收藏本站
收藏 | 手机打开
二维码
手机客户端打开本文

基于关系网络的二维人体姿态回归算法研究

叶浩  
【摘要】:人体姿态估计是图像分析和行为识别的重要基础,通过对图像中人体关节点位置的检测,用于后续对图像内容的辅助理解。随着电子设备的不断智能化,人体的行为分析越来越多的被用在智能监控、人机交互和运动分析等领域。故对其展开研究意义重大。针对人体姿态估计中普遍存在遮挡、关节点自由度大等问题,目前的二维人体姿态估计算法没有考虑到人体关节点之间的相互联系,而是直接通过卷积神经网络提取全局特征然后去预测每个关节点的位置。这样导致关节点之间失去了内在的联系。本文认为关节点之间的信息应该得到更多的关注。现有的回归网络算法没有利用到关节点在匹配时相互之间的约束信息,回归网络提取特征时更多的是使用高分辨率到低分辨率再上采样到高分辨的网络模型,以此得到的特征图在精度上有所损失。基于以上分析,本文给出了基于关系网络的二维人体姿态回归算法,主要工作如下:1)基于局部姿态约束的二维人体姿态估计人体姿态受人体活动动作的影响,各个关节点的自由度较大,关节点之间的搜索空间大,导致关节状态千变万化的特点。本文给出了一种基于局部姿态约束的二维人体姿态估计算法。人体姿态看起来是个整体的过程,但是具体到某个部分,我们可以从整体中分割出来进行分析,临近的关节点组成的部件可以看成是组成人体的一小部分。根据人体图结构的模型去构建关节点之间局部姿态约束关系,通过构建局部姿态约束的关系,增加更多的消息传递路径,使得关节点在匹配时能够利用到更多的约束信息。在MPⅡ数据集上进行了验证,取得了较好的效果,PCKh达到88.7%。2)基于关系网络的二维人体姿态估计对于可见关节点,局部姿态约束可以通过学习结构信息对相邻关节点进行更好地进行约束。但在人体关节点之间存在遮挡干扰的影响,很难通过局部关节点去确定其他关节点的位置。针对这个问题,本文给出了关系网络的二维人体姿态估计算法。通过关节点之间的特征相似来构建人体的关系网络,利用他们之间的外观特征和几何特征进行交互,外观特征表示为物体自身颜色形状这些外观上的特征,几何特征代表物体的位置,这里有多个关系模块,如同神经网络中每层都会有很多不同的通道,以便来学习不同关节点之间的特征,最后模块的输出是当前关节点和各个关节点的外观特征的融合。每个关系模块都用所有的关节点的两个特征做输入,得到不同的关系特征后的结合,并和关节点原来的特征信息融合。在MPⅡ数据集上进行了实验,在遮挡情况下的关节点得到明显改善,其中PCKh达到89.1%。3)基于多分辨率融合的二维人体姿态估计为了使网络模型输出的特征图回归关节点位置更加精准,本文针对目前回归网络模型都是从高到低分辨率网络产生的低分辨率图像中恢复高分辨率特征图回归关节点位置可能不准确的问题,给出了一种基于多分辨率融合的二维人体姿态估计算法。本文根据高分辨率网络结构特点进行了改进,在回归网络的模型中添加了多分辨率的结构,多分辨结构利用了高分辨可以精准定位关节点的位置和低分辨率能够获取更多的语义信息地特点,将不同分辨率层进行了融合得到网络最终的输出。实验结果表明,本文给出的多分辨率融合结构能够有效地改善关节点位置检测不准确的问题,取得了较好的效果。为了验证基于关系网络的二维人体姿态回归算法的性能,本文在MPⅡ数据集上进行了实验。实验结果显示,本文算法成功有效地利用到了人体关节点之间的信息,更好地实现二维人体姿态估计,其中PCKh达到89.2%,优于对比算法的结果,表明了算法的有效性。


知网文化
【相似文献】
中国期刊全文数据库 前15条
1 范冬艳;孙宪坤;王倩;;基于多级稠密块沙漏网络的人体姿态估计[J];传感器与微系统;2020年11期
2 肖贤鹏;刘理想;胡莉;张华;;基于深度图像的实时多人体姿态估计[J];传感器与微系统;2020年06期
3 薛涛;;基于混合部件模型改进的人体姿态估计[J];信息与电脑(理论版);2020年10期
4 彭帅;黄宏博;陈伟骏;胡志颖;袁铭阳;;基于卷积神经网络的人体姿态估计算法综述[J];北京信息科技大学学报(自然科学版);2020年03期
5 岳程宇;闫胜业;;2D人体姿态估计综述[J];现代信息科技;2020年12期
6 卢旭;张炯华;;基于神经网络的人体姿态估计方法研究[J];软件导刊;2020年10期
7 韩贵金;沈建冬;;二维人体姿态估计研究进展[J];西安邮电大学学报;2017年04期
8 蔡鹏;孔德慧;尹宝才;霍奕;;基于肢体调整的人体姿态估计[J];系统仿真学报;2015年10期
9 喻东山,徐捷,孙旦晖,曾彦英,高小宁,蒋晓军;利培酮对人体姿态平衡的效应[J];中国行为医学科学;2005年03期
10 东方伊人;四种常见的人体姿态[J];现代技能开发;1996年02期
11 何烨林;张军;;用于人体姿态估计传感的菲涅尔透镜设计[J];应用光学;2020年03期
12 赵云霄;钱宇华;王克琪;;基于可变形卷积的多人人体姿态估计[J];模式识别与人工智能;2020年10期
13 李崤河;刘进锋;;二维人体姿态估计研究综述[J];现代计算机;2019年22期
14 苏延超;艾海舟;劳世竑;;图像和视频中基于部件检测器的人体姿态估计[J];电子与信息学报;2011年06期
15 王伟楠;张荣;郭立君;;结合稀疏表示和深度学习的视频中3D人体姿态估计[J];中国图象图形学报;2020年03期
中国重要会议论文全文数据库 前6条
1 罗大为;郑颖;张姗;;基于视觉的人体姿态评估方法研究与进展[A];中国计算机用户协会网络应用分会2018年第二十二届网络新技术与应用年会论文集[C];2018年
2 甄庆凯;陈骐;;基于RGB-D数据3D人体姿态估计综述[A];第十一届全国体育科学大会论文摘要汇编[C];2019年
3 唐轶峻;汤一平;隋成华;;基于HMMs的人体姿态图像视觉理解研究[A];浙江省光学学会第九届学术年会暨新型光电技术青年论坛论文集[C];2005年
4 路晓坚;李金娜;袁德成;Er Meng Joo;;基于SVM的人体姿态预测方法[A];第36届中国控制会议论文集(C)[C];2017年
5 董大仟;何青;杨昆;;人体振动的研究进展概述[A];第八届全国振动理论及应用学术会议论文集摘要[C];2003年
6 刘崇;赵焕彬;王海涛;;人体平衡功能评价系统的研究进展[A];第八届全国体育科学大会论文摘要汇编(一)[C];2007年
中国博士学位论文全文数据库 前14条
1 ;[D];;年
2 赵林;面向复杂监控环境的人体运动分析方法[D];西安电子科技大学;2017年
3 张锋;基于卷积神经网络的人体姿态估计方法研究[D];电子科技大学;2020年
4 马淼;视频中人体姿态估计、跟踪与行为识别研究[D];山东大学;2017年
5 孙可;人体姿态估计的深度网络结构研究[D];中国科学技术大学;2020年
6 李弟平;基于视频的人体姿态检测与运动识别方法[D];中南大学;2012年
7 陈聪;基于人体姿态序列提取和分析的行为识别[D];华南理工大学;2012年
8 欧阳毅;单目视频中人体运动建模及姿态估计研究[D];浙江大学;2012年
9 李佳;多视角三维人体运动捕捉的研究[D];北京交通大学;2013年
10 张殿勇;基于人体模型构建的无标识运动捕捉关键技术研究[D];北京交通大学;2014年
11 叶青;无标记人体运动捕捉技术的研究[D];北京邮电大学;2014年
12 李毅;单目视频人体运动分析技术研究[D];南京大学;2013年
13 谢良;实时人体姿态行为检测识别及非刚性形貌稠密重建方法研究[D];国防科技大学;2018年
14 张鸣;连接刚体及人体姿态估计的理论与方法[D];上海交通大学;2011年
中国硕士学位论文全文数据库 前20条
1 叶浩;基于关系网络的二维人体姿态回归算法研究[D];大连海事大学;2020年
2 张赛;基于对抗学习的人体姿态估计研究[D];中国矿业大学;2020年
3 马瑞军;基于深度学习的多人人体姿态估计[D];天津职业技术师范大学;2019年
4 韩利夫;基于深度学习的人体姿态估计算法研究[D];电子科技大学;2020年
5 朱靖;基于卷积神经网络的二维人体姿态估计研究[D];杭州电子科技大学;2019年
6 周亚辉;基于跨阶段深度网络的人体姿态分析[D];合肥工业大学;2019年
7 汤林;拥挤条件下的人体姿态检测算法研究[D];重庆邮电大学;2019年
8 侯珊珊;基于卷积神经网络的人体姿态估计[D];华北理工大学;2019年
9 周朋肖;基于人体姿态估计的队列评分系统的设计与实现[D];电子科技大学;2019年
10 季月鹏;基于视频人体姿态估计的高尔夫挥杆动作比对分析研究[D];南京邮电大学;2019年
11 赵昱文;基于深度学习的视频中的人体姿态估计[D];宁夏大学;2019年
12 杨川;基于深度学习的人体姿态估计技术研究[D];哈尔滨工业大学;2019年
13 程正涛;面向室外图像的人体姿态估计算法研究[D];哈尔滨工业大学;2019年
14 尹李明;基于人体姿态分析的表观视线估计方法[D];哈尔滨工业大学;2019年
15 宋兴浩;自然场景下3D人体姿态估计[D];哈尔滨工业大学;2019年
16 问倩;基于卷积神经网络的人体姿态估计系统研究与实现[D];西安电子科技大学;2019年
17 窦睿翰;基于深度学习的人体姿态估计方法[D];西安电子科技大学;2019年
18 熊紫华;基于深度学习的人体姿态估计研究[D];华中科技大学;2019年
19 郑岳智;基于卷积神经网络的人体姿态估计方法研究[D];华中科技大学;2019年
20 许志强;基于深度学习的实时人体姿态估计系统[D];燕山大学;2019年
 快捷付款方式  订购知网充值卡  订购热线  帮助中心
  • 400-819-9993
  • 010-62982499
  • 010-62783978