隨著機(jī)械制造業(yè)的發(fā)展,使用人體動(dòng)作識(shí)別技術(shù)的智能機(jī)器人為高效的人機(jī)協(xié)同裝配提供了現(xiàn)實(shí)可能。機(jī)器人通過(guò)對(duì)人類(lèi)的動(dòng)作進(jìn)行識(shí)別理解,可以更好的與人類(lèi)協(xié)同工作,進(jìn)而大幅提高生產(chǎn)效率。除此,人體動(dòng)作識(shí)別還被廣泛的應(yīng)用于智能安防、智能家居、智能醫(yī)療等生產(chǎn)生活多個(gè)領(lǐng)域。本文通過(guò)動(dòng)作數(shù)據(jù)特征提取、動(dòng)作識(shí)別模型構(gòu)建、人體連續(xù)動(dòng)作的分割識(shí)別三個(gè)主要方面實(shí)現(xiàn)了人體動(dòng)作的識(shí)別研究。建立了人體動(dòng)作模型。對(duì)人體原始3D骨架數(shù)據(jù)進(jìn)行均值濾波處理以消除可能存在的數(shù)據(jù)噪聲。在主要關(guān)節(jié)點(diǎn)構(gòu)成的人體骨架簡(jiǎn)化模型的基礎(chǔ)上建立了以肢體夾角和相對(duì)距離構(gòu)成的靜態(tài)特征,關(guān)節(jié)動(dòng)能和肢體夾角的角加速度構(gòu)成的動(dòng)態(tài)特征,并對(duì)靜態(tài)特征和動(dòng)態(tài)特征進(jìn)行了特征融合以表征人體動(dòng)作。通過(guò)關(guān)鍵幀提取模型篩選出動(dòng)作序列中具有明顯變化的動(dòng)作幀,剔除變化不明顯的動(dòng)作幀,以實(shí)現(xiàn)提高動(dòng)作識(shí)別準(zhǔn)確率,降低計(jì)算量。構(gòu)建了基于LSTM神經(jīng)網(wǎng)絡(luò)以及基于Bi-LSTM神經(jīng)網(wǎng)絡(luò)并融入注意力機(jī)制以及Dropout的兩種人體動(dòng)作識(shí)別模型。首先采用LSTM神經(jīng)網(wǎng)絡(luò)對(duì)人體動(dòng)作進(jìn)行識(shí)別分類(lèi),再采用Bi-LSTM神經(jīng)網(wǎng)絡(luò)并引入注意力機(jī)制和Dropout來(lái)彌補(bǔ)LSTM神經(jīng)網(wǎng)絡(luò)在人體動(dòng)作識(shí)別... 

【文章來(lái)源】：西安理工大學(xué)陜西省

【文章頁(yè)數(shù)】：77 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
Abstract
1 緒論
    1.1 研究背景與意義
    1.2 人體動(dòng)作識(shí)別的國(guó)內(nèi)外研究進(jìn)展
        1.2.1 動(dòng)作特征提取
        1.2.2 動(dòng)作分類(lèi)算法
        1.2.3 連續(xù)動(dòng)作的分割與識(shí)別
    1.3 本文的主要研究工作
2 人體3D骨架信息的特征提取
    2.1 基于人體3D骨架信息的特征提取
        2.1.1 原始3D數(shù)據(jù)的去噪
        2.1.2 靜態(tài)特征
        2.1.3 動(dòng)態(tài)特征
        2.1.4 特征融合
    2.2 關(guān)鍵幀提取模型
    2.3 模型分析
    2.4 本章小結(jié)
3 基于LSTM的人體動(dòng)作識(shí)別
    3.1 LSTM神經(jīng)網(wǎng)絡(luò)簡(jiǎn)介
    3.2 基于LSTM的人體動(dòng)作識(shí)別
        3.2.1 人體動(dòng)作識(shí)別網(wǎng)絡(luò)結(jié)構(gòu)
        3.2.2 Bi-LSTM神經(jīng)網(wǎng)絡(luò)
        3.2.3 注意力機(jī)制
        3.2.4 Dropout
    3.3 實(shí)驗(yàn)仿真與分析
        3.3.1 數(shù)據(jù)集簡(jiǎn)介
        3.3.2 實(shí)驗(yàn)設(shè)置
        3.3.3 結(jié)果與分析
    3.4 正交試驗(yàn)法
        3.4.1 正交試驗(yàn)設(shè)置
        3.4.2 優(yōu)化結(jié)果與分析
    3.5 本章總結(jié)
4 人體連續(xù)動(dòng)作的分割與識(shí)別
    4.1 基于能量學(xué)的分割方法
        4.1.1 人體動(dòng)作能量模型
        4.1.2 連續(xù)動(dòng)作的分割
    4.2 基于滑動(dòng)窗口的分割方法
        4.2.1 滑動(dòng)窗口在連續(xù)動(dòng)作中的建立
        4.2.2 連續(xù)動(dòng)作識(shí)別
    4.3 實(shí)驗(yàn)仿真與分析
        4.3.1 能量法連續(xù)動(dòng)作分割實(shí)驗(yàn)
        4.3.2 基于滑動(dòng)窗口的連續(xù)動(dòng)作分割實(shí)驗(yàn)
    4.4 本章小結(jié)
5 總結(jié)與展望
    5.1 總結(jié)
    5.2 展望
致謝
參考文獻(xiàn)
攻讀學(xué)位期間主要研究成果


【參考文獻(xiàn)】：
期刊論文
[1]基于加權(quán)動(dòng)態(tài)時(shí)間彎曲的多元時(shí)間序列相似性匹配方法[J]. 葉燕清,楊克巍,姜江,葛冰峰,豆亞杰.  模式識(shí)別與人工智能. 2017(04)
[2]基于CHMMs的自適應(yīng)行為識(shí)別方法[J]. 李軍懷,嚴(yán)其松,王志曉,魏嵬,張璟.  計(jì)算機(jī)應(yīng)用研究. 2014(10)
[3]基于Kinect和金字塔特征的行為識(shí)別算法[J]. 申曉霞,張樺,高贊,徐光平,薛彥兵.  光電子.激光. 2014(02)
[4]基于Segmental-DTW的無(wú)監(jiān)督行為序列分割[J]. 吳曉婕,胡占義,吳毅紅.  軟件學(xué)報(bào). 2008(09)

碩士論文
[1]基于雙層條件隨機(jī)場(chǎng)的人體行為識(shí)別研究[D]. 董曉棟.南京郵電大學(xué) 2018
[2]基于DBN-HMM的人體動(dòng)作識(shí)別[D]. 羅曉宇.西安理工大學(xué) 2018
[3]基于人體骨架模型的人體行為識(shí)別[D]. 譚貝貝.貴州大學(xué) 2018
[4]基于深度學(xué)習(xí)的人體動(dòng)作識(shí)別研究[D]. 劉曉林.重慶郵電大學(xué) 2018
[5]基于條件隨機(jī)場(chǎng)的人體動(dòng)作識(shí)別[D]. 陳文超.電子科技大學(xué) 2016
[6]融合骨架特征和時(shí)空興趣點(diǎn)特征的動(dòng)作識(shí)別及應(yīng)用[D]. 劉挺.北京理工大學(xué) 2016
[7]交互應(yīng)用中的實(shí)時(shí)動(dòng)作識(shí)別[D]. 梁燕.北京理工大學(xué) 2015
[8]基于隱馬爾科夫模型和深度攝像頭的動(dòng)態(tài)手勢(shì)識(shí)別研究[D]. 王楠.東北大學(xué) 2014
[9]基于Kinect骨架信息的人體動(dòng)作識(shí)別[D]. 劉飛.東華大學(xué) 2014



本文編號(hào)：3530091