导读:本文包含了人体行为分析论文开题报告文献综述及选题提纲参考文献，主要关键词:人体姿态感知,人体动作捕获,人体动作识别,人体步态识别
人体行为分析论文文献综述
李超[1]（2019）在《基于卷积神经网络的人体行为分析与步态识别研究》一文中研究指出利用人工智能的方法分析人体行为动作,使得机器能够感知人体状态和运动意图,在安防监控、人机交互、数字娱乐等领域都拥有广阔的应用前景,受到业界广泛关注;另外,随着计算机计算能力的提升以及互联网上大规模有价值数据的产生,深度学习特别是深度卷积神经网络迎来了较大的发展。本文将利用深度卷积神经网络的强大层次化表征能力,围绕人体行为分析与步态识别这一主题,重点关注面向视频序列的人体姿态感知,面向序列化信号的人体动作建模与识别以及面向序列化信号的人体步态识别,这叁个方向的应用研究。主要包含如下3点研究内容:(1)面向视频序列的人体姿态感知利用深度卷积神经网络求解SMPL人体模参数与相机参数以实现人体叁维姿态感知。针对生成人体模型不正常的问题,借鉴对抗生成网络的思想取代繁琐的手工规则,来约束生成的叁维人体模型;针对生成人体叁维姿态序列抖动和求解不唯一的问题,结合视频帧之间一致性约束、初始状态约束以及人体高度约束来得到更精确的人体叁维姿态;为验证所提出方法的有效性,将其与两台Kinect(V2)和ipiSoft系列软件搭建的动作捕获平台获得的数据进行对比,分别验证了在动作捕获实验中不同速度、不同位置、不同朝向、以及复杂的动作对动作捕获结果的影响,实验结果表明所提出的解决方案能得到与商用动作捕获平台相似的实验精度;最后,开发了基于人体姿态感知舞蹈评分小程序,以支撑相应的应用研究。(2)面向序列化信号的人体动作建模与识别将深度卷积神经网络引入序列化信号的人体动作建模与识别中。针对带有空间稀疏性的序列化人体叁维姿态数据和脑电数据,提出特征图这种含有时空信息的编码方法,将序列化信号的人体动作建模与识别转化为二维图像领域的对应问题;针对基于人体叁维姿态的动作识别,将深度残差网络引入动作识别中,通过实验得到最优的特征方案组合,并在NTU RGB+D数据集和SUB Kinect Interaction数据集上取得了最优的识别结果;针对基于人体叁维姿态的动作检测,将识别中最优的特征组合作为faster R-CNN检测框架的输入,同时将区域生成网络替换为序列生成网络,兴趣区域池化替换为兴趣区域对齐,方法在PKU-MMD数据集上获得了最优的检测结果;针对基于脑电信号的动作建模与识别,根据脑电信号的特性,优化深度卷积神经网络的结构,并在BCI Competition(Data set1)数据集和自主实验采集的脑电数据集上取得了最优的识别效果。(3)面向序列化信号的人体步态识别将深度卷积神经网络引入序列化信号的人体步态识别中。针对角度因素的影响,提出结合深度卷积特征与联合贝叶斯的步态识别解决方案,并在开源的OULP数据集和CASIA-B数据集上进行验证,所提出的解决方案在不同的实验场景(无视角差异,交叉视角差异,非配合状态)下的步态验证和步态鉴别任务中均取得了最优的实验结果;针对非直线行走这一场景,提出了结合人体姿态感知以及深度卷积神经网络建模与识别的方法,并在实验采集的IPI Dataset上进行实验验证,该方法优于基于轮廓图的方法,且本文提出人体姿态感知方法与商用动作捕获平台得到的人体姿态数据在步态识别中取得的结果相似。(本文来源于《浙江大学》期刊2019-05-20）
朱凌飞,万旺根[2]（2019）在《基于骨架模型的人体行为分析》一文中研究指出随着深度学习运用到图像领域,姿态估计、行为分析等算法的性能得到显着提升,希望在利用较好模型基础上进一步分析,在尽可能短的时间内得到更直观的结果。2016年提出的沙漏堆网络对人体关节点进行多尺度、多阶段的训练,在MPII数据集上回归了16对关节点坐标,在单个11 G显存的GPU上的平均准确率为87.6%;连接关节点构建人体骨架模型,然后根据骨架模型的加权角和倾斜角等几何特征,进一步推断人体的动作和行为状态,最后对人体行为进行分类和判断,包括站立、直坐、躺下等常见7类动作,平均准确率为82%,优势在于有效降低计算量和处理时间。(本文来源于《电子测量技术》期刊2019年08期）
许万茹[3]（2018）在《复杂人体行为分析的时空上下文方法研究》一文中研究指出由于广阔的应用前景和重要的学术价值,基于视频的人体行为分析已经成为计算机视觉和机器学习领域中的研究热点之一。在实际应用中,为了更好的分析视频行为,不仅需要对视频的行为类别进行识别,而且需要定位行为发生的具体时空位置。真实场景下的人体行为十分复杂,考虑人体行为中的时空上下文信息,可以实现对复杂行为的准确识别和精准定位。因此,本文主要研究如何充分利用时空上下文信息提高模型的识别和定位性能,研究内容包括:(1)基于时空描述距离测度的复杂行为识别。为了提高模型的描述力,本文充分整合行为视频中包含的有效时空信息,设计实现行为模式的更有效表示,消除复杂行为识别问题中的描述鸿沟,从而提高复杂行为的识别准确率。本文通过整合局部特征周围的结构信息以及构建局部特征间的时空关联,提出叁种时空描述子和相应的距离测度方法,用以衡量行为视频间的时空距离,可同时用于识别简单单人行为和复杂交互行为。(2)基于层级时空概率图模型的复杂行为识别。为了提高模型的判别力,本文提出一个层级时空概率图模型,同时建模人体行为及其附近交互场景中包含的所有时空关联,并且集成从局部到全局的所有层级特征,消除复杂行为识别问题中的语义鸿沟,从而提高复杂行为的识别准确率。本文使用概率图模型直接作用于底层特征进行时空建模,从复杂的行为数据中学习出具有判别性的行为识别模型。(3)联合时空上下文的复杂行为识别和定位。为了提高模型的定位精度,本文提出一个统一的基于时空上下文的概率图模型,联合利用目标行为本身及其周边环境上下文信息共同修正定位边界;为了缩小目标行为的搜索空间,本文利用深度强化网络学习一个更加符合人类感知过程的高效搜索策略,在仅仅提取少量行为候选区域的条件下,获得更精确的时空定位结果;为了减少所需的人工标注数量,本文整合人体行为中潜在的时空动态和先验知识,重新定义强化学习中的奖励函数和损失函数,弥补因不完全标注带来的信息缺失。我们在多个公共行为数据集上验证了所提模型的有效性。实验结果表明时空上下文不仅能够增强模型的描述性和判别性,提升模型的识别性能,而且能够修正模型的定位边界,有助于更精准的定位人体行为。(本文来源于《北京交通大学》期刊2018-03-01）
强家辉,张为公,王东[4]（2018）在《基于足底压力的人体姿态检测和行为分析方法》一文中研究指出人体的运动姿态检测和行为分析具有广泛应用价值。设计了一种基于足底压力的人体姿态检测和行为分析系统,系统由压力采集模块、数据处理模块、无线通信模块和行为分析软件组成。姿态检测系统获取足底压力数据,采用蓝牙方式进行数据通信,行为分析软件使用支持向量机多分类方法实现坐、站、走、跑和爬楼5个经典人体姿态的区分。实验证明该系统对人体姿态具有较好的识别精度和可靠性,可以用于人体姿态检测和行为分析。(本文来源于《测控技术》期刊2018年01期）
敖琳[5]（2018）在《基于Kinect骨骼信息的人体动作识别与行为分析》一文中研究指出人体动作识别是人工智能研究的一个重要领域,在体感游戏、视频监控、军事训练、医疗卫生等多个领域得到了广泛的应用。基于计算机视觉的人体动作识别一般都是通过对二维彩色图像进行处理获得动作信息,这样易受环境与光照影响,因此本文应用微软公司开发的Kinect传感器获得深度图像,经过处理得到骨骼关节点的叁维坐标,依据人体结构向量进行特征提取,针对人体的静态姿势与动作行为的识别展开了研究,主要工作如下:在了解Kinect传感器的基本构造与性能的基础上,研究了深度信息与人体骨骼信息获取的原理与感知范围,确定了建立静态姿势骨骼数据库的条件,同时研究各个行为数据库的选取。根据姿势数据库与行为数据库获得人体各个关节点的叁维骨骼信息,识别人体动作的基础是提取骨骼信息中的特征值,本文基于Kinect获得的叁维骨骼信息构造了人体结构向量,以结构向量间的角度与向量模比值的组合作为描述人体姿势与行为的特征向量,这样获得的特征向量具有平移与缩放不变性,且能方便地描述出完整动作信息,十分适用于人体动作识别。本文分别对人体动作的静态姿势与动态行为进行识别,首先使用姿势数据库训练神经网络,将待识别动作放入训练好的神经网络进行分类识别,并用遗传算法优化神经网络提高识别率,然后基于动态时间规整算法将待识别动作与行为数据库中的动作相匹配,得到识别结果并使用改进的动态时间规整算法降低识别时间。通过系统测试表明本文采用的遗传算法优化的神经网络与改进的动态时间规整算法对识别姿势与行为有较好的效果,说明了本文特征向量选取与动作识别方法的可行性,研究工作具有一定的应用前景与学术价值。(本文来源于《哈尔滨工程大学》期刊2018-01-01）
邓俊[6]（2017）在《基于双目视觉的人体行为分析技术研究》一文中研究指出人体行为分析技术是计算机视觉领域的一个研究热点问题。该技术在视频监控、感知接口、运动分析和虚拟现实等多个领域均具有广阔的应用前景。其中如何有效克服遮挡和多义性、环境的复杂变化性以及人体的非刚体性等困难的影响成为人体行为分析技术中的一个重要任务。基于此,本文围绕基于双目视觉的人体行为分析技术展开研究,重点针对基于双目视觉的立体匹配与深度信息获取方法和基于卷积神经网络的人体行为分析算法展开了分析与研究,提出了一些解决方法和改进措施。本文研究的主要内容如下:1、在基于双目视觉的立体匹配与深度信息获取算法研究中,提出了一种基于人体边缘信息的SURF(Speeded-Up Robust Features-简称SURF)与区域匹配结合的立体匹配算法。该算法旨在降低遮挡和多义性造成的影响,引入叁维深度信息提高行为分析算法的精度。该方法包括双目视觉系统标定、运动目标检测、SURF立体匹配与区域匹配优化、叁维信息获取四个部分。在采用平面模板两步法完成双目视觉系统的标定后,采用改进的混合高斯模型的背景差分法提取人体运动目标。在匹配过程中,先对获取的人体边缘信息进行SURF匹配,然后结合基于极限约束的区域匹配算法进一步优化匹配结果,提高人体特征点匹配的精度。最后根据得到的匹配点获取叁维深度信息。实验结果表明,该算法能够准确获取人体叁维空间坐标,有效避免遮挡和多义性的干扰。2、在基于双目视觉的人体行为分析算法研究中,提出了一种基于小样本卷积神经网络(Convolutional Neural Networks-简称CNN)的人体行为分析算法。卷积神经网络分为特征提取层和特征映射层。在特征提取层,利用CNN神经元感知并提取局部特征;然后利用由多个特征映射层组成的网络层进行相应的计算,使得特征提取精度更为准确可靠。基于小样本卷积神经网络的人体行为分析算法分别对双目视觉系统下左右相机采集的图像采用CNN方法进行分类识别,然后对左右图像的识别结果进行权值融合处理,通过调节系统参数,获取更高的行为匹配度。实验结果表明,该算法能够对单人动作和交互动作进行准确识别,有效提高人体行为分析算法的识别率。(本文来源于《北方工业大学》期刊2017-05-21）
汪梦[7]（2017）在《监控视频运动目标检测和人体行为分析》一文中研究指出监控视频的运动目标检测和人体行为分析技术是以人为监控目标的监控系统自动化的关键技术。该技术在交通监管、军事航天、体育竞技等领域具有广泛应用,对于如机场、火车站等人流量较大的公共场所的安全防范工作尤其重要。人工的监察耗时长、工作量大且易疏漏。因而基于监控视频的运动目标的自动检测和人体行为自动化识别技术具有重要研究意义与价值。本文的主要研究内容包含叁个方面,其中运动目标检测、多行人跟踪及人体行人识别为主要研究内容。本文先通过一种用置信度将纹理和颜色特征融合的背景差分法检测出运动目标区域,并对运动目标中的人体进行检测和跟踪,最后基于跟踪所得的人体动作关键帧序列对人体走、奔跑、慢跑、拍手、挥手5种动作进行分类。本文的主要研究内容如下:(1)通过综合比较颜色特征和纹理特征在运动目标检测中的优缺点,针对两者的优缺点提出了一种基于纹理和颜色特征置信融合的运动目标检测方法。该方法以局部叁值模式纹理特征(Scale Invariant Local Ternary Pattern,SILTP)值与RGB颜色信息值及各自的置信度一起构建背景模型,然后根据相似度匹配对像素点分类。实验证明本文提出的方法能有效改善光照变化和阴影造成的误检,对复杂动态背景也有一定的处理效果。(2)DPM(Deformable Parts Model)算法是目前具有最高水平行人检测效果的多模型、多尺度行人检测算法,本文基于DPM良好的行人检测效果,提出了一个多行人跟踪框架。该框架基于Kalman滤波的单行人跟踪器对每个行人跟踪,然后用JPDA数据关联算法将检测与目标关联从而实现多行人跟踪。该跟踪框架对遮挡和尺度较小的行人也能有效跟踪。(3)对传统的基于时空兴趣点的人体行为分析算法做出改进。在原来的算法基础上引入人体的宽高比特征、速度与时空特征一起构建行为特征向量。并通过k-means算法对特征向量分类。最后根据Hausdorff距离计算相似度,从而将动作分类。本文通过加入跟踪所得的动作之人的宽高比特征和速度特征。通过实验证明改进后的算法能更好的将走、奔跑、慢跑加以区分,宽高比特征的加入也使得拍手和挥手的识别率提高。(本文来源于《武汉理工大学》期刊2017-03-01）
张成新[8]（2016）在《基于视频监控的人体行为分析算法研究》一文中研究指出基于视频的智能监控系统是维护社会安全、影响生产生活、关系学术研究的重要课题之一。首先,本文详细阐述了基于视频的前景检测技术,指出现有混合高斯模型存在两个问题,一个是计算速度较慢,另一个是难以处理光照突变对背景带来的影响。本文从速度方面开始讨论,提出了扫描线更新及模板更新算法来优化速度问题,扫描线更新算法和模板更新算法速度优化类似,但模板更新算法前景结果无明显干扰,同时可以满足实时监控需求。接着,本文从无人行走和有人行走两种场景下,采用叁帧差法与混合高斯模型的结合处理光照突变,检测效果远好于原混合高斯模型算法。然后,本文基于改进的叁步搜索算法,提出运动矢量评估算法,应用到上下车人数统计系统中去,可以有效的检测出人体的运动方向。本文采集大量原始视频数据,主要从摄像头遮挡、区域检测、攀高检测、打架斗殴等场景下进行人体行为识别研究。首先介绍摄像头遮挡的判断特征,根据灰度值及梯度差异判断遮挡情况,给出了简单场景下摄像头被完全遮挡的实验结果。接着介绍了攀高检测算法和区域入侵检测算法,这两种算法主要利用人体行为检测出的前景图像来判定,并介绍了这两种算法的基本原理及实验步骤,给出实验结果。最后,重点介绍了打架斗殴行为的特点。从全局和局部特征对打架斗殴行为分析,得出规律,给出判断规则,并详细描述了实验的过程。然后从熵值、幅值最大值及区域运动剧烈幅值大值比例来判断打架斗殴行为。实验结果表明,基于场景的算法研究具有良好的检测效果,对上述场景及更复杂场景研究提供了实验依据,奠定了算法基础。(本文来源于《东南大学》期刊2016-05-25）
张冰冰[9]（2016）在《视频中的人体行为分析关键技术研究》一文中研究指出计算机视觉的研究在过去的叁十多年中飞速发展,人体行为分析在智能监控、人机交互、虚拟现实和基于内容的视频检索与解说等方面有着广泛的应用前景和潜在的经济价值,成为了计算机视觉领域中备受关注的前沿方向之一。随着其应用范围的不断扩大以及应用需求的不断增长,复杂背景下的人体目标特征提取与描述算法成为该领域内的研究难点以及重点问题。首先,改进了一种基于消除摄像机抖动影响的密集点轨迹特征描述算法。该算法在原提取密集点轨迹特征的基础上,考虑了原始视频中存在摄像机抖动影响画质这一主要因素,在预处理过程中,提取SURF特征和高效光流特征,采用随机抽样一致算法进行特征点匹配,使视频画质增强,进一步提高识别结果。其次,在人体行为识别算法方面,将基于字典对学习的人体行为识别算法应用于视频分析中,通过引入辅助域,与原始训练集(文中也称为目标域)共同进行字典学习,重建字典对,获得稀疏表示,有效地扩充了训练集的类内多样性,减小了由于类内多样性而带来的错判率。在人体行为视频数据的表示方式上,密集点轨迹作为特征描述方式,然后进行字典对学习,获得动作类相应的稀疏表示,本文算法为字典学习和训练分类的过程合并起来的学习框架,可利用字典对学习算法中的重建误差进行分类。最后,实验在MATLAB仿真条件下,实施了对人体行为特征提取与描述和人体行为识别算法的两组实验。人体行为特征提取与描述算法方面,与SIFT点轨迹以及KLT轨迹对比,证明本文轨迹可以处理变化模式快速且不规则的运动模式。人体行为识别算法方面,将UCF YouTube数据集作为原始训练集,将HMDB51数据集作为辅助域的数据集,选取两个数据集中动作类别一致的7个动作,即骑车,潜水,打高尔夫球,跳,击球,骑马,投球这7个动作,根据提出算法流程,进行特征提取与识别,通过与相关算法进行对比,识别效果都有明显提高,证明了本文算法的有效性。(本文来源于《长春工业大学》期刊2016-04-01）
苟超[10]（2016）在《室内场景的人体跟踪与行为分析》一文中研究指出本论文是“基于多模式智能视觉感知与移动3G网络的空巢老人监护系统”项目的一部分,该项目旨在对室内空巢老人的异常行为进行识别和预警。通过对前景检测、人体跟踪和行为分析算法进行改进和整合,在连接相机的PC客户端上实现对空巢老人实时的稳健跟踪与行为分析,然后把行为分析结果上传到远程服务器端,最后再把信息实时发送到子女或监护人的安卓App客户端。由此最终构建了一套基于计算机视觉的自动化空巢老人监护解决方案,具有广泛的应用前景。本文的主要研究内容如下:1.运动目标检测和多人体跟踪:在室内场景视频的运动目标检测中,比较了稠密光流法(Dense Optical Flow,DOF)、ViBE(Visual Background Extractor)算法和高斯混合模型(Gaussian Mixture Model,GMM)这叁种经典方法的前景检测效果,最终决定采用各方面性能均衡的GMM算法。在GMM算法基础上,整合了倒影检测算法来去除倒影,在前景图像预处理中使用了特别的形态学处理方法来聚类人体前景块和去除前景噪声。在前景Blob的人体分类中,针对经典的HOG(Histogram of Oriented Gradient)特征行人检测算法在真实场景下错误率高和速度慢的缺点,本文只对跟踪到的前景Blob区域做行人检测。在基于前景Blob的跟踪算法中,根据帧与帧的Blob的几何特征信息实现了一个简单的Blob Tracking系统。为了克服Blob Tracking无法处理多人遮挡和静止跟踪的问题,本文用KLT(Kanade-Lucas-Tomasi)Tracker来改进了Blob Tracking算法,解决了多人遮挡和静止跟踪的问题,并且得到稳健的跟踪结果。2.运动特征提取和行为分类:针对单目相机由于缺乏景深无法得到人的真实速度和位置信息从而对行为分析造成的困难,本文通过对房间几何信息和家具信息进行标定,然后利用透视投影变换(Perspective Projection Transformation,PPT)来定量得到了人的真实速度特征以及人和家具的相对位置特征,极大地提高了行为分类的正确率。然后介绍了GBM(Gradient Boosting Machine)机器学习算法,采集了室内常发生的走、跑、坐、站和跌倒这5种行为的视频数据,标定得到1185个行为特征向量后用GBM训练分类得到了96.21%的正确率。最后把训练好的GBM模型整合进空巢老人监护系统,实现了对室内空巢老人的危险行为分析和预警。(本文来源于《电子科技大学》期刊2016-03-31）
人体行为分析论文开题报告
（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：
随着深度学习运用到图像领域,姿态估计、行为分析等算法的性能得到显着提升,希望在利用较好模型基础上进一步分析,在尽可能短的时间内得到更直观的结果。2016年提出的沙漏堆网络对人体关节点进行多尺度、多阶段的训练,在MPII数据集上回归了16对关节点坐标,在单个11 G显存的GPU上的平均准确率为87.6%;连接关节点构建人体骨架模型,然后根据骨架模型的加权角和倾斜角等几何特征,进一步推断人体的动作和行为状态,最后对人体行为进行分类和判断,包括站立、直坐、躺下等常见7类动作,平均准确率为82%,优势在于有效降低计算量和处理时间。
（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。
人体行为分析论文参考文献
[1].李超.基于卷积神经网络的人体行为分析与步态识别研究[D].浙江大学.2019
[2].朱凌飞,万旺根.基于骨架模型的人体行为分析[J].电子测量技术.2019
[3].许万茹.复杂人体行为分析的时空上下文方法研究[D].北京交通大学.2018
[4].强家辉,张为公,王东.基于足底压力的人体姿态检测和行为分析方法[J].测控技术.2018
[5].敖琳.基于Kinect骨骼信息的人体动作识别与行为分析[D].哈尔滨工程大学.2018
[6].邓俊.基于双目视觉的人体行为分析技术研究[D].北方工业大学.2017
[7].汪梦.监控视频运动目标检测和人体行为分析[D].武汉理工大学.2017
[8].张成新.基于视频监控的人体行为分析算法研究[D].东南大学.2016
[9].张冰冰.视频中的人体行为分析关键技术研究[D].长春工业大学.2016
[10].苟超.室内场景的人体跟踪与行为分析[D].电子科技大学.2016