基于脉冲神经网络的人体摔倒动作识别研究

发布时间：2021-02-07 01:22

　　动作识别目前已经广泛应用于视频监控、机器人学、游戏交互等各个领域。视频监控可以远程确定人或环境的安全,其中使用环境为家庭时,更是可以对家中的老年人进行摔倒动作识别并及时报警救援,避免危险的进一步发生。本文通过两种方式建立脉冲神经网络,对人体摔倒动作进行识别。首先,建立人体动作的骨骼运动模型。一般来说,人体可以被看作是一个由刚性骨架和关节铰链组成的系统,而人体动作则可以被表示为人体骨骼的运动。运动中通过深度传感器Kinect可以得到可靠的人体骨骼关节节点坐标,再将人体骨架节点的X、Y、Z位置分量等价于图像像素的R、G、B分量,从而将人体骨架序列转换为二维图像。然后,建立了一个基于无监督学习的脉冲神经网络。脉冲神经网络比传统神经网络更具有生物学合理性,该网络使用了LIF（leaky-integrate-and-fire）神经元模型、STDP（spike-timing-dependent plasticity）算法、侧抑制和固有塑性机制。该脉冲神经网络可分为输入层、兴奋层和抑制层三层,输入图像以泊松分布脉冲序列的形式传递给该模型。其次,为了检测上述脉冲神经网络识别人体摔倒动作的准确性,建立了... 

【文章来源】：哈尔滨工业大学黑龙江省 211工程院校 985工程院校

【文章页数】：79 页

【学位级别】：硕士

【部分图文】：

动作识别相关设备

就属于稠密光流的范畴，图 1-2 为利用 Horn-Schunck 算法进行光流场生成的示例。图1-2 基于区域匹配方法生成稠密光流场图例[9]由于光流矢量稠密，所以稠密光流的配准效果好，但由于要计算每个点的偏移量，计算量大，时效性较差。与稠密光流相反，稀疏光流[10]并不对图像的每个像素点进行逐点计算。它通常需要指定一组点进行跟踪，这组点最好具有某种明显的特性，例如 Harris 角点等，那么跟踪就会相对稳定和可靠。由于稀疏光流法相对而言要计算的像素点少，所以它的计算开销也比稠密光流法小的多。此外还有大量其他基于光流法的算法被提出，它被广泛地用于动作识别领域。除应用较多的光流法外

图 1-3 所示为一个 MHI 运动历史图范例，从图中可以看出该人正在向上做挥手动作。图1-3 运动历史图图例[12]除上述介绍的动作特征提取方法外，还有基于 HTM 构架的特征提取、3D 时空体（STV）的特征提取、时空兴趣点特征提取等等。这些提取的特征都在一定程度上包含了时间维度。总而言之，在动作识别中，用于识别的神经网络或者提取的动作特征至少有一个要包含时间维度。脉冲神经网络研究现状Hopfield 教授表示神经元膜电位随时间变化模型包含了时间信息，可以应用

【参考文献】：
硕士论文
[1]脉冲神经网络学习算法的研究及其应用[D]. 胡志根.电子科技大学 2017



本文编号：3021406