【摘要】：人體的骨架提取是計(jì)算機(jī)視覺研究領(lǐng)域中非常重要的研究方向。隨著計(jì)算機(jī)硬件水平的日益提高、計(jì)算能力指數(shù)級(jí)的增強(qiáng),使得當(dāng)前在圖像處理方面有了長(zhǎng)足的進(jìn)步,因此在計(jì)算機(jī)上處理分析人體動(dòng)作的需求也日漸增多。人體骨架提取技術(shù)是分析行為動(dòng)作的基礎(chǔ),此技術(shù)具有非常重要的實(shí)際應(yīng)用價(jià)值,如在監(jiān)控領(lǐng)域希望預(yù)先判斷出一個(gè)人的動(dòng)作是否具有危險(xiǎn)性;在體育、舞蹈等領(lǐng)域希望通過計(jì)算機(jī)進(jìn)行人體動(dòng)作打分來作為比賽參考標(biāo)準(zhǔn)。近年來,隨著大數(shù)據(jù)與人工智能的發(fā)展,許多領(lǐng)域的問題轉(zhuǎn)用深度學(xué)習(xí)卷積神經(jīng)網(wǎng)絡(luò)的方法來進(jìn)行研究。對(duì)于人體骨架的提取也大多由傳統(tǒng)方法轉(zhuǎn)為使用卷積神經(jīng)網(wǎng)絡(luò)的方法。在實(shí)際應(yīng)用中,多人的場(chǎng)景大于單人的場(chǎng)景,多人骨架的提取更具有研究?jī)r(jià)值。本文基于卷積神經(jīng)網(wǎng)絡(luò)在靜態(tài)圖片和視頻兩個(gè)方向闡述了提取多人人體骨架的方案,具體研究?jī)?nèi)容如下:1.在靜態(tài)圖片的多人骨架提取上,本文探討了自上而下與自底向上方法的區(qū)別,并采用自底向上的方法對(duì)圖片進(jìn)行識(shí)別,在關(guān)節(jié)點(diǎn)特征的提取上采用熱力圖來表示人體關(guān)節(jié)點(diǎn)。隨后采用改進(jìn)的親和域向量方法來尋找關(guān)節(jié)點(diǎn)之間的關(guān)系,優(yōu)化關(guān)節(jié)點(diǎn)之于人體的匹配。最后基于改進(jìn)的殘差網(wǎng)絡(luò)作為基礎(chǔ)模型,采用MPII數(shù)據(jù)集上的數(shù)據(jù)進(jìn)行訓(xùn)練,得到識(shí)別效果。2.在基于視頻的多人骨架提取上,本文采用兩種識(shí)別方案。在第一個(gè)方案中,對(duì)于之前靜態(tài)圖片識(shí)別方案的基礎(chǔ)上加以改進(jìn),采用基于RNN的方法去學(xué)習(xí)幀于幀之間關(guān)節(jié)點(diǎn)的聯(lián)系,并探討了 RNN改進(jìn)模型GRU對(duì)識(shí)別的影響,最終得到視頻的識(shí)別結(jié)果;在第二個(gè)方案中單幀圖片中采用Faster R-CNN的方法檢測(cè)人體框,并在每個(gè)人體框中檢測(cè)各個(gè)人體的骨架圖,最終使用IOU跟蹤方法尋找視頻中幀于幀之間的關(guān)系優(yōu)化識(shí)別效果。兩種方法的訓(xùn)練數(shù)據(jù)集均采用PoseTrack,最終對(duì)兩者的識(shí)別率與識(shí)別效率進(jìn)行對(duì)比。
【學(xué)位授予單位】：西安理工大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2019
【分類號(hào)】：TP391.41;TP183
【圖文】：

圖 1-1 卷積姿態(tài)機(jī)網(wǎng)絡(luò)框架Fig. 1-1 Convolution gesture machine network framework圖 1-2 Hourglass 模塊Fig. 1-2 Hourglass module長(zhǎng)時(shí)間在單人骨架提取方案上的探索與逐漸成熟，漸漸研究的重心開始往多案上進(jìn)行，而在現(xiàn)實(shí)應(yīng)用中，多人的骨架提取方案更加的貼合實(shí)際，也是此際項(xiàng)目非常重要的因素。對(duì)于多人骨架提取主要分為自頂向下于自底向上兩016 年 Pishchulin 提出的 DeepCut[37]創(chuàng)新性的研究了多人骨架提取方案，通過法取得了良好的識(shí)別效果，接下來多篇論文[38-40]在此基礎(chǔ)上進(jìn)行改進(jìn)，在準(zhǔn)

4圖 1-2 Hourglass 模塊Fig. 1-2 Hourglass module時(shí)間在單人骨架提取方案上的探索與逐漸成熟，漸漸研究的重心開上進(jìn)行，而在現(xiàn)實(shí)應(yīng)用中，多人的骨架提取方案更加的貼合實(shí)際，項(xiàng)目非常重要的因素。對(duì)于多人骨架提取主要分為自頂向下于自底6 年 Pishchulin 提出的 DeepCut[37]創(chuàng)新性的研究了多人骨架提取方取得了良好的識(shí)別效果，接下來多篇論文[38-40]在此基礎(chǔ)上進(jìn)行改進(jìn)取得了長(zhǎng)足的進(jìn)步。而在自頂向下領(lǐng)域，通過把多人提取的方案簡(jiǎn)究也取得了很好的成果，比如 2017 年提出的局部提取方法[41]，Ma提出的級(jí)聯(lián)金字塔模型[43]等。法基本都是基于圖片去做骨架提取，而基于視頻的人體骨架提取現(xiàn)

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 胡悅;;金融市場(chǎng)中的神經(jīng)網(wǎng)絡(luò)拐點(diǎn)預(yù)測(cè)法[J];金融經(jīng)濟(jì);2017年18期

2 陳曉燕;;淺析簡(jiǎn)單神經(jīng)網(wǎng)絡(luò)的發(fā)展及簡(jiǎn)單模型[J];數(shù)字技術(shù)與應(yīng)用;2019年05期

3 遲惠生;陳珂;;1995年世界神經(jīng)網(wǎng)絡(luò)大會(huì)述評(píng)[J];國(guó)際學(xué)術(shù)動(dòng)態(tài);1996年01期

4 吳立可;;脈沖神經(jīng)網(wǎng)絡(luò)和行為識(shí)別[J];通訊世界;2018年12期

5 林嘉應(yīng);鄭柏倫;劉捷;;基于卷積神經(jīng)網(wǎng)絡(luò)的船舶分類模型[J];信息技術(shù)與信息化;2019年02期

6 俞頌華;;卷積神經(jīng)網(wǎng)絡(luò)的發(fā)展與應(yīng)用綜述[J];信息通信;2019年02期

7 韓真;凱文·哈特尼特;;為神經(jīng)網(wǎng)絡(luò)的通用理論建造基石[J];世界科學(xué);2019年04期

8 鮑偉強(qiáng);陳娟;熊濤;;基于進(jìn)化神經(jīng)網(wǎng)絡(luò)的短期電力負(fù)荷預(yù)測(cè)研究[J];電工技術(shù);2019年11期

9 王麗華;楊秀萍;王皓;高崢翔;;智能雙輪平衡車的設(shè)計(jì)研究[J];數(shù)字技術(shù)與應(yīng)用;2018年04期

10 張庭略;;基于硬件的神經(jīng)網(wǎng)絡(luò)加速[J];通訊世界;2018年08期

相關(guān)會(huì)議論文 前10條

1 孫軍田;張U

本文編號(hào)：2713694