動作識別目前已經廣泛應用于視頻監(jiān)控、機器人學、游戲交互等各個領域。視頻監(jiān)控可以遠程確定人或環(huán)境的安全,其中使用環(huán)境為家庭時,更是可以對家中的老年人進行摔倒動作識別并及時報警救援,避免危險的進一步發(fā)生。本文通過兩種方式建立脈沖神經網絡,對人體摔倒動作進行識別。首先,建立人體動作的骨骼運動模型。一般來說,人體可以被看作是一個由剛性骨架和關節(jié)鉸鏈組成的系統(tǒng),而人體動作則可以被表示為人體骨骼的運動。運動中通過深度傳感器Kinect可以得到可靠的人體骨骼關節(jié)節(jié)點坐標,再將人體骨架節(jié)點的X、Y、Z位置分量等價于圖像像素的R、G、B分量,從而將人體骨架序列轉換為二維圖像。然后,建立了一個基于無監(jiān)督學習的脈沖神經網絡。脈沖神經網絡比傳統(tǒng)神經網絡更具有生物學合理性,該網絡使用了LIF（leaky-integrate-and-fire）神經元模型、STDP（spike-timing-dependent plasticity）算法、側抑制和固有塑性機制。該脈沖神經網絡可分為輸入層、興奮層和抑制層三層,輸入圖像以泊松分布脈沖序列的形式傳遞給該模型。其次,為了檢測上述脈沖神經網絡識別人體摔倒動作的準確性,建立了... 

【文章來源】：哈爾濱工業(yè)大學黑龍江省 211工程院校 985工程院校

【文章頁數(shù)】：79 頁

【學位級別】：碩士

【部分圖文】：

動作識別相關設備

就屬于稠密光流的范疇，圖 1-2 為利用 Horn-Schunck 算法進行光流場生成的示例。圖1-2 基于區(qū)域匹配方法生成稠密光流場圖例[9]由于光流矢量稠密，所以稠密光流的配準效果好，但由于要計算每個點的偏移量，計算量大，時效性較差。與稠密光流相反，稀疏光流[10]并不對圖像的每個像素點進行逐點計算。它通常需要指定一組點進行跟蹤，這組點最好具有某種明顯的特性，例如 Harris 角點等，那么跟蹤就會相對穩(wěn)定和可靠。由于稀疏光流法相對而言要計算的像素點少，所以它的計算開銷也比稠密光流法小的多。此外還有大量其他基于光流法的算法被提出，它被廣泛地用于動作識別領域。除應用較多的光流法外

圖 1-3 所示為一個 MHI 運動歷史圖范例，從圖中可以看出該人正在向上做揮手動作。圖1-3 運動歷史圖圖例[12]除上述介紹的動作特征提取方法外，還有基于 HTM 構架的特征提取、3D 時空體（STV）的特征提取、時空興趣點特征提取等等。這些提取的特征都在一定程度上包含了時間維度�？偠灾�，在動作識別中，用于識別的神經網絡或者提取的動作特征至少有一個要包含時間維度。脈沖神經網絡研究現(xiàn)狀Hopfield 教授表示神經元膜電位隨時間變化模型包含了時間信息，可以應用

【參考文獻】：
碩士論文
[1]脈沖神經網絡學習算法的研究及其應用[D]. 胡志根.電子科技大學 2017



本文編號：3021406