【摘要】：隨著人工智能的發(fā)展,近幾年研究人員對人體姿態(tài)識別的研究取得了較大的進展。論文在總結(jié)已有人體姿態(tài)識別研究現(xiàn)狀的基礎上,采用骨架信息進行特征提取,而非圖像處理進行特征提取。傳統(tǒng)的骨架特征建模是利用骨架的角度、角加速度、關節(jié)點的速率、加速率、動能、勢能等動力學特征等作為建模參數(shù)。這使得姿態(tài)模型涉及參數(shù)多且參數(shù)的擾動對識別結(jié)果影響較大,識別的魯棒性低。論文分析借鑒傳統(tǒng)建模方法基礎上,提出一種基于關節(jié)點三維坐標的人體身份和姿態(tài)建模方法,以及對應的具有高識別率的人體身份和姿態(tài)識別算法。該方法利用深度傳感器獲得人體骨架圖,以關節(jié)點坐標信息為基礎,進行特征提取。在特征提取基礎上,建立基于感興趣關節(jié)點長度的人體身份模型、基于距離法的靜止姿態(tài)模型和基于坐標法的運動姿態(tài)模型。通過實驗對模型進行穩(wěn)定性分析,所建模型具有涉及數(shù)據(jù)量小和魯棒性高的特點。為對模型進行準確分類求解,論文提出基于BP神經(jīng)網(wǎng)絡和卷積神經(jīng)網(wǎng)絡的識別算法。通過理論分析和實驗驗證確定了神經(jīng)網(wǎng)絡結(jié)構(gòu)、對應的激活函數(shù)及主要參數(shù)。所提出的算法具有所需訓練樣本少,訓練速度快的特點。神經(jīng)網(wǎng)絡模型經(jīng)訓練后,所提算法可以準確確定人體身份以及人體姿態(tài)。實際實驗表明,人體靜止姿態(tài)的識別成功率達到了96%,人體運動姿態(tài)和人體身份的識別成功率均達到了98%。故本文所提模型及算法可行有效,且所提識別方案具有操作性強、易于實現(xiàn)的特點。論文利用VS開發(fā)工具實現(xiàn)了人體姿態(tài)識別系統(tǒng)的研發(fā)。
【學位授予單位】：西安石油大學
【學位級別】：碩士
【學位授予年份】：2019
【分類號】：TP391.41;TP183
【圖文】：

圖 2-5 應用界面效果圖2.3 本章小結(jié)本章介紹了基于 Kinect 提取關節(jié)點信息的方法，用到了微軟推出的 Kinect SDK，基于 VS2010 平臺進行界面的開發(fā)，最終獲得了人體的骨架節(jié)點坐標信息，并且可實時顯示人體骨架形態(tài)和原形態(tài)的對比圖。詳細介紹了本文所提出的人體身份和姿態(tài)模型的建立方法，姿態(tài)具體分為靜止姿態(tài)和運動姿態(tài)。對于每種姿態(tài)，都提出了相對距離法和相對坐標法。靜止姿態(tài)識別中的相對距離法研究對象為同一時刻的人體骨架，選定一個參考關節(jié)點，計算其他關節(jié)點相對于參考關節(jié)點的距離，并以此距離作為特征矩陣的元素靜止姿態(tài)識別中的相對坐標法研究對象也為同一時刻的的人體骨架，同樣選定一個參考點，計算其他各個關節(jié)點相對于此參考點的坐標，并以此坐標作為特征矩陣的元素。運動姿態(tài)識別中的相對距離法研究對象為不同時刻的人體骨架，計算每個關節(jié)點本時刻相對于上一時刻的的位移量，以此作為此運動姿態(tài)的特征向量。相對坐標法則是計算每個關節(jié)點本時刻相對于上一時刻的相對坐標，并以此坐標的絕對值作為運動姿態(tài)識別的特征向量。

西安石油大學碩士學位論文于 Y 軸的 5~10 區(qū)間，高點接近 0.2。B 姿態(tài)有一排脈沖，位于 Y 軸 0.15 附近。C 姿態(tài)含有兩排脈沖，分布較為平均，最高點基本在 0分布同樣平均，最高點基本維持在 0.1 附近。E 姿態(tài)含有兩排脈沖，最高點基本維持在 0.2。綜上分析可知，同一人體姿態(tài)的特征三維人體姿態(tài)的特征三維圖在脈沖的形態(tài)、分布以及高點的取值上都存提的距離法所建立的人體運動姿態(tài)特征可以用來表征特定的一種運參數(shù)訓練取的人體姿態(tài)特征是以數(shù)值矩陣的形式表征，故為了更好地提取細積神經(jīng)網(wǎng)絡進行模型訓練，通過卷積層提取特征。由于數(shù)據(jù)量不大，一次池化，隨即進入全連接層。對應卷積神經(jīng)網(wǎng)絡的結(jié)構(gòu)如圖 3 卷積核池化大小

【相似文獻】

相關期刊論文 前10條

1 趙一y

本文編號：2729230