人體姿態(tài)分析是圖像處理與模式識別領(lǐng)域中一個非常熱門的研究方向,其在眾多領(lǐng)域均具有廣泛的應(yīng)用與廣闊的前景。用于解決人體姿態(tài)問題的算法多種多樣,其中高斯過程回歸由于在處理非線性,高維,復(fù)雜問題中的優(yōu)越性,成為一種常見的解決此類問題的方法。在經(jīng)典的高斯過程回歸中,計算復(fù)雜度一個重要的考慮因素,而常用的降低計算復(fù)雜度的方法為稀疏高斯算法。在稀疏算法中,完全獨立訓(xùn)練條件法是一種較為先進的算法,其多用于解決輸入變量彼此之間完全獨立的回歸問題。另外,輸入變量的噪聲問題則是高斯過程中另一個需要考慮的重要因素,對于測試的輸入變量的噪聲,可以通過矩匹配與進行處理,而訓(xùn)練輸入樣本的噪聲則可通過將其轉(zhuǎn)換為輸出噪聲的方法進行解決,從而得到更高的計算精度。帶有神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)的概率模型是機器學(xué)習(xí)中又一重要的研究領(lǐng)域,深度學(xué)習(xí)模型在學(xué)習(xí)與抽象信息相關(guān)聯(lián)的復(fù)雜數(shù)據(jù)集方面天然具有結(jié)構(gòu)上的優(yōu)勢,可以顯著提高學(xué)習(xí)質(zhì)量,但與之相對的卻是大量的訓(xùn)練數(shù)據(jù)需求。深度高斯過程就可以在兩者之間達(dá)到一個很好的平衡,該方法的單層結(jié)構(gòu)來自于高斯隱變量模型,在預(yù)測中小型樣本集時依舊可以達(dá)到較好的精度。本文將以上兩種算法分別用于解決兩類人體姿態(tài)分析... 

【文章來源】：上海交通大學(xué)上海市 211工程院校 985工程院校 教育部直屬院校

【文章頁數(shù)】：81 頁

【學(xué)位級別】：碩士

【文章目錄】：
摘要
ABSTRACT
第一章 緒論
    1.1 研究背景與意義
        1.1.1 研究背景
        1.1.2 研究意義
    1.2 國內(nèi)外研究現(xiàn)狀
        1.2.1 人體姿態(tài)分析
        1.2.2 高斯過程
        1.2.3 存在的不足
    1.3 論文的主要內(nèi)容與章節(jié)安排
第二章 圖像預(yù)處理與特征提取
    2.1 梯度分布直方圖
        2.1.1 提取過程
        2.1.2 參數(shù)評估
    2.2 基于HumanEva-Ⅰ數(shù)據(jù)集的特征提取
        2.2.1 HumanEva-Ⅰ數(shù)據(jù)集簡述
        2.2.2 HumanEva-Ⅰ數(shù)據(jù)集特征提取
    2.3 基于空間站艙內(nèi)視頻的特征提取
        2.3.1 在軌維修姿態(tài)分析總結(jié)
        2.3.2 維修姿態(tài)舒適度分析方法
        2.3.3 艙內(nèi)視頻的特征提取
        2.3.4 特征提取的合理性說明
    2.4 本章小結(jié)
第三章 帶有噪聲輸入的稀疏高斯過程
    3.1 高斯過程基本模型
    3.2 稀疏高斯過程
    3.3 帶有噪聲輸入的高斯過程
        3.3.1 測試輸入點為隨機變量
        3.3.2 訓(xùn)練輸入點為隨機變量
    3.4 帶有噪聲輸入的稀疏高斯過程
        3.4.1 基本模型
        3.4.2 樣例測試
    3.5 本章小結(jié)
第四章 深度高斯過程
    4.1 高斯過程隱變量模型
        4.1.1 概率PCA
        4.1.2 基于隱變量空間的概率PCA
        4.1.3 高斯過程隱變量模型
    4.2 深度高斯過程
        4.2.1 多層單節(jié)點結(jié)構(gòu)
        4.2.2 貝葉斯訓(xùn)練過程
        4.2.3 多層多節(jié)點結(jié)構(gòu)
    4.3 樣例測試
    4.4 本章小結(jié)
第五章 人體姿態(tài)分析
    5.1 基于HUMANEVA-I數(shù)據(jù)集的人體姿態(tài)分析
        5.1.1 輸入、輸出與誤差度量
        5.1.2 初始化與評估
    5.2 基于空間站艙內(nèi)視頻的人體姿態(tài)分析
        5.2.1 輸入,輸出與誤差度量
        5.2.2 初始化與評估
    5.3 本章小結(jié)
第六章 結(jié)束語
    6.1 主要工作與創(chuàng)新點
    6.2 后續(xù)研究工作
參考文獻
附錄1
致謝
攻讀碩士學(xué)位期間已發(fā)表或錄用的論文


【參考文獻】：
期刊論文
[1]方向梯度直方圖綜述[J]. 劉方園,王水花,張煜東.  計算機工程與應(yīng)用. 2017(19)
[2]基于函數(shù)型數(shù)據(jù)分析方法的人體動態(tài)行為識別[J]. 蘇本躍,蔣京,湯慶豐,盛敏.  自動化學(xué)報. 2017(05)
[3]人臉微表情識別綜述[J]. 徐峰,張軍平.  自動化學(xué)報. 2017(03)
[4]加權(quán)SVDD算法在人體姿態(tài)估計中的研究與應(yīng)用[J]. 韓貴金.  計算機工程與應(yīng)用. 2017(15)
[5]融合HOG和顏色特征的人體姿態(tài)估計新算法[J]. 沈建冬,陳恒.  計算機工程與應(yīng)用. 2017(21)
[6]基于深度學(xué)習(xí)的頭部姿態(tài)估計[J]. 賀飛翔,趙啟軍.  計算機技術(shù)與發(fā)展. 2016(11)
[7]結(jié)合SVM分類器與HOG特征提取的行人檢測[J]. 徐淵,許曉亮,李才年,姜梅,張建國.  計算機工程. 2016(01)
[8]稀疏貝葉斯混合專家模型及其在光譜數(shù)據(jù)標(biāo)定中的應(yīng)用[J]. 俞斌峰,季海波.  自動化學(xué)報. 2016(04)
[9]小樣本條件下基于隨機森林和Haar特征的多姿態(tài)人臉識別[J]. 周致富,吳懷宇,張志芬,陳洋.  計算機應(yīng)用與軟件. 2015(12)
[10]我國空間站的空間科學(xué)與應(yīng)用任務(wù)[J]. 高銘,趙光恒,顧逸東.  中國科學(xué)院院刊. 2015(06)



本文編號：3189598