【摘 要】
：
随着计算机技术及人工智能的迅速发展,人体姿态识别被广泛应用于人机交互、游戏娱乐和生物特征识别等多个生活领域。但在实际研究中,因环境、背景、光照等问题导致最终的识别精度不高,Kinect获取的深度图像和骨架信息具有颜色无关性,对光照不敏感,克服了普通光学图像的缺点。因此本文采用Kinect2.0构建了实验所需的人体身份及姿态图像库,采集了彩色、深度以及骨架信息三种数据类型。提出了一种基于关键关节点坐
论文部分内容阅读
随着计算机技术及人工智能的迅速发展，人体姿态识别被广泛应用于人机交互、游戏娱乐和生物特征识别等多个生活领域。但在实际研究中，因环境、背景、光照等问题导致最终的识别精度不高，Kinect获取的深度图像和骨架信息具有颜色无关性，对光照不敏感，克服了普通光学图像的缺点。因此本文采用Kinect2.0构建了实验所需的人体身份及姿态图像库，采集了彩色、深度以及骨架信息三种数据类型。提出了一种基于关键关节点坐标的人体身份及姿态建模方法，采用距离法进行特征提取，所构建模型所需数据量小、鲁棒性高;在此基础上，搭建了BP神经网络身份及姿态识别仿真模型，实验结果为人体身份识别率99.17％，姿态平均识别率98.00％，证明本文所提出算法具备所需训练样本少且识别准确率高的双重优点。
另一方面，训练一个大规模网络，需要耗费大量的资源，且所需标记好的数据集又难以获取。针对这种情况，本文搭建了一个改进的ResNet网络迁移学习模型。在原网络中引入多尺度特征融合以提升网络的特征表达能力，采用Adma算法和全局平均池化方法优化模型，再将其与迁移学习技术相结合以提升网络的性能。最终实现的人体姿态平均识别率为98.13％，经过对比分析，该方法在准确率上优于传统算法，对于小规模数据集仍具备较高识别率。
其他文献
遥感图像包含了大量的地物信息,在军事目标打击、土地监测、植被覆盖检测、森林火灾监控等军用、民用领域有着重要应用价值。但是由于遥感成像过程比较复杂,获得高分辨率的遥感图像并不容易。遥感图像超分辨重建技术就是一种在现有遥感成像技术条件下,利用软件处理的方法,突破成像系统的限制,由低分辨率图像生成高分辨率图像的技术。本文对当今较先进的卷积神经网络超分辨进行研究和改进,具体研究内容及创新点如下:1、提出改
人工智能已经成为当今社会的热点话题之一,这主要归功于深度学习的迅速发展,而卷积神经网络(Convolutional Neural Networks,CNN)是深度学习的重要模型。CNN主要被应用于计算机视觉领域,并在该领域取得了许多优异的成果。大多数CNN都是基于实数表示的,而很少是基于复数表示的。最近研究表明,基于复数表示的网络比基于实数表示的网络具有更好的表达能力,但现有的复数CNN模型存在一
近年来,深度学习凭借其优异的性能在各个领域深受欢迎,以卷积神经网络(Convolutional Neural Network,CNN)、残差神经网络(Residual Networks,ResNet)和密集连接网络(Densely Connected Convolutional Networks,Dense Net)为代表的深度学习网络模型在图像识别领域取得了良好的识别效果。在传统的深度学习中,深
遥感图像成像时,会受到天气、相机运动和大气扰动等因素影响,导致所获得的遥感图像退化,存在一定程度的模糊和噪声。图像复原是对存在模糊和噪声的退化图像复原,从而得到接近原始理想图像的一种方法。遥感图像的降质过程复杂,建立精准的遥感图像退化模型很困难,因此研究遥感图像盲复原算法非常重要。针对遥感图像盲复原时模糊核估计不准确,且复原图像存在振铃效应的问题,本文在图像先验约束的基础上,利用图像盲复原理论研究
最近,高光谱成像技术获得了极大关注,尤其是高光谱图像的分类作为高光谱处理的重要内容更是研究的热点。高光谱图像含有丰富的信息,这一特性使高光谱图像广泛应用于地物分类,而高光谱图像的分类往往仅使用光谱信息,这就很容易造成“同物异谱”或“异物同谱”现象,导致分类不准确;高光谱图像含有丰富的空间上下文信息,所以将光谱信息和空间信息结合成为新的研究热点。为了获得更精确的高光谱图像分类结果,完善现有的分类方法
随着社会的快速发展,人们对信息传输速率要求越来越高,这使得有限的频谱资源变得更加紧张,多进制正交幅度调制(MQAM)具有较高的频谱资源利用率,广泛应用于自适应调制编码技术等领域,可以大大缓解频谱资源紧张的问题。在自适应调制编码技术的应用中,为了减小信令开销以提高传输效率,往往会在接收端进行自动调制方式识别(AMC),所以MQAM调制信号识别具有重要研究意义。近年来,卷积神经网络(CNN)等深度学习
随着汽车领域的不断发展和科技的进步,智能汽车、无人驾驶等技术成为当下的研究热点。车辆识别作为无人驾驶领域的关键技术,迅速成为一个热门研究方向。传统的车辆识别方法多依赖于图像数据,而图像数据作为3D空间的投影,缺少对三维物理空间的结构描述。激光雷达可快速采集空间物体的表面坐标,但由于物体遮挡以及雷达线性扫描原理,造成点云数据具有稀疏性和无序性,使基于点云数据的车辆识别存在挑战性。本文针对上述问题,研
对于基于高光谱图像的应用而言,在不降低性能的前提下,选择信息量大且具代表性的波段是大数据环境下一项具有挑战性的任务。波段选择是一种直接有效的降维方法,但是大部分方法忽略所选取波段的有序性与相关性,以及只根据波段排序选择所需的聚类中心数来构造波段子集。此外,对于许多波段选择方法来说,只考虑波段的冗余性会导致有价值的波段丢失。针对上述问题,本文首先研究了子空间划分策略,该策略基于相邻波段具有高冗余的特
目前,以三维激光扫描仪为代表的硬件系统研究相对完善,点云数据的后处理研究还有很大的不足。不论使用何种设备、何种方式采集到的点云数据,都或多或少的存在冗余点。除此之外,点云数据具有栅格性、海量性等特点,采集到的点云数据一般都是吉(GB)级别,甚至太(TB)级别,所以点云数据的存储和处理等操作对计算机硬件提出了很高要求,因此本文针对点云滤波与压缩中的关键技术进行研究并提出相应的改进将很有意义。本文将点
在人工智能大数据的时代背景下,图像信息已经成为互联网信息交流主要媒介,所以对图像识别技术进行深入研究,具有十分重要的意义。传统的图像识别方法需要人工设计特征,在图像识别效率和识别准确率两方面已经无法满足人们的需求。深度学习方法摒弃了传统的人工提取特征的方式,可以自动的从数据集中进行学习,提高了图像识别的效率。生成对抗网络借鉴了博弈论思想,在模型中引入了对抗机制,因其强大的生成能力,备受广大研究学者