３的區(qū)域??經(jīng)過(guò)卷積層計(jì)算后成為第二層１＊１的區(qū)域。經(jīng)卷積層和池化層計(jì)算，原始９＊９的特??征向量最后成為３＊３的向量。??卷積層?池化層??卷積核３＊３?池化區(qū)域５＊５????????????ｍｍｍ?—?￣￣??????????二二二二二二二＝＝?Ｍ?１?Ｔ?Ｉ?Ｍ?１?３＊３??７＊７??９＊９??圖２－２卷積層和池化層聯(lián)合計(jì)算示意圖??２．１．３全連接層??類似于傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)，全連接層也被稱作稠密層。用于將所有的輸入和輸出??用神經(jīng)元進(jìn)行連接。和卷積神經(jīng)網(wǎng)絡(luò)不同


本文編號(hào)：3487030