固定场景下的人体姿态识别
2018.11收稿日期：2018-08-15
当前人工智能技术的热点,固定情景下对于人体姿态识别具有十分重要的研究意义,对于我国实现现代化建设具有一定的推动作用,因此加强技术分析研判就显得十分重要。早在上世纪70年代,我国已经开始了对人体行为分析方面的研究,这些研究对于我国人工智能的发展有了较强的推动作用,在特定情景下或者说在比较标准的场景中分析较为简单的姿态和动作已经成为了可能,但这些工作的开展大多停留在理论的层次,并没有付诸实践,要想将这些分析技术真正应用到实际场景中仍然需要大量的实验进行探索。
1人体姿态识别
人体姿态识别主要在于研究描述人体姿态以及预测人体行为,其识别过程是指,在指定图像或视屏中,根据人体中关节点位置的变化,识别人体动作的过程。人体姿态识别的算法主要分为两类,一是基于深度图的算法,另一类直接基于RGB图像的算法。深度图是指由相机拍摄的图片,其每个像素值代表的是物体到相机XY平面的距离。这种算法的应用容易因采集设备的要求而受限,但基于RGB图像的算法直接通过对红、绿、蓝3个颜色通道的变化以及它们相互之间的叠加来得到的颜色进行识别,不会受到其他因素的干扰限制,因此更具有发展前景,同时也取得了不少成果。目前,即使是在较为复杂的、某种固定的场景中,基于RGB图像的人体姿态估计算法相较于基于深度图的人体姿态估计算法也能达到很好的识别效果。无论是深度图技术还是RGB图像技术,都是通过计算机强大的运算能力进行人体姿态的动作预算,通过这样的方式能够一定程度地实现人工图像的监测,并且能够为人工智能的普及奠定良好的基础。随着我国社会水平的不断提升,人们对于社会生活的质量要求也在不断增加,因此在实际的生活过程中视频监控已经成为人们不可或缺的一种安全措施,基于视频分析的技术要求也越来越高。例如在智能家装,医疗领域及运动分析等行业中都得到了较为广泛的应用,固态场景下的人体姿态识别在各领域起到的作用显而易见。特别是近年来,我国安保工作的加强,对于大城市人口密集流动以及犯罪分子的甄别等都有较强需求。
2人体姿态识别的实现
人体姿态是被主要分为基于计算机视角的识别和基于运动捕获技术的识别。基于计算机视觉的识别主要通过各种特征信息来对人体姿态动作进行识别,比如视频图像序列、人体轮廓、多视角等。基于计算机视觉的识别可以比较容易获取人体运动的轨迹、轮廓等信息,但没有办法具体实现表达人体的运动细节,以及容易存在因遮挡而识别错误等问题。基于运动捕获技术的人体姿态识别,则是通过定位人体的关节点、储存关节点运动数据信息来识别人体运动轨道。相较于计算机视角的人体姿态识别,基于运动捕获技术的人体姿态识别可以更好地反应人体姿态信息,也可以更好地处理和记录运动细节,不会因为物体颜色或被遮挡而影响运动轨道的识别。技术的革新对人体姿态的分析捕捉有较强的辅助作用,并且能够更好地展现动作的细节,对于专业人士进行动作分析的痕迹管理有较高的参考价值。通过良好的运动前景预算能够,在各种计算方法中做出合理的预测,并且在各种环境中的适应能力也能够得到一定程度的加强。由于未来的监控实现的方向是在全领域的视频监控,因此对于用户的特定化要求也应该及时进行技术革新,用户对于技术的需求就是技术革新的发展方向,
固定场景下的人体姿态识别
赵一秾
（辽宁科技大学，辽宁鞍山114000）
摘要:近年来，随着信息技术的发展和智能科技的普及，全球科技变革正在进一步推进，云计算、物联网、大数据和人工智能等技术也在飞速发展，其中，人体姿态识别技术已开始在计算机视觉相关领域中广泛应用。就固定场景下的人体姿态识别做出研究分析。
关键词:人体姿态识别；云计算；人工智能
150
基于MATLAB的人体姿态的检测课程设计
基于视频的人体姿态检测 一、设计目的和要求 1.根据已知要求分析视频监控中行人站立和躺卧姿态检测的处理流程，确定视频监中行人的检测设计的方法，画出流程图，编写实现程序，并进行调试，录制实验视频，验证检测方法的有效性，完成系统软件设计。 2.基本教学要求：每人一台计算机，计算安装matlab、visio等软件。 二、设计原理 图像分割中运动的运用（运动目标检测） 首先利用统计的方法得到背景模型，并实时地对背景模型进行更新以适应光线变化和场景本身的变化，用形态学方法和检测连通域面积进行后处理，消除噪声和背景扰动带来的影响，在HSV色度空间下检测阴影，得到准确的运动目标。 噪声的影响，会使检测结果中出现一些本身背景的区域像素点被检测成运动区域，也可能是运动目标内的部分区域被漏检。另外，背景的扰动，如树枝、树叶的轻微摇动，会使这部分也被误判断为运动目标，为了消除这些影响，首先对上一步的检测结果用形态学的方法进行处理，在找出经过形态学处理的后的连通域，计算每个连通域中的面积，对于面积小于一定值的区域，将其抛弃，不看做是前景运动目标。 2.2bwlabel函数 用法：L = bwlabel(BW,n) [L,num] = bwlabel(BW,n)，这里num返回的就是BW中连通区域的个数。 返回一个和BW大小相同的L矩阵，包含了标记了BW中每个连通区域的类别标签，这些标签的值为1、2、num（连通区域的个数）。n的值为4或8，表示是按4连通寻找区域，还是8连通寻找，默认为8。 四连通或八连通是图像处理里的基本感念：8连通，是说一个像素，如果和其他像素在上、下、左、右、左上角、左下角、右上角或右下角连接着，则认为他们是联通的；4连通是指，如果像素的位置在其他像素相邻的上、下、左或右，则认为他们是连接着的，连通的，在左上角、左下角、右上角或右下角连接，则不认为他们连通。
二维人体姿态估计研究综述
研究与开发 现代计算机2019.08上 文章编号：1007-1423（2019）22-0033-05 DOI ：10.3969/j.issn.1007-1423.2019.22.007 二维人体姿态估计研究综述 李崤河，刘进锋 （宁夏大学信息工程学院，银川750021） 摘要： 人体姿态估计一直是计算机视觉中一个备受关注的研究热点，在智能安防、人机交互、动作识别等领域有着重要的研究价值。近年来，随着深度学习技术的快速发展，人体姿态估计效果不断提升，已经开始广泛应用于计算机视觉的相关领域。梳理二维人体姿态估计算法的发展与现状，总结传统算法与基于深度学习的姿态估计算法的发展与改进，并做出对比；讨论二维人体姿态估计所面临的困难与挑战，并对未来的发展方向做出展望。关键词： 深度学习；人体姿态估计；关键点检测基金项目： 宁夏高等学校科学研究项目（No.NGY2015044） 0引言 人体姿态估计长久以来一直是计算机视觉领域的 一个热点问题。其主要内容，是让计算机从图像或视频中定位出人物的关键点（也称为关节点，如肘、手腕等）。人体姿态估计作为理解图像或视频中人物动作的基础，一直受到众多学者的关注。随着计算机技术的迅猛发展，人体姿态估计已经在动作识别、人机交互、智能安防、增强现实等领域获得了广泛应用。 人体姿态估计按维度可分为二维和三维两种：二维人体姿态估计通常使用线段或者矩形来描述人体各关节在图像上的投影位置，线段的长度和角度表示了人体的二维姿态；三维人体姿态估计通常使用树模型来描述估计的姿态，各关节点的位置使用三维坐标确定。在实际应用中，目前获取的大多数图像仍是二维图像，同时三维姿态估计可以使用二维预测进行推理[1]，所以二维姿态估计有着重要的研究价值。 自人体姿态估计的概念提出以来，国内外的学者对此做出了不懈的努力。传统的姿态估计算法主要是基于图结构（Pictorial Structures ）模型[2] 。该模型将人或物体表示为多个部件的集合，这些部件之间含有空间约束，通过人工指定的特征检测组件实现关节点检 测。传统方法过于依赖手工设计的模板，难以应付复杂的姿态变换并且推广到多人姿态估计。 随着深度学习技术在计算机视觉领域大放异彩，部分学者开始研究如何利用深度学习来解决人体姿态估计问题。Toshev 等人利用深度卷积神经网络对人体姿态进行全局推断，提出了完全基于神经网络的模型DeepPose [3]。DeepPose 是第一个将深度学习方法应用于人体姿态估计的主要模型。该模型实现了SOTA 性能并击败了当时的传统模型。之后，越来越多基于深 度学习的人体姿态估计方法相继提出。 本文总结了近几年来二维人体姿态估计的发展历程，从早期的基于模板匹配算法到目前的基于深度学习的姿态估计算法，分析比较相关算法的优缺点及性能，并结合现有问题对未来发展进行了展望。1传统算法 早期的人体关键点检测算法基本都是在几何先验 的基础上基于模板匹配的思路进行的，其中Fischler [2]于1973年提出的图结构是其中一个较为经典的算法思路。它将物体表示为多个部件的集合，部件之间具有一定的空间约束。2005年，Felzenszwalb 和Huttenlo?
人体姿态捕捉方法综述
人体姿态捕捉方法综述 XXX （大连理工大学软件学院，辽宁大连116600） 摘要：人体姿态捕捉技术在人机交互和虚拟现实等领域的重要性日益突出，为了满足人们对于高精确度、高效率的动作捕捉技术的需求，科学家从各个方面进行了创新性的尝试。文章介绍了动作捕捉技术发展历史，并给出了其概念和基本组成；并阐述了目前国内外发展现状；其次详细地对主流方案进行优缺点分析；然后结合现实，给出了常见应用领域；最后对动作捕捉技术面临难题进行总结并介绍了发展趋势。 关键词：动作捕捉；虚拟技术；人机交互；算法 Overview of Human gesture capture XXX （Dalian university of technology College of Software，Liaoning Dalian 116600）Abstract：The human body gesture capture technology in human-computer interaction and virtual reality and other areas of importance is day by day prominent, in order to meet people for high accuracy, high efficiency of motion capture technology needs, scientists from all aspects of innovative attempt. This paper introduces the motion capture technology development history, and gives the concept and basic composition; And expounds the current situation of the development at home and abroad; Secondly detail schemes to mainstream advantages and disadvantages analysis; And then combining with reality, gives the common application fields; Finally, the motion capture technology difficulties was summarized and introduced the development trend. Key words: Motion capture ；Virtual technology；Human-computer interaction；Algorithm
动作识别与行为理解综述
_________________________ 基金项目: 国家自然科学基金资助项目(60673189) 收稿日期: 2008-11-28 改回日期:2008-12-03 第一作者简介: 1940.现为普适计算教育部重点实验室，清华大学计算机系人机交互与媒体集成研究所教授，博士生导师。 目前他的主要研究领域为计算机视觉，人机交互，普适计算计算技术。IEEE 高级会员，CCF 会员。 动作识别与行为理解综述 徐光祐 曹媛媛 普适计算教育部重点实验室 清华大学计算机科学与技术系 北京，100084） 摘 要 随着“以人为中心计算”的兴起和生活中不断涌现的新应用，动作识别和行为理解逐渐成为计算机视觉领域的研究热点。本文主要从视觉处理的角度分析了动作识别和行为理解的研究现状，从行为的定义和表示、运动特征的提取和动作表示以及行为理解的推理方法三个方面对目前的工作做了分析和比较。并且指出了目前这些工作面临的难题和今后的研究方向。 关键词 以人为中心 动作识别 行为理解 中图法分类号：TP391 文献标识码：A Action Recognition and Activity Understanding: A Review XU Guangyou, CAO Yuanyuan (Key Lab of Pervasive Computing, Ministry of Education, Department of Computer Science and Technology, Tsinghua University, Beijing 100084, China) Abstract As the “Human-centered computing ” is getting more and more popular and novel applications are coming up, action recognition and activity understanding are attracting researcher s’ attention in the field of computer vision. In this paper, we give a review of the state in art of work on action and activity analysis, but focus on three parts: Definition of activity, low-level motion features extraction and action representation, and reasoning method for activity understanding. Furthermore, open problems for future research and potential directions are discussed. Keywords human-centered computing, action recognition, activity understanding 引言 计算正渗透和影响到人们生活的各个方面，根据传感器数据来识别和理解人的动作和行为就成为未来”以人为中心的计算”(Human-centered computing)中的关键[1]。其中基于视觉的动作识别和行为理解尤为重要。因为在人之间的人际（interpersonal ）交互过程中，视觉是最重要的信息。视觉可以帮助人们迅速获得一些关键特征和事实，如对方的表情、手势、体态和关注点等，这些视觉线索综合起来反映了对方的态度，潜在意图和情绪等信息。未来人机交互和监控中，机器要感知人的 意图很大程度上就需要依靠视觉系统。此外，视觉传感器体积小、被动性和非接触式的特点，使得视觉传感器和视觉信息系统具备了无所不在的前提。近年来，在对计算机视觉提出的层出不穷的新要求中，行为理解是一个具有挑战性的新课题，在诸如智能家居，老年人看护，智能会议室等应用中都起着至关重要的作用。它要解决的问题是根据来自传感器（摄像机）的原始图像（包括图像序列）数据，通过视觉信息的处理和分析，识别人体的动作，并在上下镜(context)信息的指导下，理解人体动作的目的、所传递的语义信息。行为理解作为近几年开始兴起的研究，正在逐渐获得越来越多的关注。 人体检测、定位以及人体的重要部分（头部，
基于骨骼数据的人体行为识别分析
基于骨骼数据的人体行为识别 摘要 人体动作姿态识别是计算机视觉研究领域中最具挑战的研究方向，是当前的研究热点。对人体动作姿态进行自动识别将带来一种全新的交互方式，通过身体语言即人体的姿态和动作来传达用户的意思，如在机场、工厂等喧闹的环境下，采用手势、动作姿态识别等人机交互技术能够提供比语音识别更加准确的信息输入。总之，在智能监控、虚拟现实、感知用户接口以及基于内容的视频检索等领域，人体动作姿态的识别均具有广泛的应用前景。该文首先简单介绍了人体动作姿态序列的分割，然后对人体动作姿态识别的方法进行了分类介绍，并对一些典型的算法的研究进展情况及其优缺点进行了重点介绍。 关键词：人体动作姿态识别; 人工智能; 隐马尔可夫模型; 动态贝叶斯网络; 模板匹配前言 人体姿态识别是计算机视觉的一个重要研究方向，它最终目的是输出人的整体或者局部肢体的结构参数，如人体轮廓、头部的位置与朝向、人体关节点的位置或者部位类别。姿态识别的研究方法应该说，几乎涵盖了计算机视觉领域所有理论与技术，像模式识别、机器学习、人工智能、图像图形、统计学等。到目前为止，已经有众多识别方法被提出，并且也取得了许多重要的阶段性的研究成果，但是以往的方法都是基于普通光学图像，比如常见的RGB 图像，这类图像容易受光照、阴影等外界变化的影响，尤其在环境黑暗的情况下无法来识别人体姿态，并且由于人体关节自由度大，及人的体型、着装较大差异性，常导致姿态识别系统识别率低。尽管有研究者利用多个摄像机获取采集的图像来获取人体深度信息以克服以上问题[1]，但是该类方法恢复的深度信息不是唯一的，而且计算量非常大，尤其是这种方法要求事先用人工对传感设备进行标定，而在选取场景中的标定物时，往往又会遇到实际环境操作困难的问题。 随着光电技术的快速发展，深度传感设备的成本逐渐降低，人们获取深图像的途径及方法也越来越多。该方向的研究也逐渐成为计算机视觉领域的研究趋势。具体原因包括：一方面，深度传感设备不仅操作简单，并且极大简化了普通摄像机的标定过程；另一方面，得到的深度图像由于直接包含了人体的深度信息，能够有效的克服普通光学图像遇到的上述问题。到目前为止，较有影响力的基于该类图像的人体姿态识别算法，应该是 Shotton 等人利用一种深度传感器 Kinect 来实时捕捉人体运动的算法，该算法虽然能够满足人们对识别系统实时性的要求，但其对硬件要求特别高，并且不适合低分辨率图像中的人体关节点提取，容易导致人体骨架扭曲。下文将具体陈述人体运动分析的主要用途和前人在不同时期对这些难题的处理办法。 主题 基于计算机视觉的人体运动分析不仅在智能监控、人机交互、虚拟现实和基于内容的视频检索等方面有着广泛的应用前景，更是成为了未来研究的前瞻性方向之一。Gavrila 总结了它的一些主要应用领域[2,3,4]，下面据此对其典型应用做出进一步的介绍。 智能监控(Smart Surveillance) 所谓“智能监控”是指监控系统能够监视一定场景中人的活动，并对其行为行分析和识别，跟踪其中的可疑行为(例如在一些重要地点经常徘徊或者人流密集的场合下突发的人群拥挤等状况)从而采取相应的报警措施。智能监控系统应用最多的场合来自于那些对安全
计算机视觉+人体姿态识别+双目视觉
Computer vision application 院（系）电子与信息工程学院 专业集成电路工程 学生吕广兴14S158054
Computer vision application The directory Report: Computer vision application (2) 1.The object of the project (2) 2.The method and the principle applied to the project (2) 2.1 Platform (2) 2.2 The principle of transform the RGB image to the gray image (2) 2.3 The principle of image enhancement (2) 2.4 The principle of thresholding (3) 2.5 The principle of classifier (3) 3.The content and the result of the project (4) 3.1 The main steps in the project (4) 3.2 About human body posture recognition (4) About three kinds of methods are most common: (4) 3.3.Stereo vision (11) 4.Reference (18)
Report: Computer vision application 1.The object of the project The object of the project is Gesture recognition and location in the interior of people. 2.The method and the principle applied to the project 2.1 Platform The platform is based on Visual Studio 2012 and OpenCV 2.4.10. 2.2 The principle of transform the RGB image to the gray image There are three major methods to transform the RGB image to the gray image. The first one is called the maximum value that is set the value of R, G, and B to the maximum of these three. Gray=R=G=B=max(R, G, B) The second one is called mean value which is set the value of R, G, and B to the mean value of these three. Gray=R=G=B=(R+G+B)/3 The third one is called weighted average that is giving different weights to the R, G and B according to the importance or other indicators, and then adding the three parts together. In fact, human’s eye is very high se nsitive to green, then red, last blue. Gray=0.30R+0.59G+0.11B 2.3 The principle of image enhancement Image enhancement is the process of making images more useful. There are two broad categories of image enhancement techniques. The first one is spatial domain technique, and it is a direct manipulation of image pixels that includes point processing and neighborhood operations. The second one is frequency domain technique, and it is a manipulation of Fourier transform or wavelet transform of an image. The principle of the median filter is to replace the value of a pixel by the median of the gray levels in the neighborhood of that pixel(the original value of the pixel is included in the computation of the median). It forces the points with distinct gray levels to be more like their neighbors.
基于视频的人体姿态检测方法及其应用综述
2019.09 1 研究现状与技术发展趋势 1.1单人骨架检测方法 人体骨架关键点对于描述人体姿态和预测人体行为 十分重要,它是很多计算机视觉技术的基础步骤,例如行为预测,智能监控等方面。近年来,随着人体骨架关键点检测效果的不断提升,开始比较广泛地应用于计算机视觉的相关工作中,其中,单人骨架检测是这些工作的入门基础和最简单的实践任务。1.2姿态卷积网络 姿态卷积网络(Convolutional Pose Machines,简称 CPM [1])由一系列卷积网络组成,这些卷积网络重复产 生每个部分位置的2D 置信图(2D belief maps,表征对整体骨架的一种预测),在CPM 的每个阶段,把图像特征和上一阶段所产生的置信图作为输入。为后续的阶段提供每个部分位置的空间不确定性的非参数编码,它不是通过几何处理[2][3]或者专门的后续处理步骤[4]来显性地处解析这种置信图,而是通过隐式直接从数据中学习图像和附近区域特征的方式。 同时使用多阶段监督,来避免网络过深而导致的梯度丢失导致无法进行优化 [5][6] ,除了第一阶段之外(因为 第一阶段网络的作用是预测初步的结果),对于每个阶段的预测输出都要进行监督训练从而通过反向传播来对上一个阶段的与猜测结果进行一定程度的优化和修正。 两层之间损失函数如下(见式1,式2),其中f 为 每层的损失函数,F 为总损失函数[1] : (1) (2) CPM 的流程图如图1所示。 1.3多情景关注机制 在关注一张图片的时候,通过关注图片的不同尺度 可以更准确地对人体姿态进行分析,一些局部信息,对于比如脸部、肘部的特征判断很有必要,而最终的整体姿态需要对人体进行整体理解,不同的尺度下分析可能体现更多信息,比如人体的动作,相邻节点的关系等,这是多情景关注机制的理论基础。 作者简介：连仁明(1979-),男,本科,工程师,研究方向:计算机技术。收稿日期：2019-06-14 基于视频的人体姿态检测方法及其应用综述 连仁明，刘颖，于萍，刘畅 （91001部队，北京100841） 摘 要:视觉是人类认知周围事物的重要感知。随着人类对于视频处理需求的不断增长和计算机性能 与技术的不断发展，我们希望计算机能够在特定场合具有部分与人类视觉类似的视觉功能，并且对于这种视觉功能有一定的初步处理和判断功能。基于视频的人体姿态检测是理解和识别人与人的交互运动，人与环境交互关系等。通过相关的计算机技术，实现对于视频中人的检测，动作分析以及涉及多人交互情境下的行为分析和关系分析等。尽管这种分析对于人的视觉以及大脑似乎是一件不算困难的任务，但是随着时代的发展，视频的规模不断扩大，仅仅依靠人眼进行识别是远远不能够满足现代社会需要，通过计算机技术进行识别已经成为一种必然需求。但对于计算机而言，因为涉及到背景环境的复杂性，人类体态的多样性，运动习惯的差异性，在视频中能够较为精确检测人的位置，分析人的行为还是一件比较有挑战性的任务。关键词:人体检测；计算机识别技术；情景 图1CPM 方法卷积网络流程以及效果示例 [1] 127
固定场景下的人体姿态识别
2018.11收稿日期：2018-08-15 当前人工智能技术的热点,固定情景下对于人体姿态识别具有十分重要的研究意义,对于我国实现现代化建设具有一定的推动作用,因此加强技术分析研判就显得十分重要。早在上世纪70年代,我国已经开始了对人体行为分析方面的研究,这些研究对于我国人工智能的发展有了较强的推动作用,在特定情景下或者说在比较标准的场景中分析较为简单的姿态和动作已经成为了可能,但这些工作的开展大多停留在理论的层次,并没有付诸实践,要想将这些分析技术真正应用到实际场景中仍然需要大量的实验进行探索。 1人体姿态识别 人体姿态识别主要在于研究描述人体姿态以及预测人体行为,其识别过程是指,在指定图像或视屏中,根据人体中关节点位置的变化,识别人体动作的过程。人体姿态识别的算法主要分为两类,一是基于深度图的算法,另一类直接基于RGB图像的算法。深度图是指由相机拍摄的图片,其每个像素值代表的是物体到相机XY平面的距离。这种算法的应用容易因采集设备的要求而受限,但基于RGB图像的算法直接通过对红、绿、蓝3个颜色通道的变化以及它们相互之间的叠加来得到的颜色进行识别,不会受到其他因素的干扰限制,因此更具有发展前景,同时也取得了不少成果。目前,即使是在较为复杂的、某种固定的场景中,基于RGB图像的人体姿态估计算法相较于基于深度图的人体姿态估计算法也能达到很好的识别效果。无论是深度图技术还是RGB图像技术,都是通过计算机强大的运算能力进行人体姿态的动作预算,通过这样的方式能够一定程度地实现人工图像的监测,并且能够为人工智能的普及奠定良好的基础。随着我国社会水平的不断提升,人们对于社会生活的质量要求也在不断增加,因此在实际的生活过程中视频监控已经成为人们不可或缺的一种安全措施,基于视频分析的技术要求也越来越高。例如在智能家装,医疗领域及运动分析等行业中都得到了较为广泛的应用,固态场景下的人体姿态识别在各领域起到的作用显而易见。特别是近年来,我国安保工作的加强,对于大城市人口密集流动以及犯罪分子的甄别等都有较强需求。 2人体姿态识别的实现 人体姿态是被主要分为基于计算机视角的识别和基于运动捕获技术的识别。基于计算机视觉的识别主要通过各种特征信息来对人体姿态动作进行识别,比如视频图像序列、人体轮廓、多视角等。基于计算机视觉的识别可以比较容易获取人体运动的轨迹、轮廓等信息,但没有办法具体实现表达人体的运动细节,以及容易存在因遮挡而识别错误等问题。基于运动捕获技术的人体姿态识别,则是通过定位人体的关节点、储存关节点运动数据信息来识别人体运动轨道。相较于计算机视角的人体姿态识别,基于运动捕获技术的人体姿态识别可以更好地反应人体姿态信息,也可以更好地处理和记录运动细节,不会因为物体颜色或被遮挡而影响运动轨道的识别。技术的革新对人体姿态的分析捕捉有较强的辅助作用,并且能够更好地展现动作的细节,对于专业人士进行动作分析的痕迹管理有较高的参考价值。通过良好的运动前景预算能够,在各种计算方法中做出合理的预测,并且在各种环境中的适应能力也能够得到一定程度的加强。由于未来的监控实现的方向是在全领域的视频监控,因此对于用户的特定化要求也应该及时进行技术革新,用户对于技术的需求就是技术革新的发展方向, 固定场景下的人体姿态识别 赵一秾 （辽宁科技大学，辽宁鞍山114000） 摘要:近年来，随着信息技术的发展和智能科技的普及，全球科技变革正在进一步推进，云计算、物联网、大数据和人工智能等技术也在飞速发展，其中，人体姿态识别技术已开始在计算机视觉相关领域中广泛应用。就固定场景下的人体姿态识别做出研究分析。 关键词:人体姿态识别；云计算；人工智能 150
基于视频序列的人体动作识别
密级：学校代码：10075 分类号：学号：20081194 工学硕士学位论文 基于视频序列的人体动作识别 学位申请人：刘涛 指导教师：张欣教授 学位类别：工学硕士 学科专业：电路与系统 授予单位：河北大学 答辩日期：二○一三年六月
Classified Index: CODE: 10075 U.D.C.: NO: 20081194 A Dissertation for the Degree of Master Human Action Recognition Based on Video Sequences Candidate：Liu Tao Supervisor：Prof. Zhang Xin Academic Degree Applied for：Master of Engineering Specialty：Circuits and Systems University：Hebei University Date of Oral Examination：June, 2013
河北大学 学位论文独创性声明 本人郑重声明：所呈交的学位论文，是本人在导师指导下进行的研究工作及取得的研究成果。尽我所知，除了文中特别加以标注和致谢的地方外，论文中不包含其他人已经发表或撰写的研究成果，也不包含为获得河北大学或其他教育机构的学位或证书所使用过的材料。与我一同工作的同志对本研究所做的任何贡献均已在论文中作了明确的说明并表示了致谢。 作者签名：日期：年月日 学位论文使用授权声明 本人完全了解河北大学有关保留、使用学位论文的规定，即：学校有权保留并向国家有关部门或机构送交论文的复印件和电子版，允许论文被查阅和借阅。学校可以公布论文的全部或部分内容，可以采用影印、缩印或其他复制手段保存论文。 本学位论文属于 1、保密□，在年月日解密后适用本授权声明。 2、不保密□。 （请在以上相应方格内打“√”）
自然的人体动作识别
自然的人体动作识别 黄飞跃徐光祐 清华大学计算机科学与技术系，普适计算教育部重点实验室，北京，100084 摘 要：人体动作识别是计算机视觉的一个重要研究课题。目前大多数动作识别的研究都 假设是在特定受限的场景下，即特定的视角、位置、对象、背景和光照条件下工作。其中， 尤以要求特定的视角和位置对实际应用的限制最为严重。本文致力于研究能处理视角和位 置变化并可用于非特定对象的人体动作识别方法。我们把它称为自然的人体动作识别方法。 为此我们提出了"包容形状"的人体表示，这种表示不受视角、位置的变化影响，充分利用了 两个正交摄像机拍摄的轮廓信息以去除由人的身体旋转引起的影响。利用包容形状，我们 取得了非特定人、任意视角下的自然人体动作识别较好的实验结果。同时我们也介绍了该 识别方法在实际智能家居——老人看护系统中的应用。 关键词：自然动作识别；包容形状 1．引言 人体动作识别是计算机视觉里一个活跃的研究方向，有不少综述，力图把以前的相关研究方法进行总结和分类，比如[1], [2], [3], [4]。至今为止，关于动作识别的大多数研究工作都是在特定受限的场景下展开，比如特定的视角、动作人、背景和光照。在这之中，尤以视角和位置的限制最为突出。我们认为要实现自然场景下的动作识别，就必须消除应用条件中的这些限制。为此，我们在这篇论文中，重点研究了动作识别中与视角和位置无关的体态表示，以实现非特定人、任意视角下的自然人体动作识别。 现阶段已经开展了不少视角无关的动作识别研究工作，比如Cen Rao [5]，Vasu Parameswaran[6]。但是还有很多问题亟待解决，大多数的方法依赖鲁棒的语义特征点检测或者是点对应，而这些是比较难实现的。 在本文中，我们提出使用了一种“包容形状”的体态表示。在仿射摄像机投影模型的假设下，这种表示对于视角和位置的变化具有不敏感性，同时不需要依靠任何较难提取并且对误差很敏感的语义点检测和点对应。利用这种表示，我们开发了自己的动作识别系统并且把它部署到实际应用：智能家居—老人看护系统中。实验结果表明我们的系统对于非特定人、任意视角和位置下的自然动作有着很理想的识别能力。 资助项目：国家自然科学基金资助项目（60673189，60433030） 联系作者：黄飞跃， Email：hfy01@https://www.360docs.net/doc/8e10565147.html,