检索结果-南通市图书馆

检索条件"主题词=人体骨骼关节点"

共 2 条记录，以下是1-10 订阅

全选清除本页清除全部题录导出标记到"检索档案"

详细简洁

排序：

基于图卷积和姿态估计的行为识别关键技术研究

基于图卷积和姿态估计的行为识别关键技术研究

引用

作者：胡玉莹中国矿业大学

学位级别：硕士

人体行为识别在自动驾驶、智能监控、人机交互、智能家居以及体育运动等方面都发挥着重大作用,已经成为计算机视觉领域中一个热门的研究课题。然而由于人体衣着穿戴以及人体行为的复杂性,在特征提取和设计高效的网络模型等方面仍然面临... 详细信息

人体行为识别在自动驾驶、智能监控、人机交互、智能家居以及体育运动等方面都发挥着重大作用,已经成为计算机视觉领域中一个热门的研究课题。然而由于人体衣着穿戴以及人体行为的复杂性,在特征提取和设计高效的网络模型等方面仍然面临着巨大挑战。本文在网络模型结构和特征描述两方面展开研究,主要内容如下:(1)针对行为识别问题中网络模型性能不高的问题,提出了一种改进时空图卷积神经网络模型(STE-GCN)。本文以时空图卷积神经网络为基线模型,首先在时空图卷积神经网络中加入衡量网络深度和宽度在网络识别效果方面的比重系数,然后加入控制模型缩放时资源数量的指定系数,接着通过设置不同的指定系数来同时改变时空图卷积神经网络的宽度和深度,根据训练的结果进一步缩放时空图卷积神经网络,最终得到STE-GCN网络模型,进而提升人体行为识别的准确率。(2)针对人体行为特征描述不充分的问题,提出了一种基于夹角和向量的人体行为特征计算方法。本文从人体姿态的角度出发,首先将人体行为分为静态姿态和动态运动两个阶段,然后用夹角和向量描述两阶段中人体行为的特征,用肢体之间的夹角和描述身体倾斜程度的躯干与地面法向量夹角来表达静态姿态的特征,用加入时间维度的信息向量来表达动态运动的特征,最后结合时空图卷积神经网络模型对人体行为进行识别,比单纯的时空图卷积神经网络模型的识别准确率更高。在实验部分,本文在UCF101视频序列数据集和NTU-RGB+D三维骨骼点数据集上进行实验,同时对UCF101数据集进行处理时采用姿态估计的方法提取出人体的坐标位置信息。实验结果表明,基于夹角和向量的人体行为特征计算方法提取出的人体特征可以很明显地区分出人体动作,改进的时空图卷积神经网络在进行人体行为识别时具有较高的准确率,同时本文提出的方法在人体行为识别方面具有较好的鲁棒性。

关键词：人体行为识别人体骨骼关节点向量夹角复合扩张

来源：

同方学位论文库评论

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于关节点序列的球类运动姿势识别研究及应用

基于关节点序列的球类运动姿势识别研究及应用

引用

作者：石阳阳江苏大学

学位级别：硕士

随着社会经济飞速发展,人们生活水平日益提高,现代人越来越关注自身的健康问题,想要通过各种运动来达到强身健体的效果。其中球类运动(羽毛球、网球、乒乓球等)深受广大健身爱好者喜爱。同时,随着Kinect在人体骨骼追踪算法上的突破和深... 详细信息

随着社会经济飞速发展,人们生活水平日益提高,现代人越来越关注自身的健康问题,想要通过各种运动来达到强身健体的效果。其中球类运动(羽毛球、网球、乒乓球等)深受广大健身爱好者喜爱。同时,随着Kinect在人体骨骼追踪算法上的突破和深度学习的兴起,使得基于关节点数据和深度学习方法的人体姿势识别的研究逐渐成为了一个新的研究趋势。目前球类运动的姿势识别在动作复杂性和研究数据方面都有很大的挑战性,同时该研究也具备极为重要的应用价值。因此,本文以羽毛球运动为代表,结合对现有的人体姿势识别研究的分析和总结,以关节点序列和LSTM神经网络为基础,开展了对人体球类运动姿势识别问题的研究。本文的研究内容主要包括:(1)针对Kinect对人体骨骼关节点数据采集时可能存在识别错误或者丢失的问题,提出了一种基于骨骼长度和运动连续性的关节点信息处理方法。该方法能够对关节点信息的可信度进行评估,并对检测出存在误差的数据进行修复。通过对误差数据的修复处理,能够获得更加有效的关节点信息。通过实验证明,该方法能够有效地提高球类运动姿势识别的准确率。(2)为了充分地获取球类动作姿势间互相关联的特征信息,提出了一种基于LSTM-Attention网络的球类运动姿势识别方法。该方法首先对关节点信息进行基于角度和相对距离的特征增强预处理,以此来丰富特征信息和提升网络的收敛速度。其次,将LSTM与注意力机制结合对球类运动姿势进行识别分类,从而进一步对序列中较深层次的特征信息进行挖掘。同时,通过在网络中引入dropout来减少网络过拟合情况。该方法在提升网络训练效率的同时,也有效地提高了人体球类运动姿势识别的准确率。(3)设计并开发了基于Kinect的球类运动姿势识别系统,该系统主要包括球类运动数据采集、处理以及分析三个模块。系统能够自动采集球类运动姿势的关节点数据,并对获取到的数据进行处理,然后由球类运动姿势识别网络输出用户的姿势预测结果。系统会根据结果给出相应的动作对比图进行分析,从而帮助用户提升球类运动姿势的规范程度。

关键词： Kinect 人体骨骼关节点 LSTM 注意力机制姿势识别

来源：

同方学位论文库评论

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

全选清除本页清除全部题录导出标记到“检索档案”

共1页 << < 1 > >>

回到顶部

执行限定条件

欢迎您,

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

在线全文

在线全文

请选择保存的检索档案：

请选择收藏分类：

通借通还

欢迎您,

建议与咨询 留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

在线全文

在线全文

请选择保存的检索档案： 新增检索档案 确定 取消

请选择收藏分类： 新增自定义分类 确定 取消

通借通还

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

请选择保存的检索档案：

请选择收藏分类：