导读:本文包含了人体定位论文开题报告文献综述及选题提纲参考文献，主要关键词:人体高速运动图像,步态特征,精准定位,灰度直方图
人体定位论文文献综述
谢颖,赵蕾[1]（2019）在《人体高速运动图像步态特征精准定位方法研究》一文中研究指出人体高速运动图像步态特征定位受到人体高速运动环境以及动态特征边界因素的影响,容易产生步态特征定位误差。为了提高人体高速运动图像步态特征定位能力,需要进行步态特征模糊计算和识别处理,提出一种基于全局步态拟合和动态分块匹配的人体高速运动步态特征精准定位方法。构建人体高速运动图像步态特征定位的几何网格区域模型,采用模糊动态特征分割方法进行人体高速运动步态特征定位特征点重构,提取人体高速运动步态特征定位动态约束特征量,构建灰度直方图,根据灰度像素集进行动态步态行为特征重建,根据灰度像素的分布概率密度进行步态特征量融合,实现人体高速运动步态特征定位和信息增强处理。仿真结果表明,采用该方法进行人体高速运动图像步态特征定位的精度较高,步态定位过程收敛性较好。(本文来源于《自动化与仪器仪表》期刊2019年11期）
吴斌,魏兵,弓明豪,郭立新[2]（2019）在《基于椭圆交叉算法的人体目标定位》一文中研究指出介绍了测量所用的时域超宽带雷达的结构和工作原理,基于椭圆交叉算法,使用脉冲对消法从雷达的时域回波中提取出两个接收天线的信号到达时间,同时消除了背景杂波和天线耦合信号对定位的影响,实现了时域超宽带雷达对室内人体目标的定位。室内定位的实际测试结果表明,该方法可靠性好,定位精度较高,抗干扰能力较强。(本文来源于《现代应用物理》期刊2019年02期）
赵国,秦世引[3]（2019）在《PMMWI与VI优势互补的人体隐蔽违禁物检测与定位》一文中研究指出根据公共场所人体安检的性能要求和技术需求,将被动毫米波成像(PMMWI)的可透视成像性能优势与可见光成像(VI)的细节高分辨性能优势相结合,提出一种基于PMMWI与VI优势互补的人体隐蔽违禁物检测与定位算法。首先,提出一种基于低层特征融合的改进U-Net以增强深度神经网络(DNN)对PMMWI中弱小目标轮廓的敏感度,提高PMMWI中人体轮廓和隐蔽违禁物的分割精度,并同时实现VI中人体轮廓的像素级分割;然后,在PMMWI和VI中的人体轮廓分割基础上,通过基于人体轮廓的尺度变换与滑动适配实现PMMWI人体轮廓和VI人体轮廓的良好配准,根据配准结果实现单帧图像中人体隐蔽违禁物的高效检测;最后,通过序列图像检测结果的对比融合与优化决策给出隐蔽违禁物的定位结果。一系列综合实验与对比分析结果,验证了提出的人体隐蔽违禁物检测与定位算法的性能优势。(本文来源于《北京航空航天大学学报》期刊2019年10期）
张泽[4]（2019）在《基于雷达的人体定位及运动状态检测系统》一文中研究指出人体定位及运动状态检测在老人监控、智能家居等方面的应用具有迫切的需求和重要的应用价值。目前已有的解决方法主要基于深度摄像头、红外传感器以及可穿戴设备,摄像头及红外等光学设备缺点是无法有效保护隐私、探测距离较近以及无法探测被遮挡物体,可穿戴设备的缺点是检测对象必须携带相对应的设备才能进行检测。基于雷达的人体定位及运动状态检测相比现有技术,具有可有效保护隐私、远距离探测、可探测被遮挡物体以及被检测人员无需携带设备等优点。本文围绕毫米波雷达的基本原理进行了深入研究,提出了人体定位算法和运动状态检测算法,实现了基于雷达的人体定位及运动状态检测系统。单元测试和系统测试表明,系统达到了98%以上的准确率。本论文的工作主要包括以下几个方面:首先,针对室内探测的特定应用场景,分析了国内外对人体定位和运动状态检测的研究现状,并总结了目前工作的优缺点,设计了基于雷达的人体定位及运动状态检测系统。其次,本文介绍了毫米波雷达的基本理论,研究了CFAR算法和目标凝聚算法,提出了人体定位算法和运动状态检测算法。再次,实现了基于雷达的人体定位及运动状态检测系统。最后,对雷达信号处理算法进行单元仿真,使用雷达实测数据进行测试,验证了人体定位及运动状态监测算法的可行性,并进一步使用系统原型机实地测试,评估系统性能。(本文来源于《哈尔滨工业大学》期刊2019-06-01）
陆俊[5]（2019）在《基于射频信号的无设备目标定位和人体姿态识别研究》一文中研究指出位置信息如今已成为军事和民用等诸多领域中所必须的基础数据,发挥着越来越重要的作用。与传统定位方式要求定位目标必须携带与定位系统相匹配的定位设备(如GPS接收机、手机等)不同,无设备目标定位(Device-free localization,DFL)无需定位目标携带任何定位装置,也无需定位目标主动参与定位过程,因此DFL在人员搜救、非法入侵检测、特殊情况下的老人照料等传统定位方法无法实现的定位领域可以发挥重要作用。相比于现有的基于摄像头,超宽带雷达,红外和超声波等技术的无设备目标定位,基于无线传感器网络的DFL技术因其成本低、通用性好并能够穿透墙壁、烟雾进行定位等优点,因而成为当前DFL领域的一个研究热点。并且随着DFL技术的发展,这种只需检测目标对电磁场影响而无需目标主动参与的感知方式被应用到定位以外的领域,形成了更广义的无设备感知(Device-free Sensing,DFS)技术研究,其应用涉及姿态识别、呼吸率估计和目标速度测量等诸多领域。在此背景下,本文围绕“无设备目标定位”和“姿态识别”两大问题展开研究,利用测量得到的接收信号强度(Received Signal Strength,RSS)信息和信道状态信息(Channel State Information,CSI),实现更为准确的无设备目标定位和姿态特征识别,论文主要工作包括以下几个方面:(1)自主搭建了基于CC2530模块的RSS信息测量系统和基于Intel 5300网卡的CSI信息测量系统。其中,RSS信息测量系统能够实现对监测区域目标动态信息的实时采集,同时其具有低复杂度、低成本、低功耗等特点。CSI信息测量系统不仅具备RSS测量系统的功能,而且能够提供更为丰富的时域和频域特征。(2)针对RSS容易受到环境变化和噪声的影响,射频层析成像(Radio Tomographic Imaging,RTI)的结果图上往往不可避免地存在着背景噪点,有时甚至还有伪目标出现在图像上,为了提高RTI成像质量,本文给出一种基于稀疏自编码器的增强型RTI方法,该方法利用稀疏自编码器的学习能力来提取有效受目标影响的链路特征信息,并结合支持向量机(Support Vector Machine,SVM)进行目标提取,从而达到克服噪声影响和提高定位精度的目的。室内外实验结果表明,该方法的成像质量和定位精度都要优于现有RTI方法。(3)基于循环神经网络(Recurrent Neural Network，RNN)分别给出了用RSS和CSI信息进行人体姿态识别的方法,并利用长短期记忆(Long Short-term Memory,LSTM)技术增强RNN的姿态识别性能。同时,利用四次小波变换对RSS和CSI信息进行进一步特征提取,然后分别利用RNN-LSTM和经典的贝叶斯分类算法结果进行姿态识别,并进行了对比。实验结果表明,该方法的姿态识别效果优于贝叶斯分类算法。最后总结了本论文的研究工作,并对现有工作中的不足进行了归纳,并对不足之处提出了改进意见,以便在今后的研究中进行完善。(本文来源于《南京师范大学》期刊2019-03-31）
安广皓[6]（2019）在《基于人体定位跟踪的人机交互系统研究与实现》一文中研究指出随着近年来信息技术的广泛扩张以及虚拟现实的发展,人工智能越来越得到学者的关注,而人工智能正时以人机交互技术为代表的。目前人机交互的研究成为了全球范围内的热门,在人机交互中主要以语音识别、手势识别、人体定位、动作识别以及表情识别等为代表。考虑到单一识别对于交互的局限性,本文整合了人体定位和手势识别两方面,设计了一个以投影为载体的室内人机交互系统。在众多研究人机交互的方法中,基于Kinect的人机交互技术在许多场景中都成为了首要之选。这是因为Kinect单个成本较低,Kinect的深度和彩色图像的适用性较强,以及利用Kinect开发的方法很多等特点。本文的重点工作是开发一个人机交互系统,此系统的技术支持为人体定位跟踪和静态与动态手势识别方法。本文的方法研究主要由两个部分构成,分别是研究人体定位以及研究手势识别。本文的具体工作如下:(1)人体定位跟踪方法。本文利用Kinect传感器对房间采集到的深度图像进行人体的检测、定位和跟踪。这一系列功能的实现首要要求就是要从Kinect的深度图像中得到清晰的人体深度区域。为了达成这一目标,本文运用了支持向量机、中值滤波、形态学去噪、最近邻法分割深度区域以及经典凸包算法等一系列技术。首先,本文通过使用训练过的SVM进行人体检测,判定人体定位是否开始(即判定房间内是否有人),,.目的是确定检测的人体存在于房间内并与Kinect的距离最近,将人体检测作为人体定位的开始。然后首先对图像进行去噪,之后对确定的检测人的深度图像区域进行分割,这一步是得到人体的深度区域。接着本文通过改进的凸包算法确定识别人的轮廓,通过得到上半部分的凸包点进而得到头部的大致区域。最后是通过分析人体头部区域确立人体在深度图中横轴方向上的中心点,将中心点在深度图像上的二维位置转化为人体在房间内实际的二维位置,并在接下来的时间里持续进行人体定位以实现人体跟踪功能。(2)静态与动态手势识别方法。本文利用Kinect传感器获取手部的彩色图像、深度图像以及骨骼点来进行静态手势识别。首先,本文基于人体的位置判定手势何时开始以及手势何时结束。然后,将原始深度图像去噪后再通过最近邻法分割出人的手部深度区域。然后,结合手部五指的位置和角度,得到手部特征。最后,通过手指位置进行静态手势识别。动态手势识别则通过Kinect获得人体骨骼点,然后通过计算手臂指向直线与投影交点来实现手势模拟鼠标的功能。(3)人机交互系统的实现。本文设计并实现了一个人机交互系统,系统的两大技术特点就是人体定位跟踪技术和手势识别技术。系统首先通过人体进入房间激发自身运行,然后对人体进行定位和追踪,通过判断人体位置开启手势识别,用静态手势和动态手势替代了鼠标和键盘的部分功能,进而对投影的内容进行互动操作。该系统以人体定位跟踪为基础,用静态和动态手势识别作为操作方法,经过实验验证,不仅人体定位和手势识别较为精准,同时人体定位和手势识别的切换也较为流畅,具有可行性。(本文来源于《安徽大学》期刊2019-03-01）
胡齐齐[7]（2019）在《人体时序动作检测与精确定位算法的研究》一文中研究指出人体时序动作检测是视频分析领域的一个重要分支,并且在视频检索,监控以及人机交互领域中有很多潜在的价值。人体时序动作检测的目的是在一段包含人体动作的视频中检测出动作的开始时间、结束时间以及动作的具体类别。随着卷积神经网络等技术的发展,人体时序动作检测在图像以及视频分析领域得到了更为广泛的应用。然而通过对研究现状进行分析,本文发现人体时序动作检测仍然存在如下两个问题:(1)人体时序动作检测的召回率低;(2)动作开始与结束时间定位精度有待提高。因此,本文研究人体时序动作检测,旨在将卷积神经网络与人工提取的人体时序动作特征相结合进而提出一个高召回率和动作开始时间、结束时间定位更加准确的算法。本文在第叁章提出了两种解决召回率低的算法,分别是基于人体骨架特征的人体时序动作检测算法和基于光流特征的人体时序动作检测算法。人体骨架信息可以很好的表达人体时序动作,光流可以很好地呈现相邻图像中每个像素的运动速度和方向。通过将卷积神经网络与人工特征相结合提高了特征表达的能力,进而提高了召回率。本文在第四章提出了人体时序动作状态判断算法来解决动作开始结束时间定为不准确的问题。算法将人体时序动作的状态分为开始,过程和结束叁个状态,人体时序动作状态判断算法将第叁章检测结果的动作开始结束时间进行重新定位得到更加精确地的动作开始结束时间,从而得到精确的人体时序动作的时间区域。本文在THUMOS'14和MEXaction2两个数据集上分别进行了实验,相对于目前最好的方法,在算法模型产生的检测结果和数据标注的时间重迭率阈值选取为0.4时,在THUMOS'14数据集上,人体时序动作检测的平均精度提高了5.4%。在MEXaction2数据集上,人体时序动作检测的平均精度分别提高了5.8%。实验结果表明,相对于现有的方法,本文的方法有效地提高了人体时序动作检测的精度。(本文来源于《天津工业大学》期刊2019-01-23）
周倩,孙运强,姚爱琴,鲁旭涛[8]（2019）在《基于人体关节点定位的步态识别技术研究》一文中研究指出对于侧面视角下视频监控系统采集的行人序列,人脸识别、虹膜识别等特征识别技术都难以进行身份识别的情况,研究了基于人体关节点定位的步态识别技术。对人体的关节点定位,提出一种基于人体轮廓与骨架的方法,首先用改进的ZS细化算法提取人体骨架,然后在轮廓图上结合骨架进行关节点定位。计算关节角度作为步态特征,将不同人的步态特征用支持向量机(support vector machine,SVM)进行分类识别。在中科院CASIA步态数据库上进行识别验证和方法对比,结果表明该方法具备更好的识别率并且对穿大衣和背包状态具有鲁棒性。(本文来源于《国外电子测量技术》期刊2019年01期）
孟浚,赵夕朦[9]（2019）在《基于皮肤表面“振动信号”的多摄像头人体识别定位》一文中研究指出提出了一种适应场景广泛的基于皮肤表面"振动信号"的多摄像头人体识别定位方法。提出了同一人体皮肤表面"振动信号"在多摄像头下具有同步性而不同人体皮肤表面"振动信号"具有差异性的原理,并通过实验进行了验证。基于肤色区域跟踪技术,实现了多摄像头下的人体皮肤表面"振动信号"的获取;基于其差异性和同步性原理及余弦相似度,实现了人体识别;并通过多摄像头坐标计算实现了多摄像头人体定位,最大定位距离误差为61.01cm。(本文来源于《光学学报》期刊2019年05期）
丁洪金,宫法明[10]（2019）在《基于时序分析的人体活动状态识别与定位》一文中研究指出常规方法进行人体活动状态识别时,存在实时性差、实施困难,没有进行状态位置的时间定位等问题。针对这些问题,提出了基于时序分析的人体活动状态识别与定位方法。采用多层卷积神经网络对视频进行特征提取,采用时序动作性分组方法,产生不同精度的候选区域;采用基于结构化段网络的活动分类器对候选区域进行分类,以级联的方式进行端到端的训练,在未修剪长视频中识别并定位出站立、行走、跌倒及其时间节点。该方法不需要海量的手工标注样本进行训练,特征提取中包括时序特征的提取,相比于传统的活动状态分类方法不仅节约人力物力和增添了时间边界,还有效提高了检测的精度。在石油采油厂海上平台的监控视频的实验中证明了该方法的有效性和精确性。(本文来源于《计算机技术与发展》期刊2019年04期）
人体定位论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
介绍了测量所用的时域超宽带雷达的结构和工作原理,基于椭圆交叉算法,使用脉冲对消法从雷达的时域回波中提取出两个接收天线的信号到达时间,同时消除了背景杂波和天线耦合信号对定位的影响,实现了时域超宽带雷达对室内人体目标的定位。室内定位的实际测试结果表明,该方法可靠性好,定位精度较高,抗干扰能力较强。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
人体定位论文参考文献
[1].谢颖,赵蕾.人体高速运动图像步态特征精准定位方法研究[J].自动化与仪器仪表.2019
[2].吴斌,魏兵,弓明豪,郭立新.基于椭圆交叉算法的人体目标定位[J].现代应用物理.2019
[3].赵国,秦世引.PMMWI与VI优势互补的人体隐蔽违禁物检测与定位[J].北京航空航天大学学报.2019
[4].张泽.基于雷达的人体定位及运动状态检测系统[D].哈尔滨工业大学.2019
[5].陆俊.基于射频信号的无设备目标定位和人体姿态识别研究[D].南京师范大学.2019
[6].安广皓.基于人体定位跟踪的人机交互系统研究与实现[D].安徽大学.2019
[7].胡齐齐.人体时序动作检测与精确定位算法的研究[D].天津工业大学.2019
[8].周倩,孙运强,姚爱琴,鲁旭涛.基于人体关节点定位的步态识别技术研究[J].国外电子测量技术.2019
[9].孟浚,赵夕朦.基于皮肤表面“振动信号”的多摄像头人体识别定位[J].光学学报.2019
[10].丁洪金,宫法明.基于时序分析的人体活动状态识别与定位[J].计算机技术与发展.2019