导读:本文包含了姿态特征论文开题报告文献综述及选题提纲参考文献，主要关键词:动作特征表示,特征提取,Kinect,人体动作识别
姿态特征论文文献综述
王婧,谷林[1]（2019）在《一种优化动作特征表示的动作姿态评测模型》一文中研究指出运用传统的动作表示方法对动作特征进行表示,存在动作识别精度和识别效率较低的问题。为此提出一种优化的动作特征表示方法,即将动作整体特征与动作局部特征相融合,对动作特征进行全面的表示。动作整体特征采用传统人体姿态矩阵表示,动作局部特征采用人体骨骼关节点的旋转量表示。利用神经网络训练动作姿态符合度的网络模型,并依据网络模型输出的动作符合度,实现对动作姿态评测。实验表明,优化的动作表示方法,相较于传统的动作表示方法识别精度提高4.643%,具有较高的识别精度和识别效率。(本文来源于《西安工程大学学报》期刊2019年05期）
金驰,李志军,孙大洋,胡封晔[2]（2019）在《基于空间特征的无线体域网人体姿态识别算法》一文中研究指出针对传统基于图像视频的姿态识别算法中所存在的计算成本高、摄像盲区多、隐私易泄露等问题,提出了一种基于手机加速度与陀螺仪数据的卷积—卷积长短时记忆—注意力(CCLA,convolution-convolutionallong short-termmemory-attention)人体姿态识别算法。使用卷积神经网络对姿态数据进行空间特征提取,采用卷积长短时记忆网络挖掘数据中隐含的时序信息,模拟人脑选择注意力机制构建Attention(注意力)编码器进行更高层次的时空特征提取,以实现对姿态的精准分类。在加州大学欧文分校提出的基于智能手机的人体活动与转换姿态识别数据集上对CCLA算法进行了测试,实现了对12元姿态的分类识别,识别准确率达93.27%。(本文来源于《物联网学报》期刊2019年03期）
彭文耀,吴瑞琪,晁飞,周昌乐[3]（2019）在《一种基于姿态关系特征的机器人舞蹈生成方法》一文中研究指出如何使机器人伴随着音乐舞蹈是一个有趣又有挑战性的课题,为此提出了一种自动生成机器人舞蹈动作序列的方法.采用门控循环单元(GRU)网络分别学习音乐的全局特征与舞蹈姿态关系特征之间的相关性、音乐局部特征与舞蹈动作密度特征之间的相关性,再结合舞蹈动作图,采样并规划出与节拍同步的机器人舞蹈动作.该方法适用于目前商业娱乐机器人平台上提供的规模小、风格多样的机器人舞蹈数据集.将其在优必选Alpha1S机器人平台上进行实验后发现,机器人能够根据算法生成的动作序列演绎出稳定、流畅的舞蹈;调查问卷表明,人们很难区分舞蹈片段是由该算法生成的还是由人类设计的.(本文来源于《厦门大学学报(自然科学版)》期刊2019年05期）
赵志伟,倪桂强[4]（2019）在《非限定条件下无约束的多姿态人脸关键特征自动识别算法》一文中研究指出多姿态人脸关键特征的自动识别,对处理人脸数据库中的图像具有重要意义。为了保证人脸关键特征被准确识别,需要对人脸关键特征进行提取。传统算法对多姿态人脸关键特征进行自动识别时有效性差、识别率低、效率低。为此,文中提出了一种基于向量机的多姿态人脸关键特征自动识别算法,利用相机的焦距将人脸关键特征图像的叁维坐标表示出来,计算出多姿态人脸关键特征的叁维信息。利用滤波器处理多姿态人脸的关键特征并对其进行提取,最后根据向量机的权值,对人脸关键特征的目标函数和特征中的噪声进行分析,计算人脸自动识别的条件概率和迭代次数,实现非限定条件下无约束多姿态人脸关键特征的自动识别。实验结果表明,所提算法能够对多姿态人脸关键特征进行自动识别,并且具有较高的识别率。(本文来源于《计算机科学》期刊2019年09期）
蔡冠蓝[5]（2019）在《柔性姿态估计和时空特征结合的乒乓球动作视频片段关键帧提取》一文中研究指出为了解决传统方法在场景复杂的情况下,因无法保证时间与空间上的连续性,导致乒乓球动作识别错误,影响关键帧提取性能的问题,将柔性姿态估计和时空特征结合在一起,研究乒乓球动作视频片段关键帧提取问题。依据稠密光流对乒乓球动作视频片段进行分段。对单帧图像人体柔性姿态进行估计,通过可分离线性滤波器时空特征点检测方法对乒乓球动作视频图像序列特征点的检测,将时空特征点当成中心建立时空立方体,提取时空立方体的像素建立时空特征。为了保证时间与空间上的连续性,引入时空特征边,得到有时空特征的柔性姿态估计结果。通过直方图相交法求出乒乓球动作视频片段中姿态相似度,计算全部姿态的Hog间差异度,构成差异度矩阵。在当前帧姿态差异度超过阈值的情况下认为当前帧为关键帧。实验结果表明,所提方法针对不同场景的保真率与压缩率一直高于0. 7,处于较高水平;主观评价结果好,可提取合理关键帧。可见所提方法对复杂场景的关键帧提取性能优,主观与客观评价结果好。(本文来源于《科学技术与工程》期刊2019年25期）
王立,顾营迎[6]（2019）在《基于特征建模的空间非合作目标姿态智能测量方法》一文中研究指出为实现空间非合作目标姿态的测量,基于特征建模的思想,提出了一种根据目标激光点云数据进行高效处理的智能测姿态方法.首先,针对空间目标姿态测量的需求,寻找并实现能够高效表征目标姿态的点云数据特征.接着,应用神经网络的方法对目标点云姿态特征进行学习,通过建立合理的神经网络模型和训练数据,实现目标点云特征与姿态间非线性映射关系的建立.最后,利用目标点云仿真数据集,对方法的测量精度和测量实时性进行了评估.实验结果表明:利用特征建模的思想,提出并建立目标点云姿态协方差矩阵特征,实现了点云数据在表征目标姿态方面的信息高度压缩,为神经网络模型的轻量化设计和计算资源严重受限的在轨应用,提供了可行的智能化工程实现方案.(本文来源于《空间控制技术与应用》期刊2019年04期）
田卓,佘青山,甘海涛,孟明[7]（2019）在《面向人脸特征点定位和姿态估计任务协同的DCNN方法》一文中研究指出为了提高复杂背景下面部信息的识别性能,提出了一种面向人脸特征点定位和姿态估计任务协同的深度卷积神经网络(DCNN)方法。首先从视频图像中检测出人脸信息;其次设计一个深度卷积网络模型,将人脸特征点定位和姿态估计两个任务协同优化,同时回归得到人脸特征点坐标和姿态角度值,然后融合生成相应的人机交互信息;最后采用公开数据集和实际场景数据进行测试,并与其他现有方法进行比对分析。实验结果表明:该方法在人脸特征点定位和姿态估计上表现出较好的性能,在光照变化、表情变化、部分遮挡等复杂条件下人机交互应用也取得了良好的准确性和鲁棒性,平均处理速度约16帧/s,具备一定的实用性。(本文来源于《计量学报》期刊2019年04期）
王高宣[8]（2019）在《基于多特征融合与机器学习的篮球运动姿态识别》一文中研究指出为了有效识别篮球运动员的运动姿态,提升运动员的训练效果,提出了一种基于多特征融合和机器学习的篮球运动姿态识别方法。该方法利用惯性传感器采集运动员的加速度和角速度数据,分别从时域和频域提取多维运动姿态特征,通过特征选择和机器学习实现篮球运动姿态识别。实验结果表明,该方法能够有效识别篮球运动姿态,姿态识别平均准确率达到97%以上。(本文来源于《甘肃科学学报》期刊2019年03期）
王家兴[9]（2019）在《基于深度数据特征的铁路手信号姿态识别》一文中研究指出铁路调车作业作为铁路运输过程中一个重要环节,是列车运输任务中一项技术性强、要求较高而又复杂的工作,是衡量运输过程中各项指标完成的重要标志。在调车人员培训中,手信号的准确辨识和显示是至关重要的。目前手信号培训还是依赖于传统的人工教学模式,但是由于培训人员众多,手信号类别多种多样,所以导致培训效率低下。本文将人工智能姿态识别技术应用到铁路调车领域,通过残差神经网络进行姿态特征数据的采集,并且将信号旗的颜色信息结合CamShift算法进行动态跟踪识别,最后将融合的特征数据集送入到分类器进行分类识别,从而达到手信号自主训练识别的目的。本论文主要完成以下几个方面的工作:(1)完成铁路手信号数据库样本的采集工作。通过对手信号仔细观察,结合铁路手信号的姿态特性,将铁路手信号分为静态类和动态类两种类型。其中静态类包含10种类别的静态图片,动态类包含10种类别的动态视频。(2)人体姿态关节点的识别。本论文采用开源的深度学习网络模型提取关节点,通过残差神经网络找出所有候选关节点,将节点之间的关联性作为节点之间的权重,采用图论节点的聚类方法判断关节点属于哪一个人,最后使用整数线性规划(ILP,Integer Linear Programming)进行模型求解。(3)信号旗颜色识别及跟踪。铁路手信号信号旗的颜色分为红、绿、黄叁种,本设计采用CamShift算法对信号旗的颜色进行识别,并对信号旗动作进行动态跟踪,通过不断计算搜索窗的大小和中心位置,迭代计算初始值,可以有效解决目标形变和遮挡难题。(4)手信号姿态分类模型的建立与分析。将预处理好的数据送入K最近邻(KNN,K-NearestNeighbor)、逻辑回归、支持向量机等分类器中,通过交叉验证和网格搜索不断寻找参数来优化模型。最后将不同算法进行对比分析,结果表明在静态类别和动态类别中,支持向量机的表现效果更好,准确率分别可达98.999%和97.999%。(本文来源于《北京交通大学》期刊2019-06-01）
权美静[10]（2019）在《基于振动特征的室内人员定位及行走姿态识别》一文中研究指出为了满足用户在日常生活中不断增多的个性化需求,室内环境中人员定位与行走姿态识别得到了广泛的研究。基于摄像头和无线网络的室内定位和行走姿态识别的方法不能保护用户的隐私,且后期处理数据的设备要求较高,因此在很多情况下不能达到用户的需求。在人员定位和行走姿态识别的算法上,效率和准确率也有待提高。针对目前的需求,本文选择了基于非侵入式的加速度传感器作为监测室内人员的主要设备,根据蝎子定位猎物的感知原理,提出一种基于振动特征的室内人员定位及行走姿态识别方案。首先,对用户需要保护隐私及行动方便的需求,本文提出基于非侵入式的加速度传感器的方法。自然界蝎子腿部末端的基跗节复合缝感受器(Basitarsus Composite Slits Sensilla,BCSS)能定位到作用于其跗骨末梢处振幅为1nm的猎物振动引起的应变。受到蝎子定位猎物的启发,将加速度传感器根据蝎子BCSS的位置进行阵列设计,搭建了一套仿蝎子定位功能生物结构的数据采集平台。并利用该平台进行用户室内定位数据及行走姿态数据的采集,通过性能测试实验,验证了该平台的功能稳定而实用。其次,对于定位算法在定位精度上越高越好的需求,本文提出了一种仿蝎子定位机理的位置指纹室内定位方法。用LIF(Leaky Integrate-and-Fire)神经元模型模拟蝎子神经元,模拟蝎子在兴奋与抑制的共同作用下指令神经元对振动信号进行脉冲编码,不同的输入信号将产生不同的脉冲,提取脉冲作为位置特征。该特征比接收信号强度(Received Signal Strength,RSS)更细粒度地表征了信号的特性,使信号具有更好的区分性。将该方法应用到真实定位场景中,验证了所提的基于蝎子定位理论的位置指纹室内定位方法比基于RSS的位置指纹定位方法更加精确。最后,基于仿蝎子定位功能生物结构的数据采集平台,搭建了一套室内人体行走姿态识别系统。该系统信号处理流程如下:首先将采集的行走姿态数据进行去趋势、小波去噪等预处理,并提取数据的时域、频域、时频及脉冲特征,将特征进行归一化处理;再根据人体行走姿态的特点建立隐马尔可夫模型(Hidden Markov Model,HMM),应用一种快速自动搜索数据密度峰值的方法,建立模型内部参数与行走姿态特征之间的关系;然后利用Baum-Welch算法分别将每种行走姿态训练一个隐马尔可夫模型;最后利用Viterbi算法对行走姿态数据进行分类,将相似度最高的确定为分类结果。实验结果表明,该系统能有效地识别正常走、快走、跑和踏步这几类人体行走姿态。(本文来源于《吉林大学》期刊2019-06-01）
姿态特征论文开题报告
（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：
针对传统基于图像视频的姿态识别算法中所存在的计算成本高、摄像盲区多、隐私易泄露等问题,提出了一种基于手机加速度与陀螺仪数据的卷积—卷积长短时记忆—注意力(CCLA,convolution-convolutionallong short-termmemory-attention)人体姿态识别算法。使用卷积神经网络对姿态数据进行空间特征提取,采用卷积长短时记忆网络挖掘数据中隐含的时序信息,模拟人脑选择注意力机制构建Attention(注意力)编码器进行更高层次的时空特征提取,以实现对姿态的精准分类。在加州大学欧文分校提出的基于智能手机的人体活动与转换姿态识别数据集上对CCLA算法进行了测试,实现了对12元姿态的分类识别,识别准确率达93.27%。
（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。
姿态特征论文参考文献
[1].王婧,谷林.一种优化动作特征表示的动作姿态评测模型[J].西安工程大学学报.2019
[2].金驰,李志军,孙大洋,胡封晔.基于空间特征的无线体域网人体姿态识别算法[J].物联网学报.2019
[3].彭文耀,吴瑞琪,晁飞,周昌乐.一种基于姿态关系特征的机器人舞蹈生成方法[J].厦门大学学报(自然科学版).2019
[4].赵志伟,倪桂强.非限定条件下无约束的多姿态人脸关键特征自动识别算法[J].计算机科学.2019
[5].蔡冠蓝.柔性姿态估计和时空特征结合的乒乓球动作视频片段关键帧提取[J].科学技术与工程.2019
[6].王立,顾营迎.基于特征建模的空间非合作目标姿态智能测量方法[J].空间控制技术与应用.2019
[7].田卓,佘青山,甘海涛,孟明.面向人脸特征点定位和姿态估计任务协同的DCNN方法[J].计量学报.2019
[8].王高宣.基于多特征融合与机器学习的篮球运动姿态识别[J].甘肃科学学报.2019
[9].王家兴.基于深度数据特征的铁路手信号姿态识别[D].北京交通大学.2019
[10].权美静.基于振动特征的室内人员定位及行走姿态识别[D].吉林大学.2019