基于视频人体姿态估计的高尔夫挥杆动作比对分析研究

发布时间：2021-10-01 01:31

　　近年来,随着人们水平的提高,人们越来越注重体育运动。而传统的体育运动训练主要还是依靠教练的训练方法,而且教练资源少,一对一或者一对多的教练面授训练成本也高,因此目前主要还是依靠运动捕捉系统或者携带传感器等方式来进行运动参数采集,这样的方式不仅给运动员造成一定程度上的不便,也阻碍了智能运动的发展,而基于计算机视觉的智能运动可以解决这些问题。为此,本文针对高尔夫挥杆视频提出了一种基于视频的人体姿态估计算法和一种基于人体姿态估计的高尔夫挥杆动作比对分析算法。针对OpenPose的不足,提出了一种基于视频的人体姿态估计算法,该方法首先通过OpenPose算法进行静态图像人体姿态估计,然后基于帧间姿态距离度量建立人体跟踪,并对图片进行超像素分割,确定骨骼关节点所在超像素,并将超像素与以关节点为中心的方框的交集区域作为最小粒度,接着通过前向后向搜索较优关节点,基于光流与人体运动连续性建立候选关节点集和参考关节点,最后,为每一帧图像中置信度较低的关键点生成较优的候选关键点,通过重组这些身体部位为每一帧图像生成最优的全局人体姿态。本章提出的视频人体姿态估计方法在PoseTrack数据库上表现出了很好的... 

【文章来源】：南京邮电大学江苏省

【文章页数】：73 页

【学位级别】：硕士

【部分图文】：

CPM的网络框架图

用卷积神经网络，CPM 的主要网络结构分为多个阶段，其中第一个阶段会节点的检测效果，在后续几个阶段中，把前一个阶段的预测输出和从原图一个阶段的输入，进一步提高关键点的检测效果。具体网络框架图如图 1.M 将各肢体之间的空间约束关系通过用各肢体的响应图来表征，并把响应图一样在网络中传递。人体骨骼关节点在空间上的先验分布会指导网络的学段的预测结果中右肩关节点的预测结果是正确的，而右肘关节点的预测是下来的阶段中肩和肘在空间上的先验分布会指导网络的学习。图 1.2 所示，CPM 通过使用多阶段监督的方式来避免可能会出现的网络太化的情况，为此，在每个阶段的输出都应用了损失函数，而且感受野随着增大，最后值得一提的是第一阶段对原图提取特征的网络区别于其他非第网络，因为第一个阶段网络的作用是预测初步的结果，而后几个阶段的作间先验知识和对原图提取的特征对上一个阶段预测的结果做进一步精化。

图 1.3 Cascaded Pyramid Network 网络结构图[5]（3）自下而上自下而上（Bottom-Up）的人体骨骼关节点检测算法主要由人体骨骼关节点检测器和关节点连接器这两部分组成，其中人体骨骼关节点检测器和单人的骨骼关节点检测器方法上是差不多的，不同的是人体骨骼关节点检测器需要将图片中所有的不同类型的人体骨骼关节点全部检测出来，然后对这些骨骼关节点进行聚类处理，接着把不同人的不同骨骼关节点连接在一块，从而聚类产生不同的个体。这种类型的姿态估计方法主要侧重于对骨骼关节点聚类方法的探索，即如何去构建不同关节点之间的关系。自下而上的人体姿态估计方法中有几种经典的方法。比如 Xia 等提出了 PartSegmentation[6]，该方法对人体的不同部位进行分割，而骨骼关节点都落在分割区域的特定位置，然后将部位分割对骨骼关节点之间的关系进行建模，这样的方法不仅能够显式的提供人体骨骼关节点的空间先验知识，而且还能够指导网络的学习，而且同时可以在最后对不同人体骨骼关节点进行聚类时也能起到相应连接关键点的作用。如图 1.4 所示。


本文编号：3416988