一、非特定人自然的人体动作识别（论文文献综述）
蔺旭鹏[1]（2020）在《基于姿势识别的演唱会精彩动作检测的研究与实现》文中研究表明人体动作识别涵盖的领域十分广泛,在许多重要领域都有极其广泛的应用。针对人体动作识别,已经有大量的科研人员进行深入的研究,但对于人体动作识别中出现的许多问题,比如会出现人与人之间的遮挡,人体动作并不是刚体运动,还会出现尺度变化以及视角变化等细微动作不明显的问题,使得人体动作识别任务中仍然存在着许多难点。因此如何研究出高效的人体动作识别技术成为了研究人员共同关注的话题。人体动作识别中的识别主题为人,人作为社会的主体,视频中也以人的视频居多,因此如何能够自动识别出视频中的人体动作,也成为一项重要且有意义的任务。人体动作识别的流程一般分为三个部分,包括特征提取,特征处理,学习算法。根据人体动作识别的类别不同,有视频和图像识别两种,基于视频的动作识别通过动作序列进行检测,而利用图像进行识别的方法,仅仅通过识别单张图像中的动作信息,从而达到识别出图像中的动作,在现阶段的研究当中,基于视频的研究较多。而针对图像的动作识别由于静态图像中提供的信息较少,因此相比较于基于视频的动作识别而言,给识别带来了更大的困难,此外基于图像的识别一般情况场景比较复杂,包含的物体较多,还有可能出现人体的遮挡等问题,因此识别较为困难。演唱会的精彩集锦,需要剪辑师人工去寻找动作特征,然后手动设置视频起点和终点进行手工剪辑,这种工作极很容易导致检测的遗漏。演唱会场景是一种非常复杂的场景,场景复杂多样,场景中人物较多,给识别带来了困难,因此本文提出一融合骨骼关键点信息和残差块的动作检测的方法,该方法结合残差块进行图像的全局的动作信息的提取,能够自动识别演唱会中的精彩动作,并定位出图像中的出现某种动作的人体位置。结合常见人体动作关节点的特征,选取了关节点角度关系,肢体长度比值和关节点的相对位置三种特征,并归一化三种特征来对场景中动作进行分类,设计出一种能够主动学习的演唱会动作识别模型,对研究演唱会场景歌手动作以及经常出现的的舞蹈动作都有具有重要的现实意义。最后在pytorch深度学习框架平台上,对自己收集的演唱会数据集进行了测试,分析了动作识别的结果,误检和漏检的原因以及提出了改进的方法。实验表明,本文提出的基于骨骼点的融合多特征识别动作的方法在数据集上达到了 92.5%的准确率。因此本文提出的融合骨骼和残差块的方法具有现实可行性和重要意义。
吕现伟[2]（2019）在《人体动作识别中传感器位置放置策略研究》文中进行了进一步梳理随着人工智能、传感器技术以及可穿戴技术的发展,基于传感器的人体动作识别一直都是近年来研究的热门主题。相比于单个传感器,多个传感器可以对复杂的人体动作实现更高的识别准确度。为了追求更好的性能,往往会出现多余的传感器,这直接带来了额外的传感器费用,使得数据传输、存储和计算负载加重。因此,如何从多个传感器中选择合理的传感器数量和位置组合是该领域亟待解决的一个问题。针对特定的复杂人体动作,基于穿戴设备采集人体多个位置的传感器数据,从多个传感器位置中选择合适的传感器数量和位置组合,在确保识别精度的同时尽可能地减少传感器,然后通过选择的传感器组合使用常见的分类模型对复杂的人体动作进行识别分类。在选择传感器数量和位置组合时不仅考虑了不同位置传感器与人体动作类别之间的相关性,同时也考虑了不同位置传感器之间的冗余性。另外,通过模拟复杂的工厂生产流水线场景,使用可穿戴设备捕捉了8种不同的人体动作,得到了17个人体不同位置的加速度数据。然后使用提出的算法从17个不同位置传感器中选出合适的传感器数量和位置组合,并对这8种复杂人体动作进行分类。一共采集了1112组复杂人体动作样本,通过实验评估发现,提出的方法比直接基于特征选择方法得到的传感器组合更加合理,可以有效地去除冗余的传感器。实验结果表明仅仅需要提出方法选择的6个不同位置的传感器就可以维持使用所有传感器得到的识别准确度。
曾铭宇[3]（2019）在《基于近似核心最小类偏差极限学习机的动作识别方法研究》文中研究说明如今,人体动作识别有着比较长的发展历程,而且在当今人工智能大发展的前提下,它也得到了越来越多的关注,例如人机交互、机器视觉和基于内容视频的检索等。它在各个领域都有着很大的应用,可以对人体的动作进行探测和识别,最终识别出目标的动作行为,甚至可以预测目标接下来的行为,这对人物犯罪监察探测有着非常重要的意义。由于人体动作识别的探测目标数据集大多是使用数据信息量大的摄像头,甚至有可能是使用高速摄像头的数据,所以这给人体动作识别带来了非常大的计算量。针对上诉的问题,我们在本文提出了一种新型的多视角动作识别的方法,这可以很好的解决视频数据量大而带来识别难度大的问题。首先,本文使用了一种快速高效的动作特征提取方法,它叫做模糊特征提取。其中,文章所研讨的是关于多视角的人体动作识别方法,而模糊特征提取对多视角的动作特征的提取是有着非良好的效果。此方法在最初,需要对视频的全局的图片（即对视频中每个动作类中的每张图片）进行模糊化处理,然后将模糊化处理后的特征图片进行k-means聚类,以此来生成我们对于分类算法的训练或者识别所需要的特征模型。除此之外,我们还针对了多视角人体动作识别提出了一种新型的算法,它是由有着计算速率非常快的极限学习机改进而来,我们把它称之为近似核心最小类偏差极限学习机算法,它是一种通过训练后得到的近似核心单隐层神经网络,目的是增强动作识别的性能。因为极限学习机有着很多的改进型,但是在它的发展历程中,慢慢的计算复杂度被增加,使它失去了原来快速高效的优势。所以,我们本文提出的这种分类算法,就能很好的解决上诉多视角动作视频数据量大导致计算复杂度增加的问题。最后,我们搭建了实验模型进行性能评估。在这个过程中,我们使用了KTH和UCF Sports这两个常用的人体动作识别数据集,分别对改进型的支持向量机、传统极限学习机和各类改进型的极限学习机进行性能对比。并且在最终的试验结果显示,我们所提出的方法有着更好的效果。
于士龙[4]（2018）在《基于惯性传感器的人体动作识别技术研究》文中研究指明联合作战仿真训练通过采用相关的建模理论与方法,设计仿真模型来模拟特定的兵力对象和作战环境进而支持军事作战训练,这种训练方式将在未来的部队训练中发挥至关重要的作用。受训人员使用作战仿真系统进行训练的过程基本上都是通过人机交互的方式来完成的,良好交互体验所带来的沉浸感对于仿真训练效果的提升是至关重要的。传统的交互方式使受训者的精力过多地放在鼠标键盘的操作上,交互不真实,训练效率低。而使用动作捕捉与识别技术,将用户肢体的运动作为一种重要的输入通道,结合虚拟现实技术打造的虚拟训练场可以带来更好的训练沉浸感,进而提升训练效果。基于可穿戴传感器的人体动作捕捉与识别系统相较于基于外部传感器（如深度相机）的识别系统可以使用户获得更大的活动空间以及更高的自由度,且对动作的识别效果不会受到光照,遮挡等外部因素的干扰,与虚拟现实技术有更高的契合度。本文面向基于可穿戴惯性传感器的人体动作识别,使用深度学习方法构建并训练分类器,以深度Long Short Term Memory（LSTM）网络作为主体框架,从神经网络信息传递、特征提取和最终的分类决策三个角度对网络进行改进,解决了深层网络的梯度消失问题,识别过程中的特征自动提取问题和最终分类决策时如何自动确定相关建模动作时间上下文的问题。最终的Attention-based Temporal Weighted Convolutional LSTM（ATW C-LSTM）网络在开源数据集上的表现已经达到了当前研究领域的较高水平。论文主要创新点如下:（1）将残差思想引入深度LSTM网络解决梯度消失与梯度爆炸问题基于可穿戴惯性传感器的人体连续动作识别所要解决的主要问题是对时间序列建模。本文选取了更擅长处理时间序列的LSTM网络作为主体框架,并基于残差学习思想对深度LSTM网络的结构进行调整,从一定程度上减轻了深度LSTM网络在网络深度上的梯度消失与梯度爆炸问题。（2）在LSTM网络前加入卷积层实现特征自动提取,以提高网络的泛化能力经典的人体动作识别使用的多为人工构造特征或启发式特征,这样做的弊端是对领域知识和经验的要求很高,且针对特定任务而手动设计的特征并不具有很强的泛化能力。本文在有较大数据集的支持下,于网络的输入层之后加入卷积层,以数据驱动的形式学习特征,取代了人工构造特征,无需或者大大减少了对领域知识和经验的依赖,使网络具有良好的泛化能力。（3）引入注意力机制自动确定与建模动作相关的时间上下文在人体动作识别领域主流的深度学习方法通常会基于固定长度滑动时间窗为所有传感器读数建模固定大小的时间上下文。但是这种方法通常难以实现对相关动作的理想建模并因此影响到分类性能。基于这样的思考,我们将注意力机制引入人体动作识别领域,通过在网络中加入Attention层,使网络可以自动确定与建模动作相关的时间上下文。
李飞[5]（2018）在《基于特征融合的人体动作识别》文中研究说明随着智能机器人技术的快速发展及其在制造系统和人机交互领域的应用,智能化的人体动作识别技术为满足智能系统高柔性需求提供了有效途径。为了对操作人员动作的有效识别,需提取能够完整准确描述动作的人体动作特征,实现人体动作的识别分类,本文通过对人体不同动作特征、动作识别模型、参数优化方法的深入分析,对多特征进行融合,建立了动作识别模型,并对模型参数进行优化,实现了对人体动作的有效识别。基于人体关节的三维空间坐标,通过特征融合描述人体姿态和动作,建立了行为动作模型。在人体骨架模型简化的基础上,建立了行为动作模型,提取计算、融合了人体主要关节角度、速度以及相对位置三种互补特征,通过融合特征描述行为姿态,用姿态系列表示动作。结合人体动作视频数据库,为便于计算,以最多特征维数样本为标准,对数据库中每个动作样本特征进行傅里叶插值,使得动作样本的特征维数一致,对样本数据进行归一化预处理。最后,利用主成分分析法提取特征主要成分,从而降低特征维数,减少冗余信息。基于融合特征,构建了四种多分类动作识别模型,包括一对一多分类模型、一对多多分类模型、有向无环图多分类模型以及决策树多分类模型。依据多分类模型中不同的核函数进行行为识别测试,选择测试识别精度最高的核函数作为多分类模型的核函数,实现对测试动作样本的识别。对比分析不同模型的识别结果,得到在多分类识别模型中,一对多多分类模型取得较高识别率。在分析多分类识别模型参数的基础上,分析得到影响识别准确率的重要参数。利用改进的网格优化算法、萤火虫优化算法以及狼群优化算法,对该多分类模型的参数进行优化,提高了多分类识别模型的识别率,通过实验仿真对比得到在狼群优化时,识别速度较快、准确率高,且鲁棒性强。
李泽洋[6]（2018）在《基于视频的非特定人动态手语识别算法》文中提出伴随计算机技术的迅猛发展,“以人为核心”的人机交互成为当前研究的热点。尤其是基于计算机视觉手势识别的研究,因其符合人的自然习惯且设备价格低廉,受到越来越多的关注。同时,手语是聋哑人以手势信息取代有声语言进行交流的重要方式。由于健全人一般不懂手语,而且手语翻译属于新兴职业,尚无法满足市场需求,因此手语识别的研究就显得十分有意义。面向未来智慧社区中手语/语音双向识别系统,实现聋哑人与健全人之间的可视“对讲”,不仅需要建立针对非特定人群的手语识别,还需要满足系统的实时性需求。为了有效解决上述问题,本文对手语识别中现有算法进行深入研究,并在此基础上对其中的两种算法进行改进,主要完成以下两个方面的工作。1)针对实时、大词汇集、连续手语视频的准确识别问题,提出一种融合压缩感知与加速稳健特征（Speeded Up Robust Features,SURF）的手语关键帧提取算法。首先在前期预处理阶段,采用基于HSV空间自适应颜色检测的方法来提取手势区域;再利用压缩感知将手语视频降维成低维多尺度帧图像特征,通过自适应阈值完成子镜头分割,处理大量手语帧数据;之后再运用SURF特征完成特征匹配,绘制SURF特征的帧间相似度曲线寻找极值点,最终提取关键帧。通过实验验证,算法具备处理大量复杂数据的能力,识别结果更加准确。2)针对跟踪学习检测（Tracking-Learning-Detection,TLD）算法在光照变化不均、遮挡严重、跟踪目标模糊等情况下会出现跟踪失败的问题,提出一种基于卷积神经网络优化TLD运动手势跟踪算法。首先选取手势特征作正样本,其背景作负样本,获取手势方向梯度直方图（Histogram of Oriented Gradient,HOG）特征并借助卷积神经网络加以训练,得到手势检测分类器,从而确定目标手势区域,实现手势的自动识别;再利用TLD算法对手势进行跟踪与学习,对正负样本进行估计检测并实时校正,同时运用SURF特征匹配更新跟踪器。实验表明,本文算法的跟踪精度高于传统TLD算法,且拥有更高的鲁棒性。
韩艳杰[7]（2018）在《基于3D打印与光纤光栅传感技术的新型人体姿态识别系统》文中指出在科学技术日益发展的环境下,可穿戴设备依然是目前研究的热点,尤其在人体肢体运动动作的识别与监测方面。将光纤光栅传感技术、3D打印技术及柔性聚乳酸材料结合起来,用于人体肢体动作识别与监测可以充分利用FBG的高精度和高灵敏度、3D打印技术的快速成型及柔性聚乳酸原料的柔韧性、质轻等特点,是一种新型的人体肢体运动监测和识别技术。本文采用光栅传感器为传感材料,柔性聚乳酸材料作为传感材料的基底,由3D打印技术快速成型,并对人体肢体动作识别分析,探究人体运动规律。本课题研究的主要内容可以分为以下几部分:（1）建立基于光纤传感器的可监测系统模型:通过3D打印机将柔性聚乳酸材料打印成所设计的模型,并在打印过程中将光纤传感器嵌入设计的凹槽内完成传感系统,对该传感系统从理论上分析了弯曲角度与波长变化的关系,建立两者的数学方程式,给出弯曲角度与波长变化有线性关系的结果。（2）基于光纤传感器的识别监测系统的实验:通过使测试者实行多次动作实验分析传感系统的可行性。实验结果分析表明,在测试重复动作时,传感器能够很好地响应动作变化,传感器是可重复的;对不同受试者执行相同重复动作的测试结果分析得标准差为0.041nm,表明不同受试者测试结果的离散程度小,对不同受试者间相关性分析,其结果在0.905以上,传感器可靠性好。对于波长变化与不同弯曲角度测试结果,则验证了前一小节给出的理论模型,传感器波长与弯曲角度呈线性关系,其拟合度达到0.987。在弯曲传感器评估结果中,两者从重复性及线性度两方面均表现出了很好的结果。传感器在腿部监测位置的筛选实验结果表明,传感器在腿部内侧和后侧表现出显着地响应信号,由方差分析确定最终监测位置为后侧。（3）分析了人体肢体在不同运动状态、运动程度下的运动规律,并建立了腿部弯曲高度与波长值的回归模型:通过模拟受试者抓握不同直径圆柱体的测量结果表明,随着弯曲直径的增加,三个手指对应的传感器波长变化值逐渐减小,这是直径越大手指弯曲程度越低造成的;且在相同小直径内,食指传感器波长变化值最大,中指传感器波长变化值最小;在6cm时,中指响应比大拇指要高,这可能是由于中指是三指关节而大拇指为两指关节,直径较大时,灵活性不如中指。而在不同运动状态下的测试结果表明,慢走速度越快,传感器波长出现峰值的频率高、峰值变大。在腿部不同运动高度的测试中,分析了传感器对腿部弯曲高度的响应情况,结果表明,随着腿部弯曲高度的增加,传感器波长有逐渐成线性增加的趋势。最后,对腿部弯曲高度与传感器波长变化值进行回归分析,建立回归方程式为y=0.129x-1.096,对回归方程和其系数进行检验,得到显着性的结果,即回归方程有效。可以利用该回归方程对自变量或因变量进行预测。
景陈勇[8]（2017）在《基于半监督协同训练和集成学习的人体动作识别研究》文中研究说明随着科学技术的发展,人体动作识别逐渐成为人工智能和机器视觉领域一个重要的研究方向,具有广阔的发展前景和很强的实用价值。可应用于日常的视频监控、智能医疗、运动分析、人机智能交互等。同时,由于视频中场景的复杂性、动作类内变化,以及需要大量的有标注样本来训练泛化性能强的识别模型,这些都给人体动作识别的研究带来了挑战性。本文对人体动作识别的若干问题,特别是基于半监督的人体动作识别进行了较深入的研究。首先阐述了人体动作识别的选题背景与研究的目的和意义;其次概述了人体动作识别的关键技术,如关键帧提取技术、特征提取技术以及人体动作识别技术等。在目前人体动作识别的理论研究基础上,本文提出了基于混合式协同训练的人体动作识别方法和基于半监督集成学习的人体动作识别方法,并在以上两种算法的基础上设计开发人体动作识别原型系统,主要研究内容如下:1)提出了基于混合式协同训练的人体动作识别方法。针对目前人体动作视频中有标记数据不足的问题,提出了一种基于混合式协同训练的新型人体动作识别方法。该方法利用动作识别领域不同类型的识别方法来构建基分类器,并进行迭代的相互训练以提高泛化性能,可以降低标注成本并实现不同识别方法的优势互补,进而提高人体动作的识别精度。实验结果表明,本文所提出的算法可以有效地识别视频中的人体动作。2)提出了基于半监督集成学习的人体动作识别方法。针对协同训练类算法随着迭代次数的增加,基分类器的差异性会越来越小,以及迭代训练中产生的基分类器没有被充分利用的问题。提出了基于协同训练和集成学习相结合的人体动作识别方法。该方法对每个基分类器设置一个集合。将基分类器迭代训练过程中产生的中间分类器加入到各自的集合中,然后利用这个集合来选择伪标号数据。并定义了一个基于置信度的最大证据边缘函数来选择伪标号数据,最终利用该算法对人体动作进行识别。该方法能有效克服协同训练迭代过程中基分类器差异退化的问题,进一步提高人体动作识别的准确率。3)设计并实现了基于半监督协同训练和集成学习的人体动作识别的原型系统。采用面向对象语言C#和MATLAB进行编程,通过原型系统的运行测试,表明所提的方法可用于相应的人体动作识别,并且该原型系统界面友好、功能齐全、可维护性好。
肖素珍[9]（2016）在《基于概率图模型的动作识别》文中研究说明随着计算机技术的快速发展,智能设备功能的健全,计算机视觉技术也随之快速发展,由此产生的包括智能视频监控在内的各项研究成果都被广泛应用于日常生活中,准确识别人体的动作成为应用的关键。动态贝叶斯网络是最典型的概率图模型之一,可以用于表示随机变量间动态的因果关系,而人体动作就是一个变化的过程,所以,在本文中将动态贝叶斯网络用于动作识别,主要做了以下两方面的工作。第一个工作是基于动态贝叶斯网络的人体动作识别,该方法用到的数据库为MSR Action3D人体动作数据库,对该数据库提取位置特征和运动特征,对这两种特征数据进行归一化、PCA降维处理,就得到动作训练过程所需要的数据。随后将这些特征数据作为观测数据,将两种特征分别看做一个高斯混合模型,建立一个动态贝叶斯网络,紧接着就是参数学习过程,采用的参数学习方法是不完整数据集下的EM参数学习算法,该方法可以较准确的估计参数,从而提高分类过程的识别率。该方法求得的交叉测试的识别率高于其他的参考文献,并且对于复杂动作数据集AS3来说识别率也有所提升。将概率图模型用于动作识别的第二个工作是基于训练数据的初始化运用到动作识别,该方法不需要反复训练找到合适的模型参数,从而大大减少动作训练的时间,解决了随机初始化带来的耗时问题。该方法首先把观测数据进行时间分隔,然后分别求每个子序列的平均值,这个平均值即为K-means算法的初始化中心,接着初始化高斯混合成分的参数,随后参数学习,概率推理,完成动作识别的整个过程。相比于随机初始化方法,该方法提升了识别率,并且对于复杂动作AS3来说,可以达到随机初始化找到的最高识别率,可以实现识别率与耗时的均衡,更能满足实际应用的需求。
郭丹丹,朱希安[10]（2015）在《基于时空域Adaboost算法的人体动作识别研究》文中研究指明基于Kinect深度传感器提取人体骨骼信息,提出了一种有效的动作识别方法。首先利用Kinect传感器获取人体骨骼中20个骨骼点位置信息和旋转角度信息,用四元数的形式来表示,提取一个时间段的每一个骨骼点的四元数参数,作为80个时空特征;用支持向量机（Support Vector Machine,SVM）对每一个时空特征进行训练,得到80个弱分类器;最后利用Adaboost算法进行训练,得到相应的动作特征集和强分类器,并对强分类器进行融合。实验结果证明,该方法对不同体型的人的动作都具有很高的识别准确率和鲁棒性。
二、非特定人自然的人体动作识别（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：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（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。
三、非特定人自然的人体动作识别（论文提纲范文）
（1）基于姿势识别的演唱会精彩动作检测的研究与实现（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 国内外研究现状 |
| 1.2.1 人体动作识别研究现状 |
| 1.2.2 人体关键点检测研究现状 |
| 1.3 识别的难点 |
| 1.4 主要研究内容 |
| 1.5 论文组织结构 |
| 第二章 相关工作介绍 |
| 2.1 卷积神经网络 |
| 2.1.1 卷积层 |
| 2.1.2 池化层 |
| 2.1.3 激活函数 |
| 2.2 图像分类网络 |
| 2.2.1 LeNet-5 |
| 2.2.2 AlexNet |
| 2.2.3 VGGNet |
| 2.2.4 ResNet |
| 2.3 动作识别 |
| 2.3.1 动作表示的模型 |
| 2.3.2 动作识别方法 |
| 2.4 人体姿势识别 |
| 2.4.1 单人姿态估计 |
| 2.4.2 多人姿势识别 |
| 2.5 本章小结 |
| 第三章 基于姿势识别的演唱会动作分类模型 |
| 3.1 基于骨骼关键点融合残差结构的动作分类网络 |
| 3.1.1 关键点特征提取分支 |
| 3.1.2 残差块分支 |
| 3.1.3 动作分类 |
| 3.2 姿势识别网络结构 |
| 3.2.1 网络结构 |
| 3.2.2 多人关节点聚类 |
| 3.2.3 姿势评估函数 |
| 3.2.4 人体骨骼关键点的真实值 |
| 3.3 关键点特征处理 |
| 3.3.1 特征选取 |
| 3.3.2 特征融合 |
| 3.4 特征分类 |
| 3.5 本章小结 |
| 第四章 实验设计与算法验证 |
| 4.1 软件开发环境介绍 |
| 4.1.1 opencv介绍 |
| 4.1.2 pytorch介绍 |
| 4.2 数据集准备 |
| 4.2.1 COCO数据集 |
| 4.2.2 演唱会舞蹈动作的收集 |
| 4.2.3 训练集和测试集划分 |
| 4.3 训练与结果分析 |
| 4.3.1 网络参数设置 |
| 4.3.2 结果分析 |
| 4.3.3 评价指标 |
| 4.4 本章小结 |
| 第五章 总结和展望 |
| 5.1 全文总结 |
| 5.2 研究展望 |
| 参考文献 |
| 致谢 |
| 攻读学位期间取得的研究成果 |
（2）人体动作识别中传感器位置放置策略研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 研究背景及意义 |
| 1.2 研究现状 |
| 1.3 本文主要研究内容 |
| 1.4 论文组织结构 |
| 2 相关技术概述 |
| 2.1 基于SENSOR的可穿戴设备介绍 |
| 2.2 识别分类算法介绍 |
| 2.3 本章小结 |
| 3 人体动作识别中传感器位置放置策略研究 |
| 3.1 系统框架 |
| 3.2 特征提取方法 |
| 3.3 传感器位置选择与确定 |
| 3.4 动作识别 |
| 3.5 本章小结 |
| 4 人体动作数据的采集与预处理 |
| 4.1 人体动作数据采集 |
| 4.2 人体动作数据预处理 |
| 4.3 实验环境配置 |
| 4.4 本章小结 |
| 5 实验结果与分析 |
| 5.1 传感器位置与类别间相关性衡量对比 |
| 5.2 传感器位置间相似性衡量对比 |
| 5.3 选择K个传感器位置 |
| 5.4 确定合适的传感器位置组合 |
| 5.5 本章小结 |
| 6 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 致谢 |
| 参考文献 |
| 攻读学位期间发表学术论文目录 |
（3）基于近似核心最小类偏差极限学习机的动作识别方法研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 人体动作识别的研究及意义 |
| 1.2 国内外研究现状 |
| 1.3 本文主要研究的内容 |
| 1.4 论文组织结构 |
| 第二章 人体动作特征提取和动作识别方法 |
| 2.1 人体动作特征的提取方法 |
| 2.1.1 剪影轮廓特征 |
| 2.1.2 光流特征 |
| 2.1.3 方向梯度直方图特征 |
| 2.1.4 深度学习特征 |
| 2.2 人体动作识别方法 |
| 2.2.1 模板匹配法 |
| 2.2.2 支持向量机分类法 |
| 2.2.3 极限学习机分类法 |
| 2.3 本章小结 |
| 第三章 多视角人体动作识别特征提取及识别相关理论 |
| 3.1 感兴趣区域特征的提取 |
| 3.1.1 基于拐点的ROI特征提取方法 |
| 3.1.2 基于灰度变化的ROI特征提取方法 |
| 3.2 K-means聚类算法 |
| 3.2.1 K-means算法 |
| 3.2.2 K-means算法的优缺点 |
| 3.3 主要成分分析 |
| 3.4 本章小结 |
| 第四章 多视角人体动作识别的最小类偏差极限学习机算法的理论分析 |
| 4.1 多视角动作视频特征 |
| 4.2 最小类偏差极限学习机算法(MCVELM) |
| 4.3 最小类偏差极限学习机算法(MCVELM)的缺点 |
| 4.4 本章小结 |
| 第五章 基于近似核心最小类偏差极限学习机的多视角人体动作识别方法 |
| 5.1 模糊向量特征提取方法 |
| 5.2 近似核心最小类偏差极限学习机算法(MCVAKELM) |
| 5.3 本章小结 |
| 第六章 实验及评价 |
| 6.1 KTH数据集 |
| 6.2 UCF Sports数据集 |
| 6.3 单视角人体动作识别实验及分析 |
| 6.4 多视角人体动作识别实验及分析 |
| 6.5 本章小结 |
| 总结与展望 |
| 参考文献 |
| 攻读学位期间学术成果 |
| 致谢 |
（4）基于惯性传感器的人体动作识别技术研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 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 人机交互技术研究现状分析 |
| 1.2.2 动作捕捉与识别技术研究现状分析 |
| 1.3 研究内容与组织结构 |
| 1.3.1 本文主要研究内容 |
| 1.3.2 论文的组织结构 |
| 第二章 人体动作识别问题定义及方法 |
| 2.1 人体动作识别问题定义 |
| 2.1.1 基于传感器的人体动作识别 |
| 2.1.2 人体动作识别研究面临的挑战 |
| 2.1.3 典型的动作识别链 |
| 2.2 可穿戴人体动作识别的应用与优势 |
| 2.3 常用人体动作识别方法 |
| 2.3.1 传统机器学习方法 |
| 2.3.2 常用深度学习方法 |
| 2.4 本章小结 |
| 第三章 基于残差学习思想改进深度LSTM网络 |
| 3.1 LSTM网络与梯度消失问题 |
| 3.1.1 RNN中的梯度问题 |
| 3.1.2 LSTM网络减轻梯度问题的原理 |
| 3.2 残差学习思想 |
| 3.3 深度Residual LSTM网络 |
| 3.4 实验结果与分析 |
| 3.4.1 数据集介绍 |
| 3.4.2 超参数设置和性能评估 |
| 3.4.3 实验结果分析 |
| 3.5 本章小结 |
| 第四章 基于卷积层的特征自动提取 |
| 4.1 卷积神经网络介绍 |
| 4.2 自动提取特征的C-LSTM网络 |
| 4.3 实验结果与分析 |
| 4.3.1 基本实验 |
| 4.3.2 拓展实验 |
| 4.4 本章小结 |
| 第五章 基于注意力机制的ATW C-LSTM网络 |
| 5.1 注意力机制介绍 |
| 5.2 ATW C-LSTM网络 |
| 5.3 实验结果与分析 |
| 5.3.1 数据集介绍 |
| 5.3.2 实验结果与分析 |
| 5.4 本章小结 |
| 第六章 总结与展望 |
| 6.1 论文工作总结 |
| 6.2 未来工作展望 |
| 致谢 |
| 参考文献 |
| 作者在学期间取得的学术成果 |
（5）基于特征融合的人体动作识别（论文提纲范文）
| 摘要 |
| abstract |
| 1 绪论 |
| 1.1 研究背景与意义 |
| 1.2 人体动作识别的国内外研究进展 |
| 1.2.1 动作识别特征 |
| 1.2.2 动作识别方法 |
| 1.2.3 动作识别模型参数优化 |
| 1.3 本文的主要研究工作 |
| 2 人体动作特征模型的构建与融合 |
| 2.1 人体动作特征模型构建 |
| 2.2 关节角度特征 |
| 2.2.1 关节角度的构建与计算 |
| 2.2.2 基于关节角度特征的动作表示 |
| 2.3 关节相对位置特征 |
| 2.3.1 主要关节相对位置的计算 |
| 2.3.2 基于关节相对位置的动作表示 |
| 2.4 关节速度特征 |
| 2.5 特征融合 |
| 2.5.1 多特征结合 |
| 2.5.2 主成分分析(PCA) |
| 2.6 实验仿真 |
| 2.7 本章小结 |
| 3 动作识别模型的构建 |
| 3.1 支持向量机原理 |
| 3.1.1 最优超平面的构造 |
| 3.1.2 核函数的选择 |
| 3.2 多分类支持向量机的构建 |
| 3.2.1 一对一多分类模型 |
| 3.2.2 一对多多分类模型 |
| 3.2.3 有向无环图多分类模型 |
| 3.2.4 决策树多分类模型 |
| 3.3 实验仿真 |
| 3.3.1 核函数的确定 |
| 3.3.2 多分类模型的对比分析 |
| 3.4 本章小结 |
| 4 多分类模型参数优化 |
| 4.1 模型参数的分析评价 |
| 4.1.1 模型参数分析 |
| 4.1.2 模型参数评价 |
| 4.2 参数优化方案 |
| 4.2.1 改进的网格优化算法 |
| 4.2.2 FA算法优化 |
| 4.2.3 灰狼优化算法 |
| 4.3 实验分析 |
| 4.3.1 改进网格优化实验 |
| 4.3.2 FA优化实验 |
| 4.3.3 GWO优化实验 |
| 4.3.4 优化方案比较 |
| 4.4 本章小结 |
| 5 总结与展望 |
| 5.1 全文总结 |
| 5.2 研究展望 |
| 致谢 |
| 参考文献 |
（6）基于视频的非特定人动态手语识别算法（论文提纲范文）
| 摘要 |
| abstract |
| 1 绪论 |
| 1.1 课题的研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 基于数据采集设备 |
| 1.2.2 基于计算机视觉 |
| 1.3 手语识别研究中的难点 |
| 1.4 本文主要研究内容 |
| 1.5 本文组织结构 |
| 2 手语识别技术及构建手语库 |
| 2.1 基于视频的手语识别系统 |
| 2.2 中国手语结构研究 |
| 2.2.1 中国手语结构 |
| 2.2.2 中国手语结构分类 |
| 2.3 建立手语数据库 |
| 2.3.1 数字图像的表示 |
| 2.3.2 手语图像输入 |
| 2.4 本章小结 |
| 3 动态手语关键帧提取 |
| 3.1 手语基元 |
| 3.2 手势预处理 |
| 3.3 手势区域检测 |
| 3.3.1 常用手势区域检测算法 |
| 3.3.2 本文采用的手势区域检测算法 |
| 3.4 基于压缩感知与SURF特征的手语关键帧提取算法 |
| 3.4.1 关键帧提取算法分析 |
| 3.4.2 应用原理 |
| 3.4.3 基于压缩感知与SURF特征的手语关键帧提取算法 |
| 3.4.4 基于压缩感知与SURF特征的手语关键帧提取算法步骤 |
| 3.5 实验结果与分析 |
| 3.6 动态手语识别 |
| 3.7 本章小结 |
| 4 手势的检测跟踪 |
| 4.1 目标跟踪算法 |
| 4.2 TLD跟踪算法 |
| 4.3 基于卷积神经网络优化TLD运动手势跟踪算法 |
| 4.3.1 算法概述 |
| 4.3.2 手势HOG特征提取 |
| 4.3.3 运用卷积神经网络检测手势位置 |
| 4.3.4 SURF特征优化TLD预测手势运动方向 |
| 4.4 实验结果与分析 |
| 4.5 本章小结 |
| 5 总结与展望 |
| 5.1 工作总结 |
| 5.2 研究展望 |
| 致谢 |
| 参考文献 |
| 攻读硕士期间的学术论文及成果 |
（7）基于3D打印与光纤光栅传感技术的新型人体姿态识别系统（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 研究现状 |
| 1.3 研究主要内容 |
| 第二章 可穿戴肢体姿态监测系统的开发 |
| 2.1 人体运动姿态相关研究 |
| 2.2 人体监测系统结构组成及工作原理 |
| 2.3 基于3D打印技术的FBG智能环的开发 |
| 2.4 本章小结 |
| 第三章 基于光纤传感技术的姿态识别系统预实验与验证 |
| 3.1 实验准备与实验方案 |
| 3.2 结果与讨论 |
| 3.3 光纤光栅传感监测系统有效性评估 |
| 3.4 人体下肢姿态监测位置筛选实验 |
| 3.5 本章小结 |
| 第四章 新型人体肢体姿态识别系统的监测应用 |
| 4.1 人体肢体动作监测的实验准备与方案 |
| 4.2 结果和讨论 |
| 4.3 腿部弯曲高度与波长变化值回归分析 |
| 4.4 本章小结 |
| 第五章 总结与展望 |
| 5.1 总结 |
| 5.2 不足与展望 |
| 参考文献 |
| 附录 |
| 致谢 |
（8）基于半监督协同训练和集成学习的人体动作识别研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 课题研究背景及意义 |
| 1.1.1 课题研究背景 |
| 1.1.2 课题研究意义 |
| 1.2 国内外研究现状 |
| 1.3 论文的研究内容与主要工作 |
| 1.4 论文的结构安排 |
| 第二章 人体动作识别技术概述 |
| 2.1 引言 |
| 2.2 人体动作视频关键帧提取 |
| 2.3 人体动作视频特征提取与融合 |
| 2.3.1 颜色特征 |
| 2.3.2 纹理特征 |
| 2.3.3 形状特征 |
| 2.3.4 多尺度LBP特征 |
| 2.3.5 多特征融合 |
| 2.4 人体动作识别方法 |
| 2.4.1 基于形状模板的方法 |
| 2.4.2 基于概率统计的方法 |
| 2.4.3 基于语法的方法 |
| 2.5 人体动作识别技术研究难点 |
| 2.6 本章小结 |
| 第三章 基于混合式协同训练的人体动作识别方法 |
| 3.1 概述 |
| 3.2 传统协同训练算法的分析 |
| 3.3 混合式协同训练的人体动作识别算法 |
| 3.2.1 基分类器的构造 |
| 3.2.2 混合式协同训练算法Co-KNN-SVM |
| 3.2.3 KNN和SVM组合的分类决策 |
| 3.4 实验结果与分析 |
| 3.4.0 人体动作数据集 |
| 3.4.1 评价标准 |
| 3.4.2 实验步骤及方法 |
| 3.4.3 实验结果分析与讨论 |
| 3.5 本章小结 |
| 第四章 基于半监督集成学习的人体动作识别方法 |
| 4.1 概述 |
| 4.2 集成学习 |
| 4.2.1 基分类器的创建 |
| 4.2.2 基分类器的组合 |
| 4.3 半监督集成学习算法 |
| 4.4 集成学习与Co-KNN-SVM的结合 |
| 4.4.1 基于集成学习与Co-KNN-SVM的结合的ECKS算法 |
| 4.4.2 伪标号数据的选择与处理 |
| 4.4.3 中间分类器差异性和准确性分析 |
| 4.4.4 集成多个基分类器 |
| 4.5 实验结果与分析 |
| 4.5.1 实验设置 |
| 4.5.2 实验结果分析与讨论 |
| 4.6 本章小结 |
| 第五章 人体动作识别原型系统的设计与实现 |
| 5.1 引言 |
| 5.2 系统的总体设计 |
| 5.3 人体动作识别原型系统的实现 |
| 5.3.1 系统开发环境 |
| 5.3.2 系统实现简介 |
| 5.4 本章小结 |
| 第六章 总结与展望 |
| 6.1 工作总结 |
| 6.2 工作展望 |
| 参考文献 |
| 致谢 |
| 攻读硕士学位期间已发表的论文 |
（9）基于概率图模型的动作识别（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 研究背景及意义 |
| 1.1.1 概率图模型研究背景及意义 |
| 1.1.2 动作识别的研究背景及意义 |
| 1.2 动作识别的研究现状 |
| 1.2.1 国内外研究现状 |
| 1.2.2 动作识别难点与挑战 |
| 1.3 本文主要研究内容及结构 |
| 1.3.1 本文主要研究内容 |
| 1.3.2 论文结构 |
| 2 概率图模型概述 |
| 2.1 引言 |
| 2.2 概率图模型的产生与发展 |
| 2.3 概率图模型的分类 |
| 2.4 贝叶斯网络 |
| 2.4.1 贝叶斯定理 |
| 2.4.2 贝叶斯网络 |
| 2.4.3 贝叶斯分类的原理及流程 |
| 2.5 本章小结 |
| 3 动作识别概述 |
| 3.1 特征提取方法 |
| 3.1.1 基于直方图的特征提取 |
| 3.1.2 背景相减法提取人体轮廓特征 |
| 3.1.3 多特征融合 |
| 3.2 识别算法 |
| 3.2.1 状态空间模型法 |
| 3.2.2 模板匹配法 |
| 3.2.3 语义描述法 |
| 3.2.4 动作识别算法的比较 |
| 3.3 本章小结 |
| 4 基于动态贝叶斯网络的人体动作识别 |
| 4.1 数据库 |
| 4.1.1 Weizmann人体动作数据库 |
| 4.1.2 KTH人体动作数据库 |
| 4.1.3 MSR Action3D数据库 |
| 4.2 特征提取 |
| 4.3 基于动态贝叶斯网络的分类算法 |
| 4.3.1 模型的建立 |
| 4.3.2 参数学习 |
| 4.3.3 概率推理 |
| 4.4 实验结果及分析 |
| 4.5 本章小结 |
| 5 基于训练数据初始化的人体动作识别 |
| 5.1 随机初始化方法 |
| 5.2 基于训练数据初始化方法的原理 |
| 5.3 实验结果及分析 |
| 5.4 本章小结 |
| 6 结束语 |
| 6.1 本文工作总结 |
| 6.2 展望 |
| 参考文献 |
| 个人简历及攻读学位期间研究成果 |
| 致谢 |
四、非特定人自然的人体动作识别（论文参考文献）
- [1]基于姿势识别的演唱会精彩动作检测的研究与实现[D]. 蔺旭鹏. 北京邮电大学, 2020(05)
- [2]人体动作识别中传感器位置放置策略研究[D]. 吕现伟. 华中科技大学, 2019(03)
- [3]基于近似核心最小类偏差极限学习机的动作识别方法研究[D]. 曾铭宇. 广东工业大学, 2019(02)
- [4]基于惯性传感器的人体动作识别技术研究[D]. 于士龙. 国防科技大学, 2018(01)
- [5]基于特征融合的人体动作识别[D]. 李飞. 西安理工大学, 2018(12)
- [6]基于视频的非特定人动态手语识别算法[D]. 李泽洋. 西安建筑科技大学, 2018(01)
- [7]基于3D打印与光纤光栅传感技术的新型人体姿态识别系统[D]. 韩艳杰. 东华大学, 2018(01)
- [8]基于半监督协同训练和集成学习的人体动作识别研究[D]. 景陈勇. 江苏大学, 2017(01)
- [9]基于概率图模型的动作识别[D]. 肖素珍. 郑州大学, 2016(02)
- [10]基于时空域Adaboost算法的人体动作识别研究[J]. 郭丹丹,朱希安. 北京信息科技大学学报(自然科学版), 2015(02)