基于Stacked Hourglass网络的二维人体骨骼关键点检测
发布时间：2021-08-27 04:38
驾驶员注意力不集中是导致交通事故发生的主要原因之一,基于计算机视觉的分心驾驶识别技术具有非侵入、成本低等优势,是目前相关研究的热点和趋势。本文利用基于计算机视觉的人体骨骼关键点检测技术获取驾驶员上半身的姿态,通过学习姿态信息帮助网络识别驾驶员行为。现有人体骨骼关键点检测算法对背景复杂、遮挡严重、像素过小等目标的检测效果差,本文通过对现有算法的改进来解决上述问题,从而提高算法的精度和鲁棒性,达到检测驾驶员骨骼关键点的要求。本文主要研究内容如下:（1）改进了Faster R-CNN人物目标检测算法,首先针对现有行人检测数据集在拍摄场景、样本密度、遮挡场景等方面缺陷,制作了WiderPerson数据集;其次在Faster R-CNN的基础上改进Anchors尺寸和特征图尺寸,增强RoI池化特征,设置忽略采样区域,使用动态采用策略,从而提高了其在人物目标检测上的精度。（2）提出了一种改进的人体骨骼关键点检测算法,该算法在Stacked Hourglass网络的基础上添加空间变换网络模块,解决Stacked Hourglass网络对人物目标检测位置敏感问题,同时使用难样本挖掘均方差损失函数,提高...
【文章来源】：南京航空航天大学江苏省 211工程院校
【文章页数】：76 页
【学位级别】：硕士
【部分图文】：
人体骨骼关键点示意图
南京航空航天大学硕士学位论文建立、部位搜索空间的减小以及推理算法的优化等四个方面。两种方法对早期的人体骨骼关键点检测技术的发展起了重大推进作用，但是、鲁棒性不足等缺陷，一度导致人体骨骼关键点检测技术的发展陷入瓶颈之习的发展，人体骨骼关键点检测技术也迎来了新的春天。由于深度学习表现对人体骨骼关键点检测算法的研究进一步深入，研究内容主要分为二维人体和三维人体骨骼关键点检测[15]。维人体骨骼关键点检测技术在研究方向上分为两大类：骨骼关键点检测算法点检测框架研究，如图 1.2 所示。其中，对骨骼关键点检测框架的研究上，和由底而上两种[16]。
网络最后会连接一层或多层全连接层，通过全连接层将特征映射利用损失函数计算损失。在有些任务（例如语义分割、人体骨骼关键点检中使用上采样层，主要原因是这些任务不但需要高阶的特征，同时还需要到高阶特征和低阶特征的尺度不同，在进行高、低特征融合时，需要将小采样。卷积神经网络在训练时，首先要对网络的学习参数（如权重、偏置然后训练样本通过网络进行前向传播，层层计算后由损失函数得到损失值反向传播的方式对学习参数进行更新。重复迭代，当损失函数计算的误差完成训练。积与池化层是卷积神经网络中最基本的组成部分。卷积层的计算示例如图 2.1 所示的特征图；灰色部分填入的值都是零，称为补零操作，目的是调整输出的核的大小是3 3，可以看作是一个滑动窗口，滑动步长是 2，从左到右、。滑动过程中，将窗口内的特征图中的值和卷积核对应的值相乘，然后求作为输出特征图对应位置的值。
【参考文献】：
期刊论文
[1]基于反向双目识别的驾驶员分心检测[J]. 王冠,李振龙. 科学技术与工程. 2018(17)
[2]驾驶人分心状态判别支持向量机模型优化算法[J]. 张辉,钱大琳,邵春福,钱振伟,菅美英. 交通运输系统工程与信息. 2018(01)
[3]二维人体姿态估计研究进展[J]. 韩贵金,沈建冬. 西安邮电大学学报. 2017(04)
[4]基于面部行为分析的驾驶员疲劳检测方法[J]. 耿磊,袁菲,肖志涛,张芳,吴骏,李月龙. 计算机工程. 2018(01)
[5]基于脑电分析的连续驾驶疲劳高发时间判断[J]. 李君羡,潘晓东. 交通科学与工程. 2012(04)
[6]Hough算法在图像处理中的应用[J]. 钟彩,文密. 信息通信. 2012(06)
[7]遗传算法研究进展[J]. 马永杰,云文霞. 计算机应用研究. 2012(04)
[8]疲劳驾驶的脑电特性探索[J]. 彭军强,吴平东,殷罡. 北京理工大学学报. 2007(07)
[9]前馈神经网络中的反向传播算法及其改进:进展与展望[J]. 刘曙光,郑崇勋,刘明远. 计算机科学. 1996(01)
硕士论文
[1]基于机器视觉的自动验布系统研究与开发[D]. 张美杰.广东工业大学 2018
[2]基于改进TextBoxes的自然场景文本检测算法[D]. 余峥.华东师范大学 2018
[3]基于神经网络的多源数据攻击检测研究与应用[D]. 李志鹏.电子科技大学 2018
[4]基于人脸识别驾驶员疲劳检测系统设计与开发[D]. 才博.大连理工大学 2016
[5]考虑驾驶员生物电信号的疲劳驾驶检测方法研究[D]. 薛雷.吉林大学 2015
[6]针对静态图像的人体姿态估计[D]. 丁肖.辽宁大学 2015
本文编号：3365663
【文章来源】：南京航空航天大学江苏省 211工程院校
【文章页数】：76 页
【学位级别】：硕士
【部分图文】：
人体骨骼关键点示意图
南京航空航天大学硕士学位论文建立、部位搜索空间的减小以及推理算法的优化等四个方面。两种方法对早期的人体骨骼关键点检测技术的发展起了重大推进作用，但是、鲁棒性不足等缺陷，一度导致人体骨骼关键点检测技术的发展陷入瓶颈之习的发展，人体骨骼关键点检测技术也迎来了新的春天。由于深度学习表现对人体骨骼关键点检测算法的研究进一步深入，研究内容主要分为二维人体和三维人体骨骼关键点检测[15]。维人体骨骼关键点检测技术在研究方向上分为两大类：骨骼关键点检测算法点检测框架研究，如图 1.2 所示。其中，对骨骼关键点检测框架的研究上，和由底而上两种[16]。
网络最后会连接一层或多层全连接层，通过全连接层将特征映射利用损失函数计算损失。在有些任务（例如语义分割、人体骨骼关键点检中使用上采样层，主要原因是这些任务不但需要高阶的特征，同时还需要到高阶特征和低阶特征的尺度不同，在进行高、低特征融合时，需要将小采样。卷积神经网络在训练时，首先要对网络的学习参数（如权重、偏置然后训练样本通过网络进行前向传播，层层计算后由损失函数得到损失值反向传播的方式对学习参数进行更新。重复迭代，当损失函数计算的误差完成训练。积与池化层是卷积神经网络中最基本的组成部分。卷积层的计算示例如图 2.1 所示的特征图；灰色部分填入的值都是零，称为补零操作，目的是调整输出的核的大小是3 3，可以看作是一个滑动窗口，滑动步长是 2，从左到右、。滑动过程中，将窗口内的特征图中的值和卷积核对应的值相乘，然后求作为输出特征图对应位置的值。
【参考文献】：
期刊论文
[1]基于反向双目识别的驾驶员分心检测[J]. 王冠,李振龙. 科学技术与工程. 2018(17)
[2]驾驶人分心状态判别支持向量机模型优化算法[J]. 张辉,钱大琳,邵春福,钱振伟,菅美英. 交通运输系统工程与信息. 2018(01)
[3]二维人体姿态估计研究进展[J]. 韩贵金,沈建冬. 西安邮电大学学报. 2017(04)
[4]基于面部行为分析的驾驶员疲劳检测方法[J]. 耿磊,袁菲,肖志涛,张芳,吴骏,李月龙. 计算机工程. 2018(01)
[5]基于脑电分析的连续驾驶疲劳高发时间判断[J]. 李君羡,潘晓东. 交通科学与工程. 2012(04)
[6]Hough算法在图像处理中的应用[J]. 钟彩,文密. 信息通信. 2012(06)
[7]遗传算法研究进展[J]. 马永杰,云文霞. 计算机应用研究. 2012(04)
[8]疲劳驾驶的脑电特性探索[J]. 彭军强,吴平东,殷罡. 北京理工大学学报. 2007(07)
[9]前馈神经网络中的反向传播算法及其改进:进展与展望[J]. 刘曙光,郑崇勋,刘明远. 计算机科学. 1996(01)
硕士论文
[1]基于机器视觉的自动验布系统研究与开发[D]. 张美杰.广东工业大学 2018
[2]基于改进TextBoxes的自然场景文本检测算法[D]. 余峥.华东师范大学 2018
[3]基于神经网络的多源数据攻击检测研究与应用[D]. 李志鹏.电子科技大学 2018
[4]基于人脸识别驾驶员疲劳检测系统设计与开发[D]. 才博.大连理工大学 2016
[5]考虑驾驶员生物电信号的疲劳驾驶检测方法研究[D]. 薛雷.吉林大学 2015
[6]针对静态图像的人体姿态估计[D]. 丁肖.辽宁大学 2015
本文编号：3365663
本文链接：https://www.wllwen.com/kejilunwen/daoluqiaoliang/3365663.html
