基于深度学习的人体姿态合成

发布时间：2021-08-09 14:29

　　人体姿态合成是根据少量人体姿态关键点合成同一个人不同姿态的任务也是计算视觉领域与人体姿态相关的一个重要分支。近年来研究发现人体姿态合成技术在数据集扩充、视频预测以及视频合成等方面有着巨大的应用价值。因为传统方法合成的人体图像虽然在姿态和外表上接近目标图像,但是姿态与目标图像契合度还不够,图像细节方面保留度较差,生成图像与目标图像差距较大。因此,本文基于以上问题,结合深度学习理论设计模型针对姿态契合度和细节保留度两个方面进行改进。本文的工作及创新如下:1,针对生成图像姿态不匹配的问题,本文对传统的生成式对抗网络进行改进,创新性地提出了双输入生成模型。增加一条网络路径对目标姿态关键点图像单独编码,然后结合原始网络形成双输入的生成网络。目标图像的姿态特征在上采样时与原始图像上采样阶段对应尺寸的特征结合,最终得到逼近目标图像姿态的新图像。增加了一条对姿态信息的编码路相当于提高了生成阶段的目标姿态信息的利用率,得到更多姿态信息的生成器可以生成更加匹配目标姿态的图像,从而改善生成图像姿态不匹配的问题。实验在公开的数据集上进行,结果显示本文提出的这种方法有助于提高生成图像的质量。2,为了使生成图像的... 

【文章来源】：合肥工业大学安徽省 211工程院校 教育部直属院校

【文章页数】：74 页

【学位级别】：硕士

【文章目录】：
致谢
摘要
abstract
第一章 绪论
    1.1 课题背景及研究意义
    1.2 国内外研究现状
    1.3 本文的主要内容及结构安排
        1.3.1 本文的主要内容及创新点
        1.3.2 本文的结构安排
第二章 深度学习和图像生成模型理论知识
    2.1 引言
    2.2 深度学习理论知识
        2.2.1 深度学习的发展
        2.2.2 神经网络理论知识
        2.2.3 卷积神经网络
    2.3 图像生成模型理论知识
        2.3.1 生成式对抗网络理论知识
        2.3.2 常见的图像生成模型
    2.4 本章小结
第三章 基于内容重建的双路输入人体姿态合成算法
    3.1 引言
    3.2 基于内容重建的双路输入人体姿态合成模型
        3.2.1 基础生成网络
        3.2.2 边缘细化网络
        3.2.3 图像重建网络
        3.2.4 判别器
        3.2.5 损失函数
    3.3 实验
        3.3.1 实验数据集
        3.3.2 实验设置
        3.3.3 生成图像评价指标
    3.4 实验结果分析
        3.4.1 定性分析
        3.4.2 定量分析
    3.5 本章小结
第四章 基于注意力机制和内容重建的人体姿态合成算法
    4.1 引言
    4.2 注意力机制模型
    4.3 基于注意力机制和内容重建的人体姿态合成模型
        4.3.1 带有注意力机制的生成网络
        4.3.2 内容重建网络
        4.3.3 判别网络
        4.3.4 损失函数
    4.4 实验设计
        4.4.1 实验数据集
        4.4.2 生成图像评价指标
        4.4.3 实验设置
    4.5 实验结果及分析
        4.5.1 图像生成过程对比
        4.5.2 定性分析
        4.5.3 定量分析
    4.6 本章小结
第五章 总结与展望
    5.1 总结
    5.2 展望
参考文献
攻读硕士学位期间的学术活动及成果情况


【参考文献】：
期刊论文
[1]基于深度学习的人体行为识别[J]. 樊恒,徐俊,邓勇,向金海.  武汉大学学报(信息科学版). 2016(04)
[2]多摄像机人体姿态跟踪[J]. 孙洛,邸慧军,陶霖密,徐光祐.  清华大学学报(自然科学版). 2011(07)

硕士论文
[1]基于视觉的手势识别和人体姿态跟踪算法研究[D]. 赵健.北京交通大学 2014



本文编号：3332241