人體姿態(tài)識(shí)別技術(shù)是人工智能和計(jì)算機(jī)視覺領(lǐng)域中備受關(guān)注的研究課題之一。隨著Kinect系列等深度傳感設(shè)備的研究和發(fā)展,其獨(dú)特的深度成像技術(shù)以及骨骼關(guān)節(jié)點(diǎn)定位技術(shù),對(duì)光照、紋理和色彩等因素的變化具有較強(qiáng)的適應(yīng)性。因此基于Kinect深度傳感攝像頭的人體姿態(tài)識(shí)別研究得到越來越多的關(guān)注,且在眾多領(lǐng)域有著廣闊的應(yīng)用前景。本文主要工作內(nèi)容如下:1、分析Kinect設(shè)備的軟硬件性能及核心技術(shù),包括深度成像和骨骼跟蹤。驅(qū)動(dòng)Kinect 2.0設(shè)備采集并建立了人體姿態(tài)圖庫,該圖庫包括RGB、深度和人體關(guān)節(jié)點(diǎn)三種數(shù)據(jù),由8類常見的人體姿態(tài)圖像組成,共計(jì)3751張。2、分析基于機(jī)器學(xué)習(xí)的人體姿態(tài)識(shí)別方法,包括隱馬爾科夫模型、決策樹、支持向量機(jī)以及深度學(xué)習(xí)算法。通過對(duì)比算法原理和特點(diǎn),選用深度學(xué)習(xí)中的卷積神經(jīng)網(wǎng)絡(luò)模型識(shí)別人體姿態(tài)圖像。并重點(diǎn)闡述了卷積神經(jīng)網(wǎng)絡(luò)的相關(guān)理論,為之后的實(shí)驗(yàn)工作奠定了理論基礎(chǔ)。3、基于本文采集的人體姿態(tài)圖庫,自行構(gòu)建卷積神經(jīng)網(wǎng)絡(luò)模型進(jìn)行實(shí)驗(yàn),該模型在三組數(shù)據(jù)的八種姿態(tài)類別上的平均識(shí)別率為87.50%。在分析實(shí)驗(yàn)不足的基礎(chǔ)上,采用數(shù)據(jù)增強(qiáng)方法對(duì)產(chǎn)生過擬合的RGB數(shù)據(jù)訓(xùn)練集進(jìn)行擴(kuò)充,在一定...

【文章頁數(shù)】：78 頁

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
Abstract
第一章 緒論
    1.1 課題研究背景及意義
    1.2 國內(nèi)外研究現(xiàn)狀
        1.2.1 深度傳感設(shè)備的國內(nèi)外研究現(xiàn)狀
        1.2.2 姿態(tài)識(shí)別的國內(nèi)外研究現(xiàn)狀
        1.2.3 深度學(xué)習(xí)的國內(nèi)外研究現(xiàn)狀
    1.3 論文組織結(jié)構(gòu)
    本章小結(jié)
第二章 基于Kinect的人體姿態(tài)圖庫構(gòu)建
    2.1 Kinect設(shè)備
        2.1.1 Kinect硬件性能
        2.1.2 Kinect軟件性能
        2.1.3 Kinect深度成像原理
        2.1.4 Kinect骨骼跟蹤原理
    2.2 Kinect 2.0數(shù)據(jù)獲取
        2.2.1 彩色數(shù)據(jù)采集
        2.2.2 深度數(shù)據(jù)采集
        2.2.3 人體骨架數(shù)據(jù)采集
    2.3 構(gòu)建姿態(tài)圖像庫
    本章小結(jié)
第三章 人體姿態(tài)識(shí)別算法理論
    3.1 人體姿態(tài)識(shí)別的常用算法
        3.1.1 隱馬爾可夫模型
        3.1.2 決策樹
        3.1.3 支持向量機(jī)
        3.1.4 深度學(xué)習(xí)
    3.2 卷積神經(jīng)網(wǎng)絡(luò)
        3.2.1 人工神經(jīng)網(wǎng)絡(luò)
        3.2.2 卷積神經(jīng)網(wǎng)絡(luò)的特征
        3.2.3 卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)原理
        3.2.4 卷積神經(jīng)網(wǎng)絡(luò)的模型訓(xùn)練
        3.2.5 卷積神經(jīng)網(wǎng)絡(luò)的計(jì)算
        3.2.6 經(jīng)典卷積神經(jīng)網(wǎng)絡(luò)模型
    本章小結(jié)
第四章 人體姿態(tài)識(shí)別算法仿真
    4.1 基于卷積網(wǎng)絡(luò)的姿態(tài)識(shí)別
        4.1.1 網(wǎng)絡(luò)模型設(shè)計(jì)
        4.1.2 實(shí)驗(yàn)條件
        4.1.3 模型訓(xùn)練與測(cè)試
        4.1.4 實(shí)驗(yàn)結(jié)果評(píng)估
        4.1.5 實(shí)驗(yàn)改進(jìn)及結(jié)果分析
    4.2 基于深度卷積網(wǎng)絡(luò)的姿態(tài)識(shí)別
        4.2.1 Inceptional-v3模型的遷移學(xué)習(xí)
        4.2.2 實(shí)驗(yàn)條件
        4.2.3 模型訓(xùn)練與測(cè)試
        4.2.4 實(shí)驗(yàn)結(jié)果及分析
        4.2.5 實(shí)驗(yàn)對(duì)比
    本章小結(jié)
第五章 人體姿態(tài)識(shí)別的GUI設(shè)計(jì)與實(shí)現(xiàn)
    5.1 GUI設(shè)計(jì)概述
    5.2 GUI功能設(shè)計(jì)
        5.2.1 功能組成設(shè)計(jì)
        5.2.2 功能實(shí)現(xiàn)設(shè)計(jì)
    5.3 GUI實(shí)現(xiàn)流程
        5.3.1 PyQt5環(huán)境搭建
        5.3.2 健身輔助系統(tǒng)的實(shí)現(xiàn)
    本章小結(jié)
第六章 總結(jié)與展望
    6.1 總結(jié)
    6.2 展望
參考文獻(xiàn)
攻讀碩士學(xué)位期間發(fā)表的學(xué)術(shù)論文
致謝



本文編號(hào)：3754347