加权SVDD算法在人体姿态估计中的研究与应用

支持向量数据描述（SVDD）算法是解决单类分类问题的最好方法之一,在人体姿态估计问题中获得了成功的应用,在建立部位外观模型方面取得了良好的效果,但现有利用SVDD算法建立的部位外观模型将所有训练样本和样本不同特征都平等对待。为克服存在的这两个缺陷,提出了一种样本和特征加权的SVDD算法,并用其建立了一种基于样本和特征加权SVDD算法的部位外观模型。样本的权重系数根据样本到样本中心的距离远近来确定,样本特征的权重系数根据特征对应图像区域被训练图像中真实人体部位包含次数的多少来确定。仿真实验结果表明所建立的部位外观模型比利用标准SVDD算法建立的部位外观模型能更准确地描述真实人体部位的外观,能得到更高的人体姿态估计准确度。     

基于深度学习的二维人体姿态估计算法综述

二维人体姿态估计作为人体动作识别的基础,随着深度学习和神经网络的流行已经成为备受学者关注的研究热点.与传统方法相比,深度学习能够得到更深层图像特征,对数据的表达更准确,因此已成为研究的主流方向.本文主要介绍了二维人体姿态估计算法,首先根据检测人数分为单人姿态估计与多人姿态估计两类,其次对单人姿态估计分为基于坐标回归与基于热图检测的方法;对多人姿态估计可分为自顶向下(top-down)和自底向上(bottom-up)的方法.最后介绍了姿态估计常用数据集以及评价指标对部分多人姿态估计算法的性能指标进行了对比,并对人体姿态估计研究所面临的问题与发展趋势进行了阐述.     

利用结构化SVM结合CNN的层次化目标检测与人体姿态估计方法

针对现有姿态估计方法不能准确提取特征参数的问题,提出了一种基于结构化支持向量机（SSVM）与卷积神经网络（CNN）的层次化模型。首先,展示了一个基于PS部件模型的SSVM如何实现为一个两层的神经网络,其中第一层是卷积层,另一层是损失增强推理层;通过将模型的结构化形式转换为模型中的一个神经网络,提出方法可以同时学习结构模型和外观模型,同时反向传播误差以学习底层的可学习参数,这些参数可从外观模型特征中提取出来;最后,将SSVM模型转换为神经网络模型,将误差反向传播到较低层,并计算确切的SSVM损失,同时通过基于次梯度的方法来学习原始SSVM。将该模型与当前较为先进的识别模型进行了对比,结果证明提出的层次化模型的识别成功率比对比方法平均高6%,具有更强的识别性能。     

改进的三维人体姿态估计算法

针对目前三维人体姿态由于遮挡、姿态复杂等预测不准确的问题,提出了一种改进的三维人体姿态估计算法以获得准确的三维人体姿态,提高人体姿态估计性能.本文采用时空图注意力卷积网络中的图注意力块来构建整个网络,在此基础上对全局多头图注意力部分的网络结构进行改进,使节点间更好传播和融合信息,捕获图中没有显式表示的语义信息.同时引入运动学约束,在MPJPE损失的基础上,加上骨骼长度损失.通过对局部和全局的空间节点信息建模,实现对局部运动学连接、对称性和全局姿态的人体骨骼运动学约束的学习.通过实验证明,本文改进后的模型有效地提高了人体姿态估计性能,在Human3.6M数据集上相较于原始模型,实现了1.8%的平均关节位置误差(MPJPE)提升和1.3%的预测关节与真值关节刚性对齐后的平均关节位置误差(P-MPJPE)提升.     

基于混合关节肢体模型的深度人体姿态估计方法

提出基于关节外观和关节间空间关系的模型与深层神经网络结构(DCNN)相结合的混合模型,解决人体姿态估计问题.首先,对人体构建图像模型以表示人体关节与肢体.然后,根据标注信息将图像分解为以关节为中心的若干图像块,作为训练输入数据.最后,得到一个可以解决多个分类的DCNN网络,用于人体姿态估计.文中方法对人体表示更灵活,有效提升关节点的检测率及正确检测的比率.     

基于改进高分辨表征的人体姿态估计算法

为精确检测不同人体尺度的关键点,提出一种基于高分辨率表征的关键点尺度变换网络(high-resolution for scale transformation structure,HR-STS).由高低分辨率并行子网络提取所有初步关键点特征,通过尺度变换结构把关键点特征标准化,经过逆空间变换得到关键点坐标.实验对比结果...     

基于CNN与SVDD的掘进机智能监测系统设计

通过激光标志物的卷积神经网络（ CNN）检测,与标志物中心点的奇异值分解（ SVD）重构,实现了掘进机在巷道坐标系下的坐标估计。通过基于支撑向量数据描述（ SVDD）的陀螺仪静止状态抖动抑制,与参考系变换,实现了机身与掘进臂的姿态检测。通过基于OpenGL的图形学引擎,实现了工作面场景的实时虚拟渲染。测试结果表明：系统能够准确可靠地完成工作面场景下掘进机监测任务。     

基于多样卷积单元高效人体姿态估计

设计兼具准确率和轻量化的人体姿态估计网络模型成为了人机交互领域的迫切需求。为了满足这一需求,结合HRNet模型的高分辨率设计模式,提出了一种多样化高效卷积单元的高分辨率网络模型DU-HRNet。为了探索并增强来自不同感受野大小层的多尺度信息,鼓励卷积层间信息更加多样化,模型允许并行分支中的每一分支拥有不同类型的高效卷积单元。为了改善模型的非线性,在高效卷积单元中使用通道注意力ECANet。在MS COCO关键点检测数据集和MPII数据集中验证了模型的有效性。模型在参数量等于7.6 M、GFLOPs为2.66,没有经过任何后期处理的条件下,在COCO val2017数据集上达到了71.1 mAP(mean Average Precision,平均精度均值)分数,在COCO test-dev2017数据集上达到71.8 mAP分数。通过消融实验验证了模型整体和组成部分的有效性。     

基于深度学习的二维人体姿态估计研究进展

基于深度学习的二维人体姿态估计方法通过构建特定的神经网络架构,将提取的特征信息根据相应的特征融合方法进行信息关联处理,最终获得人体姿态估计结果,因其具有广泛的应用价值而受到研究人员的关注.从数据集基准、姿态估计方法和评测标准等方面,对近年来基于深度学习的二维人体姿态估计的诸多研究工作进行系统归纳与整理,将现有方法分为单...     

基于卷积神经网络的2D人体姿态估计综述

随着深度学习的快速发展,2D人体姿态估计作为其他计算机视觉任务的研究基础,其检测速度和精度对后续应用落地具有实际意义。对近年来基于卷积神经网络的2D人体姿态估计的方法进行梳理介绍,将现有方法分为人体检测关节点回归融合算法和人体关节点检测聚类算法,同时对当前的主流数据集及其评价准则进行总结,最后对2D人体姿态估计当前所面临的困难以及未来的发展趋势做以阐述,为姿态估计相关研究提供一些参考。     

基于深度学习的三维点云头部姿态估计

快速、可靠的头部姿态估计算法是高级人脸分析任务的基础。为了解决现有算法存在的光照变化、遮挡、姿态尺度较大等问题,提出一种新的深度学习框架HPENet。该网络以点云数据为输入,首先通过最远点采样算法提取点云结构中的特征点,以特征点为球心,将不同半径的球体内的点构成多个分组,用于后续的特征描述;然后采用多层感知器和最大池化层实现点云的特征提取,提取的特征通过全连接层输出预测的头部姿态。为了验证HPENet的有效性,在公共数据集Biwi Kinect Head Pose上进行测试。实验结果显示,HPENet在俯仰角、侧倾角和偏航角上的误差分别为2.3°、1.5°、2.4°,平均每帧的时间消耗为8 ms。与其他优秀算法相比,所提方法在准确度和计算的复杂度方面都具有更好的性能。     

基于标签分布学习的三维手部姿态估计

快速、可靠的手部姿态估计在人机交互等领域有着广泛的应用.为了解决光照强度变化、自身遮挡以及姿态变化幅度较大等情况对手部姿态估计的影响,提出了一种基于标签分布学习的深度网络结构.该网络将手部点云作为输入数据,首先通过最远点采样和定向边界框(OBB)对点云数据进行归一化处理,然后采用PointNet++提取手部点云数据特征...     

改进的基于锚点的三维手部姿态估计网络

近年来基于锚点的三维手部姿态估计方法比较流行,A2J(Anchor-to-Joint)是比较有代表性的方法之一.A2J在深度图上密集地设置锚点,利用神经网络预测锚点到关键点的偏差以及每个锚点的权重.A2J使用预测的偏差和权重,以加权求和的方式计算关键点的坐标,降低了网络回归结果中的噪声.虽然A2J简单高效,但是不恰当的...     

基于改进CPMs和SqueezeNet的轻量级人体骨骼关键点检测模型

针对目前的人体骨骼关键点检测模型参数多、训练时间长和检测速度慢的问题，提出了一种将人体骨骼关键点检测模型CPMs与小型卷积神经网络模型SqueezeNet相结合的检测方法。首先，采用4个Stage的CPMs(CPMs-Stage4)对人物图像进行关键点检测；然后，在CPMs-Stage4中引入SqueezeNet的Fire Module网络结构，利用Fire Module结构大大压缩模型参数，得到一种新的轻量级人体骨骼关键点检测模型SqueezeNet15-CPMs-Stage4。在扩展的LSP数据集上的验证结果显示，与CPMs相比，SqueezeNet15-CPMs-Stage4模型在训练时间上减少86.68%，在单张图像检测时间上减少44.27%，准确率达到90.4%；与改进的VGG-16、DeepCut和DeeperCut 三种参照模型相比，SqueezeNet15-CPMs-Stage4模型在训练时间、检测速度和准确率方面均是最优的。实验结果表明，所提模型不仅检测准确率高，而且训练时间短、检测速度快，能够有效降低人体骨骼关键点检测模型的训练成本。     

一种基于图结构模型的人体姿态估计算法

针对单幅图片中人体姿态的估计问题,在图结构模型的基础上提出了一种新的人体姿态估计算法。算法提出了一个新的部位观测模型和一种新的减小部位状态空间的方法：（1）对人体不同部位采用不同尺寸的细胞单元计算HOG特征,并利用线性SVM进行分类,从而提出一种新的部位观测模型;（2）利用人体部位定位的先验分布确定部位定位区域,然后通过邻域归并和设置与部位模板的匹配度阈值进一步减小状态空间,从而提出了一种减小部位状态空间的方法。仿真实验结果表明所提算法与传统算法相比更加有效。     

跨阶段结构下的人体姿态估计

目的 基于图像的人体姿态估计是计算机视觉领域中一个非常重要的研究课题,并广泛应用于人机交互、监控以及图像检索等方面。但是,由于人体视觉外观的多样性、遮挡和混杂背景等因素的影响,导致人体姿态估计问题一直是计算机视觉领域的难点和热点。本文主要关注于初始特征对关节点定位的作用,提出一种跨阶段卷积姿态机（CSCPM）。方法 首先,采用VGG （visual geometry group）网络获得初步的图像初始特征,该初始特征既是图像关节点定位的基础,同时,也由于受到自遮挡和混杂背景的干扰难以学习。其次,在初始特征的基础上,构建多层模型学习不同尺度下的结构特征,同时为了解决深度学习中的梯度消失问题,在后续的各层特征中都串联该初始特征。最后,设计了多尺度关节点定位的联合损失,用于学习深度网络参数。结果 本文实验在两大人体姿态数据集MPII （MPII human pose dataset）和LSP （leeds sport pose）上分别与近3年的人体姿态估计方法进行了定性与定量比较,在MPII数据集中,模型的总检测率为89.1%,相比于性能第2的模型高出了0.7%;在LSP数据集中,模型的总检测率为91.0%,相比于性能第2的模型高出了0.5%。结论 实验结果表明,初始特征学习能够有效判断关节点的自遮挡和混杂背景干扰情况,引入跨阶段结构的CSCPM姿态估计模型能够胜出现有人体姿态估计模型。     

基于CNN迁移学习的甲状腺结节检测方法

将人工智能应用到医学图像中可减少医生工作量和患者的重复检查。针对现有甲状腺结节检测方法处理过程繁琐、特征提取困难等问题,提出一种基于卷积神经网络（CNN）的甲状腺结节检测方法。针对数据样本量小的限制,提出利用预训练与迁移学习改善网络性能的策略。根据不同结构CNN能够提取不同层次特征的特点,提出融合浅层与深层网络的方法。通过医院收集的3 414张图片对提出的方法进行验证,最终准确率为91.60%,灵敏度为90.08%,特异性为93.24%,接收者操作特征曲线下面积为96.55%。     

优化LeNet-5网络的多角度头部姿态估计方法

针对在受到部分遮挡或角度过大无法定位面部关键特征点的情况下,传统的头部姿态估计方法的准确率低或无法进行头部姿态估计的问题,提出了优化LeNet-5网络的多角度头部姿态估计方法.首先,通过对卷积神经网络(CNN)的深度、卷积核大小等进行优化来更好地捕捉图像的全局特征;然后,改进池化层,用卷积操作代替池化操作来增强网络的非...     

基于R-SVM与SVDD的部位外观模型

为克服现有基于HOG特征的部位外观模型未考虑不同细胞单元的不同作用以及不能准确表征相似度的缺陷,提出了一种基于递归支持向量机(R-SVM)和支持向量数据描述(SVDD)算法的人体部位外观模型.所提外观模型由两个分类器构成,利用R-SVM进行特征选择并建立的分类器用于判断图像某区域是否属于人体部位类,利用SVDD建立的相似度分类器用于计算属于人体部位类的图像区域与外观模型的相似度.将所提部位外观模型用于人体上半身姿态的估计,仿真实验结果显示其比现有部位外观模型的估计准确度更高,表明所提部位外观模型可以更准确地描述真实人体部位.