自然场景下3D人体姿态估计

发布时间：2022-08-11 09:50

　　人是计算机视觉任务中的重要认知对象,人体姿态可以传递丰富的信息,对于姿态的认知、解读是人类视觉的一项基本能力。3D人体姿态估计是指从图像或者视频数据中检测出人体关键部位的位置,从而得出三维人体姿态的过程。人体姿态估计在视频监控、人机交互等领域具有广阔的应用前景,同时也可为行为识别、异常行为检测等其它问题的研究提供有效的辅助信息。受背景、距离等因素的影响,基于单张图像的3D人体姿态估计模型在自然场景下泛化效果较差。本文在对姿态估计模型进行改进的同时,也注重提升姿态估计模型在自然场景下的预测效果。本文采用基于深度学习的方法,对单张RGB图像进行3D人体姿态估计。从单一视角下推导3D人体姿态,本身存在着多义性问题。对此,本文设计人体姿态限制模型,利用循环神经网络对人体各关节点之间的依赖关系进行编码,对原始模型输出的姿态估计结果进一步调整,使姿态估计结果更符合人体本身的生理限制,从而提升模型的预测效果。3D姿态估计模型的训练数据绝大多数是在室内场景下采集得到,在此基础上训练得到的模型会更适合室内场景下的姿态估计。针对自然场景下图像背景、光照、距离多变的问题,在基准模型基础上,利用人体先验知识引... 

【文章页数】：60 页

【学位级别】：硕士

【文章目录】：
摘要
Abstract
第1章 绪论
    1.1 课题研究背景及意义
    1.2 国内外研究现状
        1.2.1 传统人体姿态估计方法
        1.2.2 基于深度学习的人体姿态估计方法
    1.3 现有方法的不足之处
    1.4 本文主要研究内容
    1.5 本文的章节安排
第2章 3D人体姿态估计相关算法介绍
    2.1 问题形式化定义
    2.2 基于深度学习的特征提取方法
        2.2.1 卷积神经网络
        2.2.2 特征提取骨干网络
    2.3 骨骼关键点检测
        2.3.1 热图识别
        2.3.2 坐标回归
    2.4 深度坐标回归
    2.5 本章小结
第3章 3D人体姿态估计算法改进
    3.1 基准模型
    3.2 人体姿态限制
        3.2.1 人体姿态限制模块设计
        3.2.2 人体姿态限制模块实现
    3.3 复杂背景下人体姿态估计
        3.3.1 弱监督学习策略
        3.3.2 基于弱监督学习的模型训练策略
    3.4 多尺度骨骼关键点检测
        3.4.1 特征融合策略
        3.4.2 多尺度骨骼关键点检测网络设计
    3.5 本章小结
第4章 实验结果分析
    4.1 实验内容及环境
        4.1.1 实验内容
        4.1.2 实验环境
    4.2 人体姿态数据集及评价指标
        4.2.1 数据集介绍
        4.2.2 评价指标
    4.3 人体姿态限制验证实验
    4.4 弱监督学习策略验证实验
    4.5 特征融合验证实验
    4.6 综合实验结果
    4.7 本章小结
结论
参考文献
攻读硕士学位期间发表的论文及其它成果
致谢


【参考文献】：
期刊论文
[1]A brief introduction to weakly supervised learning[J]. Zhi-Hua Zhou.  National Science Review. 2018(01)



本文编号：3674438