基于卷积神经网络的人体姿态识别算法研究

发布时间：2020-06-25 13:48

【摘要】：随着人工智能的发展,近几年研究人员对人体姿态识别的研究取得了较大的进展。论文在总结已有人体姿态识别研究现状的基础上,采用骨架信息进行特征提取,而非图像处理进行特征提取。传统的骨架特征建模是利用骨架的角度、角加速度、关节点的速率、加速率、动能、势能等动力学特征等作为建模参数。这使得姿态模型涉及参数多且参数的扰动对识别结果影响较大,识别的鲁棒性低。论文分析借鉴传统建模方法基础上,提出一种基于关节点三维坐标的人体身份和姿态建模方法,以及对应的具有高识别率的人体身份和姿态识别算法。该方法利用深度传感器获得人体骨架图,以关节点坐标信息为基础,进行特征提取。在特征提取基础上,建立基于感兴趣关节点长度的人体身份模型、基于距离法的静止姿态模型和基于坐标法的运动姿态模型。通过实验对模型进行稳定性分析,所建模型具有涉及数据量小和鲁棒性高的特点。为对模型进行准确分类求解,论文提出基于BP神经网络和卷积神经网络的识别算法。通过理论分析和实验验证确定了神经网络结构、对应的激活函数及主要参数。所提出的算法具有所需训练样本少,训练速度快的特点。神经网络模型经训练后,所提算法可以准确确定人体身份以及人体姿态。实际实验表明,人体静止姿态的识别成功率达到了96%,人体运动姿态和人体身份的识别成功率均达到了98%。故本文所提模型及算法可行有效,且所提识别方案具有操作性强、易于实现的特点。论文利用VS开发工具实现了人体姿态识别系统的研发。
【学位授予单位】：西安石油大学
【学位级别】：硕士
【学位授予年份】：2019
【分类号】：TP391.41;TP183
【图文】：

图 2-5 应用界面效果图2.3 本章小结本章介绍了基于 Kinect 提取关节点信息的方法，用到了微软推出的 Kinect SDK，基于 VS2010 平台进行界面的开发，最终获得了人体的骨架节点坐标信息，并且可实时显示人体骨架形态和原形态的对比图。详细介绍了本文所提出的人体身份和姿态模型的建立方法，姿态具体分为静止姿态和运动姿态。对于每种姿态，都提出了相对距离法和相对坐标法。静止姿态识别中的相对距离法研究对象为同一时刻的人体骨架，选定一个参考关节点，计算其他关节点相对于参考关节点的距离，并以此距离作为特征矩阵的元素静止姿态识别中的相对坐标法研究对象也为同一时刻的的人体骨架，同样选定一个参考点，计算其他各个关节点相对于此参考点的坐标，并以此坐标作为特征矩阵的元素。运动姿态识别中的相对距离法研究对象为不同时刻的人体骨架，计算每个关节点本时刻相对于上一时刻的的位移量，以此作为此运动姿态的特征向量。相对坐标法则是计算每个关节点本时刻相对于上一时刻的相对坐标，并以此坐标的绝对值作为运动姿态识别的特征向量。

西安石油大学硕士学位论文于 Y 轴的 5~10 区间，高点接近 0.2。B 姿态有一排脉冲，位于 Y 轴 0.15 附近。C 姿态含有两排脉冲，分布较为平均，最高点基本在 0分布同样平均，最高点基本维持在 0.1 附近。E 姿态含有两排脉冲，最高点基本维持在 0.2。综上分析可知，同一人体姿态的特征三维人体姿态的特征三维图在脉冲的形态、分布以及高点的取值上都存提的距离法所建立的人体运动姿态特征可以用来表征特定的一种运参数训练取的人体姿态特征是以数值矩阵的形式表征，故为了更好地提取细积神经网络进行模型训练，通过卷积层提取特征。由于数据量不大，一次池化，随即进入全连接层。对应卷积神经网络的结构如图 3 卷积核池化大小

【相似文献】

相关期刊论文 前10条

1 赵一y

本文编号：2729230