在計(jì)算機(jī)視覺領(lǐng)域,基于骨架信息的行為識(shí)別是近幾年熱門的研究方向。它在智能安防、人機(jī)交互等諸多方面都有應(yīng)用場景。人體骨架信息數(shù)據(jù)相比RGB視頻數(shù)據(jù)更輕量,這使得用更輕量的算法去獲取更優(yōu)的識(shí)別性能成為可能。論文首先調(diào)研了國內(nèi)外關(guān)于該任務(wù)的研究現(xiàn)狀,然后分析了經(jīng)典圖卷積網(wǎng)絡(luò)中構(gòu)造骨架關(guān)節(jié)點(diǎn)之間依賴關(guān)系的幾種方式以及它們的優(yōu)缺點(diǎn)。在此基礎(chǔ)上,論文提出了骨架關(guān)節(jié)點(diǎn)依賴關(guān)系推理網(wǎng)絡(luò)(Joints-dependencice Inference Network,JIN)和骨架關(guān)節(jié)點(diǎn)上下文信息編碼網(wǎng)絡(luò)(Context-encoidng Network,Ce N)。這兩種網(wǎng)絡(luò)可以根據(jù)骨架序列的時(shí)空變化自動(dòng)地為每一個(gè)樣本推理一個(gè)骨架序列的鄰接矩陣。其中JIN根據(jù)骨架序列的時(shí)空變化推理任意兩個(gè)骨架關(guān)節(jié)點(diǎn)之間的依賴關(guān)系從而為每一個(gè)骨架序列構(gòu)造對(duì)稱的鄰接矩陣,Ce N則從全局上下文信息的角度為每一個(gè)骨架序列構(gòu)造非對(duì)稱的鄰接矩陣。這兩種網(wǎng)絡(luò)可以和圖卷積網(wǎng)絡(luò)構(gòu)成端到端的網(wǎng)絡(luò)框架JIN-SGCN和Dynamic GCN。在NTU-RGB+D數(shù)據(jù)集的跨對(duì)象劃分規(guī)則中,相比經(jīng)典的ST-GCN算法,這兩個(gè)算法單模型識(shí)別準(zhǔn)確率...

【文章頁數(shù)】：85 頁

【學(xué)位級(jí)別】：碩士

【文章目錄】：
致謝
摘要
ABSTRACT
1 緒論
    1.1 研究背景和意義
    1.2 國內(nèi)外研究現(xiàn)狀
        1.2.1 基于人工設(shè)計(jì)特征的算法
        1.2.2 基于深度學(xué)習(xí)的算法
    1.3 本論文主要研究的內(nèi)容和章節(jié)安排
    1.4 本論文主要的創(chuàng)新點(diǎn)
2 骨架關(guān)節(jié)點(diǎn)依賴關(guān)系自適應(yīng)的圖卷積網(wǎng)絡(luò)
    2.1 圖卷積網(wǎng)絡(luò)概述
        2.1.1 圖卷積網(wǎng)絡(luò)整體概述
        2.1.2 圖卷積網(wǎng)絡(luò)在基于骨架信息的行為識(shí)別中的應(yīng)用
    2.2 骨架關(guān)節(jié)點(diǎn)依賴關(guān)系推理網(wǎng)絡(luò)
        2.2.1 典型骨架關(guān)節(jié)點(diǎn)依賴關(guān)系構(gòu)造存在的問題與基礎(chǔ)改進(jìn)
        2.2.2 骨架關(guān)節(jié)點(diǎn)依賴關(guān)系推理網(wǎng)絡(luò)設(shè)計(jì)
        2.2.3 實(shí)驗(yàn)細(xì)節(jié)與結(jié)果分析
    2.3 骨架關(guān)節(jié)點(diǎn)上下文信息編碼網(wǎng)絡(luò)設(shè)計(jì)
        2.3.1 骨架關(guān)節(jié)點(diǎn)上下文信息學(xué)習(xí)
        2.3.2 骨架關(guān)節(jié)點(diǎn)上下文編碼網(wǎng)絡(luò)(CeN)設(shè)計(jì)
        2.3.3 動(dòng)態(tài)圖卷積網(wǎng)絡(luò)框架
        2.3.4 實(shí)驗(yàn)結(jié)果與分析
    2.4 本章小節(jié)
3 增強(qiáng)版共現(xiàn)特征學(xué)習(xí)網(wǎng)絡(luò)
    3.1 分組卷積和深度可分離卷積技術(shù)概述
        3.1.1 分組卷積技術(shù)
        3.1.2 深度可分離卷積
    3.2 用圖卷積的思路指導(dǎo)卷積神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)
        3.2.1 圖卷積網(wǎng)絡(luò)和帶通道置換的卷積神經(jīng)網(wǎng)絡(luò)的理論聯(lián)系
        3.2.2 增強(qiáng)版共現(xiàn)特征學(xué)習(xí)網(wǎng)絡(luò)設(shè)計(jì)
    3.3 實(shí)驗(yàn)結(jié)果和分析
    3.4 本章小結(jié)
4 基于骨架信息的行為識(shí)別整體系統(tǒng)流程設(shè)計(jì)
    4.1 骨架信息獲取的兩種方式
        4.1.1 基于深度相機(jī)的獲取方式
        4.1.2 基于姿勢估計(jì)算法的獲取方式
    4.2 基于骨架信息的行為識(shí)別整體系統(tǒng)設(shè)計(jì)
        4.2.1 RGB視頻數(shù)據(jù)處理模塊設(shè)計(jì)
        4.2.2 基于Open Pose框架的骨架信息提取和數(shù)據(jù)處理模塊設(shè)計(jì)
        4.2.3 基于骨架信息的行為識(shí)別及可視化
    4.3 監(jiān)控場景和現(xiàn)場模擬數(shù)據(jù)測試結(jié)果
    4.4 本章小結(jié)
5 總結(jié)與展望
    5.1 工作總結(jié)
    5.2 后續(xù)工作展望
參考文獻(xiàn)
作者在攻讀碩士學(xué)位期間的科研成果



本文編號(hào)：3757644