• 基于2D连续图像序列的行人骨架关节角度估计


    目 录
    第1章 绪 论 1
    1.1 行人骨架关节角度估计 1
    1.2 行人骨架关节角度估计的应用领域 2
    1.3 行人骨架关节角度估计方法简述 3
    1.3. 1 基于概率统计的方法 3
    1.3.2 基于语法的方法 4
    1.3.3 基于模型的方法 4
    1.4 行人骨架关节角度估计的难点和面临的挑战 5
    1.5 本文的研究意义及主要工作 6
    1.5.1 研究意义 6
    1.5.2 主要工作 7
    第2章 人体区域检测 8
    2.1 人体区域检测方法 8
    2.1.1 静态背景下的人体区域检测 8
    2.1.2 动态背景下的人体区域检测 9
    2.2 本文中的人体区域检测 9
    2.2.1 建立背景模型 9
    2.2.2 利用背景减除法得到人体区域 10
    2.2.3 人体区域处理 10
    第3章 动作特征提取 12
    3.1 基于特征的方法 12
    3.2 基于模型的方法 13
    3.3 本文的动作特征提取 16
    3.3.1 从人体区域中提取轮廓特征 16
    3.3.2 利用轮廓特征的变化获取动作变化率特征 17
    3.3.3 动作变化率的优化 18
    第4章 俯卧撑运动的动作及姿态分割 20
    4.1 动作分割简述 20
    4.2 动作分割中的难点 21
    4.2.1 动作过渡区的问题 21
    4.2.2 解决方法 21
    4.3 基于动作变化率的动作及姿态边界检测 22
    4.3.1 动作分割 22
    4.3.2 姿态分割 22
    4.4 俯卧撑的动作及姿态分割过程及结果 22
    4.4.1 运动人体的提取与处理 22
    4.4.2 运动状态特征提取与优化 23
    4.4.3 俯卧撑的动作及姿态分割 23
    第5章 俯卧撑运动的动作估计 25
    5.1 行人骨架关节角度估计概述 25
    5.1.1 行人骨架关节角度估计存在的难点 25
    5.1.2 行人骨架关节角度估计所需的理想化条件 25
    5.1.3 行人骨架关节角度估计方法分类 26
    5.2 基于运动特征的行人骨架关节角度估计 27
    5.2.1 运动特征选择 27
    5.2.2 运动特征匹配 28
    5.3 基于模型的行人骨架关节角度估计 28
    5.3.1 人体模型建立 28
    5.3.2 俯卧撑模型的建立 29
    5.3.3 模型评价 30
    5.4 实验过程及结果 31
    5.4.1 俯卧撑模型参数的确定 31
    5.4.2 利用模型估计待测样本 33
    第6章 总结与展望 34
    6.1 本文总结 34
    6.2 工作展望 34
    参考文献 36
    致 谢 41
    1.5 本文的研究意义及主要工作
    1.5.1 研究意义
    在军事训练及体育运动中,行人骨架关节角度的估计和分析应用相对较少,绝大多数情况下训练动作的观察和物理分析都是依靠人力解决。这种模式存在以下劣势:
    1)日常训练和体能考核都是人对人的模式,一对一的监督训练模式对人力造成一定的浪费,尤其是在军事体能训练中,有时甚至还会出现多人监督一人的情况。
    2)在人力监督的情况下,训练中的动作标准难以统一,在监督标准相差较大的情况下,训练和考核的效果就会受到不利影响。
    3)不能记录训练和考核的过程,不便于日后对训练和考核进行分析或指导。
    随着2D连续图像序列处理技术的发展以及2D连续图像序列处理硬件设备成本的降低,在军事训练以及体育训练中使用基于2D连续图像序列的动作分析技术不仅有助于避免人力浪费、提高工作效率,还有利于建立规范的训练标准,提升训练效果。
    当前国内军事科技化程度不断提高,数字化技术越来越多地投入到军事领域,并且日趋紧张的国际国内形势也对军事领域的方方面面提出了更高的要求。提高军队的作战能力,除了要对日益重要的军事装备进行升级,更为关键的因素还在于人的军事素质,其中体能素质军人最基本的军事素质,也是其作战能力的基础。本文着眼于这种态势,选择军事训练过程中的最基本体能动作俯卧撑作为研究对象,研究用2D连续图像序列记录体能训练动作并对其进行估计和分析的过程和方法。
    1.5.2 主要工作
    行人骨架关节角度估计是对运动序列中的行人骨架关节角度进行估计和理解,本文进行估计的过程主要可以分为人体区域检测、特征提取、动作分割、动作估计。其中,人体区域估计是从2D连续图像序列或图像序列中将人体区域检测出来;特征提取是从运动序列中确定并提取必要的动作信息;动作分割是根据所选择的动作特征将一个完整地动作进行分割,姿态分割是将动作具体化为姿态层次,然后将分割出来的姿态库按照重要程度进行分类,便于在后续的估计工作中根据其所含信息权重采取差异化处理,着重估计计算那些具有重要意义姿态,这种处理方式有助于提高自动分析的程度,降低分析的复杂度。动作估计则是借助一定的估计方法在2D连续图像序列中对行人骨架关节角度进行分类,最终确定动作的类别和质量。此外,我们还对估计中出现的偶然性误差进行校正,采用向量的某个维度模拟误差的产生,并用向量差的方式消除误差。
    围绕以上内容,本文按照以下章节进行组织:
    第1章 绪论
    第2章 人体区域检测
    第3章 动作特征提取
    第4章 俯卧撑运动的动作及姿态分割
    第5章 俯卧撑运动的动作估计
    第6章 总结与展望
    在这里插入图片描述

    在这里插入图片描述
    在这里插入图片描述
    在这里插入图片描述
    在这里插入图片描述
    在这里插入图片描述
    在这里插入图片描述
    在这里插入图片描述
    在这里插入图片描述
    在这里插入图片描述
    在这里插入图片描述
    在这里插入图片描述
    在这里插入图片描述
    在这里插入图片描述
    在这里插入图片描述
    在这里插入图片描述
    在这里插入图片描述

  • 相关阅读:
    ELK + kafka 日志方案
    Python+大数据-知行教育(五)-意向用户主题看板_增量流程
    基于ghOSt用户调度器的环境搭建
    在PostgreSQL中创建和管理数据库
    数据治理:数据治理框架(第一篇)
    卷积神经网络图片放大,神经网络输入图片大小
    mysql explain extra值枚举
    ANR问题的分析与解决思路
    LIO-SAM中的mapOptmization
    网站都变成灰色了,它是怎么实现的?
  • 原文地址:https://blog.csdn.net/newlw/article/details/128033441