基于带有噪声输入稀疏高斯过程的人体姿态分析
发布时间：2021-05-16 11:20
人体姿态分析是图像处理与模式识别领域中一个非常热门的研究方向,其在众多领域均具有广泛的应用与广阔的前景。用于解决人体姿态问题的算法多种多样,其中高斯过程回归由于在处理非线性,高维,复杂问题中的优越性,成为一种常见的解决此类问题的方法。在经典的高斯过程回归中,计算复杂度一个重要的考虑因素,而常用的降低计算复杂度的方法为稀疏高斯算法。在稀疏算法中,完全独立训练条件法是一种较为先进的算法,其多用于解决输入变量彼此之间完全独立的回归问题。另外,输入变量的噪声问题则是高斯过程中另一个需要考虑的重要因素,对于测试的输入变量的噪声,可以通过矩匹配与进行处理,而训练输入样本的噪声则可通过将其转换为输出噪声的方法进行解决,从而得到更高的计算精度。带有神经网络结构的概率模型是机器学习中又一重要的研究领域,深度学习模型在学习与抽象信息相关联的复杂数据集方面天然具有结构上的优势,可以显著提高学习质量,但与之相对的却是大量的训练数据需求。深度高斯过程就可以在两者之间达到一个很好的平衡,该方法的单层结构来自于高斯隐变量模型,在预测中小型样本集时依旧可以达到较好的精度。本文将以上两种算法分别用于解决两类人体姿态分析...
【文章来源】：上海交通大学上海市 211工程院校 985工程院校 教育部直属院校
【文章页数】：81 页
【学位级别】：硕士
【文章目录】：
摘要
ABSTRACT
第一章 绪论
1.1 研究背景与意义
1.1.1 研究背景
1.1.2 研究意义
1.2 国内外研究现状
1.2.1 人体姿态分析
1.2.2 高斯过程
1.2.3 存在的不足
1.3 论文的主要内容与章节安排
第二章 图像预处理与特征提取
2.1 梯度分布直方图
2.1.1 提取过程
2.1.2 参数评估
2.2 基于HumanEva-Ⅰ数据集的特征提取
2.2.1 HumanEva-Ⅰ数据集简述
2.2.2 HumanEva-Ⅰ数据集特征提取
2.3 基于空间站舱内视频的特征提取
2.3.1 在轨维修姿态分析总结
2.3.2 维修姿态舒适度分析方法
2.3.3 舱内视频的特征提取
2.3.4 特征提取的合理性说明
2.4 本章小结
第三章 带有噪声输入的稀疏高斯过程
3.1 高斯过程基本模型
3.2 稀疏高斯过程
3.3 带有噪声输入的高斯过程
3.3.1 测试输入点为随机变量
3.3.2 训练输入点为随机变量
3.4 带有噪声输入的稀疏高斯过程
3.4.1 基本模型
3.4.2 样例测试
3.5 本章小结
第四章 深度高斯过程
4.1 高斯过程隐变量模型
4.1.1 概率PCA
4.1.2 基于隐变量空间的概率PCA
4.1.3 高斯过程隐变量模型
4.2 深度高斯过程
4.2.1 多层单节点结构
4.2.2 贝叶斯训练过程
4.2.3 多层多节点结构
4.3 样例测试
4.4 本章小结
第五章 人体姿态分析
5.1 基于HUMANEVA-I数据集的人体姿态分析
5.1.1 输入、输出与误差度量
5.1.2 初始化与评估
5.2 基于空间站舱内视频的人体姿态分析
5.2.1 输入,输出与误差度量
5.2.2 初始化与评估
5.3 本章小结
第六章 结束语
6.1 主要工作与创新点
6.2 后续研究工作
参考文献
附录1
致谢
攻读硕士学位期间已发表或录用的论文
【参考文献】：
期刊论文
[1]方向梯度直方图综述[J]. 刘方园,王水花,张煜东. 计算机工程与应用. 2017(19)
[2]基于函数型数据分析方法的人体动态行为识别[J]. 苏本跃,蒋京,汤庆丰,盛敏. 自动化学报. 2017(05)
[3]人脸微表情识别综述[J]. 徐峰,张军平. 自动化学报. 2017(03)
[4]加权SVDD算法在人体姿态估计中的研究与应用[J]. 韩贵金. 计算机工程与应用. 2017(15)
[5]融合HOG和颜色特征的人体姿态估计新算法[J]. 沈建冬,陈恒. 计算机工程与应用. 2017(21)
[6]基于深度学习的头部姿态估计[J]. 贺飞翔,赵启军. 计算机技术与发展. 2016(11)
[7]结合SVM分类器与HOG特征提取的行人检测[J]. 徐渊,许晓亮,李才年,姜梅,张建国. 计算机工程. 2016(01)
[8]稀疏贝叶斯混合专家模型及其在光谱数据标定中的应用[J]. 俞斌峰,季海波. 自动化学报. 2016(04)
[9]小样本条件下基于随机森林和Haar特征的多姿态人脸识别[J]. 周致富,吴怀宇,张志芬,陈洋. 计算机应用与软件. 2015(12)
[10]我国空间站的空间科学与应用任务[J]. 高铭,赵光恒,顾逸东. 中国科学院院刊. 2015(06)
本文编号：3189598
【文章来源】：上海交通大学上海市 211工程院校 985工程院校 教育部直属院校
【文章页数】：81 页
【学位级别】：硕士
【文章目录】：
摘要
ABSTRACT
第一章 绪论
1.1 研究背景与意义
1.1.1 研究背景
1.1.2 研究意义
1.2 国内外研究现状
1.2.1 人体姿态分析
1.2.2 高斯过程
1.2.3 存在的不足
1.3 论文的主要内容与章节安排
第二章 图像预处理与特征提取
2.1 梯度分布直方图
2.1.1 提取过程
2.1.2 参数评估
2.2 基于HumanEva-Ⅰ数据集的特征提取
2.2.1 HumanEva-Ⅰ数据集简述
2.2.2 HumanEva-Ⅰ数据集特征提取
2.3 基于空间站舱内视频的特征提取
2.3.1 在轨维修姿态分析总结
2.3.2 维修姿态舒适度分析方法
2.3.3 舱内视频的特征提取
2.3.4 特征提取的合理性说明
2.4 本章小结
第三章 带有噪声输入的稀疏高斯过程
3.1 高斯过程基本模型
3.2 稀疏高斯过程
3.3 带有噪声输入的高斯过程
3.3.1 测试输入点为随机变量
3.3.2 训练输入点为随机变量
3.4 带有噪声输入的稀疏高斯过程
3.4.1 基本模型
3.4.2 样例测试
3.5 本章小结
第四章 深度高斯过程
4.1 高斯过程隐变量模型
4.1.1 概率PCA
4.1.2 基于隐变量空间的概率PCA
4.1.3 高斯过程隐变量模型
4.2 深度高斯过程
4.2.1 多层单节点结构
4.2.2 贝叶斯训练过程
4.2.3 多层多节点结构
4.3 样例测试
4.4 本章小结
第五章 人体姿态分析
5.1 基于HUMANEVA-I数据集的人体姿态分析
5.1.1 输入、输出与误差度量
5.1.2 初始化与评估
5.2 基于空间站舱内视频的人体姿态分析
5.2.1 输入,输出与误差度量
5.2.2 初始化与评估
5.3 本章小结
第六章 结束语
6.1 主要工作与创新点
6.2 后续研究工作
参考文献
附录1
致谢
攻读硕士学位期间已发表或录用的论文
【参考文献】：
期刊论文
[1]方向梯度直方图综述[J]. 刘方园,王水花,张煜东. 计算机工程与应用. 2017(19)
[2]基于函数型数据分析方法的人体动态行为识别[J]. 苏本跃,蒋京,汤庆丰,盛敏. 自动化学报. 2017(05)
[3]人脸微表情识别综述[J]. 徐峰,张军平. 自动化学报. 2017(03)
[4]加权SVDD算法在人体姿态估计中的研究与应用[J]. 韩贵金. 计算机工程与应用. 2017(15)
[5]融合HOG和颜色特征的人体姿态估计新算法[J]. 沈建冬,陈恒. 计算机工程与应用. 2017(21)
[6]基于深度学习的头部姿态估计[J]. 贺飞翔,赵启军. 计算机技术与发展. 2016(11)
[7]结合SVM分类器与HOG特征提取的行人检测[J]. 徐渊,许晓亮,李才年,姜梅,张建国. 计算机工程. 2016(01)
[8]稀疏贝叶斯混合专家模型及其在光谱数据标定中的应用[J]. 俞斌峰,季海波. 自动化学报. 2016(04)
[9]小样本条件下基于随机森林和Haar特征的多姿态人脸识别[J]. 周致富,吴怀宇,张志芬,陈洋. 计算机应用与软件. 2015(12)
[10]我国空间站的空间科学与应用任务[J]. 高铭,赵光恒,顾逸东. 中国科学院院刊. 2015(06)
本文编号：3189598
本文链接：https://www.wllwen.com/kejilunwen/zidonghuakongzhilunwen/3189598.html
