拥挤条件下的人体姿态检测算法研究

发布时间：2020-10-12 08:34

　　 近年来,借助着视频图像处理技术和人工智能理论的蓬勃发展,人们对监控内容视频自动分析技术的需求也越来越大。在校园环境,视频监控系统已经逐步覆盖到各个教学楼,以及教室场景中。因此,为了响应建设智慧型校园的号召,借助于深度学习理论在视频图像处理的强大支撑,研究相关的图像识别与检测技术对学校教学管理具有重要的意义。在此背景下本文主要研究复杂教室监控场景下人体姿态检测技术,具体包括两个方面工作:第一,本文提出了一种基于改进的Faster R-CNN的人体姿态检测的方法。该方法主要研究教室监控场景下利用区域卷积神经网络进行人体姿态检测的问题。首先,针对采用数据集成像质量不高导致目标检测困难的问题,本文采用检测精确度更高的Faster R-CNN网络作为基础框架,用来提取高质量的目标候选区域。然后,利用级联的ROI Pooling方法将高层卷积特征和浅层卷积特征进行合并,使得合并后的特征兼顾高分辨率信息和语义信息。最后,通过局部特征保留学习使得属于同一类别的特征在特征空间上的分布更加接近,让整个网络具有更强的分类能力。实验结果表明,对比目前的检测方法,本文提出的算法具有更高的精确率。同时,该方法也存在一些不足。比如,该方法时间开销比较大,无法满足实时性的要求。此外,候选目标提取网络中可能会包含一些虚假目标,最后的检测结果中可能会包含“虚警”等。第二,针对前文工作的不足,本文提出了一种实时的人体姿态检测算法。该方法以实时的轻量化目标检测网络为基础,通过特征融合机制对基础网络进行改进。首先,得益于语义分割网络能生成强语义信息的特征图,本文使用了一个基于弱分割的语义信息补偿网络,将补偿网络的卷积特征与基础网络的浅层特征相结合,增强浅层特征的语义信息。此外,通过基于注意力机制的全局激活模块加大卷积特征关键通道的权重,间接增强了卷积特征的语义信息。最后,采用了基于空洞卷积的Inception网络结构,使得该模块的卷积感受野变大,增强局部信息表达能力。实验结果表明,本方法相比前文方法能获得更好的检测精确率,并且能获得较好的实时性能。
【学位单位】：重庆邮电大学
【学位级别】：硕士
【学位年份】：2019
【中图分类】：TP391.41;TP183
【部分图文】：

ElfEar“感姿精灵”第二类是基于环境布设传感器的人体姿态检测

图 1. 2 xbox one 体感游戏方式第三类就是基于图像分析的人体姿态检测[4-6]。这些传统的姿态检测算法，人工设计的特征，只能针对单人进行检测。这些方法在多目标的情况下不推广到多人检测的话成本也会变高。直到最近几年，随着深度学习技术的发展。基于图像处理技术的目标检测[姿态估计技术[12, 20-28]也越来越成熟，结合这两种方法开发出一套完整的教测系统也正符合了人们的需要。本课题正是在上述背景下，开展拥挤条件下的人体姿态检测算法的研究。数据集的相关特点，结合最新的研究手段，在提高检测效果的同时并能改率，实现复杂场景下多人姿态的准确检测。 研究现状

重庆邮电大学硕士学位论文1.2.1 人体姿态估计方法人体姿态估计算法主要是通过图像处理技术获取人体关键点的坐标，从而得到人体骨架模型或轮廓模型，可以更为直观的表达人体姿态行为。如图 1.3 为人体姿态估计结果示意图，人体姿态估计可以分为单人姿态估计和多人姿态估计。在 2015年之前，所有的人体姿态估计方法都旨在回归人体关键点的精确坐标。然而，由于人体动作的灵活性，这些方法的可扩展性非常差。
【相似文献】

相关期刊论文 前10条

1 韩贵金;沈建冬;;二维人体姿态估计研究进展[J];西安邮电大学学报;2017年04期

2 蔡鹏;孔德慧;尹宝才;霍奕;;基于肢体调整的人体姿态估计[J];系统仿真学报;2015年10期

3 喻东山,徐捷,孙旦晖,曾彦英,高小宁,蒋晓军;利培酮对人体姿态平衡的效应[J];中国行为医学科学;2005年03期

4 东方伊人;四种常见的人体姿态[J];现代技能开发;1996年02期

5 李崤河;刘进锋;;二维人体姿态估计研究综述[J];现代计算机;2019年22期

6 苏延超;艾海舟;劳世竑;;图像和视频中基于部件检测器的人体姿态估计[J];电子与信息学报;2011年06期

7 郑毅;李凤;张丽;刘守印;;基于长短时记忆网络的人体姿态检测方法[J];计算机应用;2018年06期

8 李庆武;席淑雅;王恬;马云鹏;周亮基;;结合位姿约束与轨迹寻优的人体姿态估计[J];光学精密工程;2017年04期

9 谭冠政;叶华;陈敏杰;;基于频率筛分的无监督人体姿态特征提取与识别研究[J];测控技术;2017年09期

10 王筱兰;徐捷;喻东山;成为荣;;氯丙嗪与利培酮对人体姿态平衡效应的对照研究[J];四川精神卫生;2006年03期

相关博士学位论文 前10条

1 赵林;面向复杂监控环境的人体运动分析方法[D];西安电子科技大学;2017年

2 马淼;视频中人体姿态估计、跟踪与行为识别研究[D];山东大学;2017年

3 李弟平;基于视频的人体姿态检测与运动识别方法[D];中南大学;2012年

4 陈聪;基于人体姿态序列提取和分析的行为识别[D];华南理工大学;2012年

5 欧阳毅;单目视频中人体运动建模及姿态估计研究[D];浙江大学;2012年

6 李佳;多视角三维人体运动捕捉的研究[D];北京交通大学;2013年

7 张殿勇;基于人体模型构建的无标识运动捕捉关键技术研究[D];北京交通大学;2014年

8 叶青;无标记人体运动捕捉技术的研究[D];北京邮电大学;2014年

9 李毅;单目视频人体运动分析技术研究[D];南京大学;2013年

10 张鸣;连接刚体及人体姿态估计的理论与方法[D];上海交通大学;2011年

相关硕士学位论文 前10条

1 周朋肖;基于人体姿态估计的队列评分系统的设计与实现[D];电子科技大学;2019年

2 侯珊珊;基于卷积神经网络的人体姿态估计[D];华北理工大学;2019年

3 周亚辉;基于跨阶段深度网络的人体姿态分析[D];合肥工业大学;2019年

4 朱靖;基于卷积神经网络的二维人体姿态估计研究[D];杭州电子科技大学;2019年

5 汤林;拥挤条件下的人体姿态检测算法研究[D];重庆邮电大学;2019年

6 杨亚平;基于阶梯式和多残差模块卷积神经网络的人体姿态估计方法研究[D];安徽大学;2019年

7 邓天池;基于图结构模型的二维人体姿态估计研究[D];安徽大学;2019年

8 谢子威;基于深度学习的3D人体姿态估计研究[D];北京邮电大学;2019年

9 潘峰;防老年人摔伤智能可穿戴装置研究[D];山东大学;2018年

10 刘霞;基于人体姿态的视频检索方法研究[D];辽宁大学;2018年

本文编号：2837908