基于视频特征的人体关键点检测算法研究与实现

发布时间：2021-11-10 09:32

　　随着计算能力和深度神经网络技术的发展,“机器视觉”正在被越来越多的学者和企业所研究。人们试图通过让机器模拟人类对图像理解的方式,使机器能够“识别”图像。对目标检测问题的研究备受业界关注,人体关键点检测作为目标检测的子类,也是一个计算机视觉领域内的研究热点。人体关键点检测期望解决的问题是如何通过对静态图片进行特征提取,并根据人体的空间关系来推测人体的姿态信息。受限于人类动作的多样性以及图片采集环境的复杂性,在通用场景下解决关键点检测问题仍面临巨大的挑战。为实现对人体关键点的高精度检测,本文作者设计并实现了一个用于人体关键点检测的系统,该系统以运动视频作为输入,通过对预处理后生成的视频帧进行关键点检测并根据上下文信息对检测结果进行后处理优化,在获得2D的检测结果同时也可以预测待检测者的人体尺寸。论文描述了一个用于人体关键点检测的系统,该系统由预处理模块、关键点检测模块及最终的后处理模块构成。论文首先对关键点检测问题的背景信息及研究意义进行分析,随后对涉及到的相关技术进行介绍。然后对单张图片关键点检测和连续视频帧的关键点检测算法进行研究、设计和评估。接着对关键点检测系统进行了详细的需求分析以... 

【文章来源】：北京邮电大学北京市 211工程院校 教育部直属院校

【文章页数】：91 页

【学位级别】：硕士

【部分图文】：

图１?－１关键点检测的应用场景??

深度神经网络（Ｄｅｅｐ?Ｎｅｕｒａｌ?Ｎｅｔｗｏｒｋｓ，?ＤＮＮ）是基于人工神经网络（Ａｒｔｉｆｉｃｉａｌ??Ｎｅｕｒａｌ?Ｎｅｔｗｏｒｋｓ，?ＡＮＮ）的研究进行拓展的神经网络。人工神经网络的设计受到了生物??学的启发，利用计算单位来模拟生物系统中的相互连接的神经元，然后利用激活函??数来实现信息的传递。深度神经网络在人工神经网络的基础上增加了网络的深度，??增加了计算量的同时也增强了模型的学习和表达能力。在下面简要介绍本文涉及的??相关网络层及反向传播算法。??２．１．１卷积神经网络??卷积神经网络（Ｃｏｎｖｏｌｕｔｉｏｎａｌ?Ｎｅｕｒａｌ?Ｎｅｔｗｏｒｋｓ，?ＣＮＮ）是深度学习代表性算法之一。??是一类包含卷积计算且具有深度结构的前馈神经网络。卷积神经网络中包含若干卷??积层，卷积层包含两个关键操作，即局部关联和窗口滑动。对于卷积层来说，一个??卷积核作为一个滤波器，对其感受野内数据进行乘法计算，完成一次计算之后将结??果相加最终输出一个值。然后将滤波器滑动并继续计算得到下一个输出结果。由于??在卷积层中每个卷积核类似于边缘检测中的索贝尔滤波器，每组卷积核参数都会有??自己所关注一个图像特征，比如颜色，纹理、明暗、边界等等。??Ｉｎｐｕｔ?ｌａｙｅｒ?（ＳＩ）?４?ｆｅａｔｕｒｅ?ｍａｐｓ??

务往往需要大样本的训练。此外，现阶段的深度神经网络往往是不可解释的，即对??于每个卷积神经网络的输出，人们并不能解释其直接的物理意义。虽然有上述缺点，??卷积神经网络仍然是深度学习中的重要组成部分。图２－１展示的深度卷积神经网络示??意图。??２．１．２池化层??池化层是一个没有参数的神经网络层，通常连接在卷积层后用于压缩计算量。??由于卷积层最终得到的参数量大且有很多冗余信息，为了对卷积层计算得到的结果??进行特征提取，池化层通常使用最大值池化或者平均值池化等操作来完成对卷积层??结果的选择。人类在分析图像的过程时通常是运用特征点进行判断，类似的，池化??操作基于特征尺度不变性的原理，对于一张输入的特征图同样选取若干特征点，在??最大限度保存信息的前提下进行数据压缩。卷积层和池化层的联合计算图如图２－２??所示。其中红色框和蓝色框分别代表卷积核和池化范围的大小。第一层３＊３的区域??经过卷积层计算后成为第二层１＊１的区域。经卷积层和池化层计算，原始９＊９的特??征向量最后成为３＊３的向量。??卷积层?池化层??卷积核３＊３?池化区域５＊５????????????ｍｍｍ?—?￣￣??????????二二二二二二二＝＝?Ｍ?１?Ｔ?Ｉ?Ｍ?１?３＊３??７＊７??９＊９??图２－２卷积层和池化层联合计算示意图??２．１．３全连接层??类似于传统的神经网络，全连接层也被称作稠密层。用于将所有的输入和输出??用神经元进行连接。和卷积神经网络不同


本文编号：3487030