圖像分割作為模式識(shí)別與圖像分析的基礎(chǔ),一直是數(shù)字圖像處理和計(jì)算機(jī)視覺(jué)等領(lǐng)域中的挑戰(zhàn)課題,具有重要的研究意義。現(xiàn)階段已產(chǎn)生了眾多的圖像分割算法,其中一些算法也被應(yīng)用到標(biāo)準(zhǔn)人體圖像分割中,為三維人體重建、人體運(yùn)動(dòng)跟蹤、虛擬試衣等領(lǐng)域的發(fā)展提供了理論支撐。本文在總結(jié)現(xiàn)有典型的圖像分割算法基礎(chǔ)上,針對(duì)不同背景下標(biāo)準(zhǔn)人體圖像分割的難點(diǎn),以及由于缺乏先驗(yàn)條件造成的人體特征點(diǎn)匹配不準(zhǔn)確的問(wèn)題,提出了一種新的標(biāo)準(zhǔn)人體圖像分割算法。作為應(yīng)用,將提取到的人體關(guān)鍵部位特征點(diǎn)進(jìn)行三維數(shù)據(jù)擬合以得到較為真實(shí)的人體數(shù)據(jù)。主要研究工作如下:(1)針對(duì)簡(jiǎn)單線性迭代(SLIC)算法分割時(shí)需人為設(shè)定初始種子點(diǎn)的問(wèn)題,提出一種自適應(yīng)的SLIC分割算法。改進(jìn)后的算法將圖像分成多個(gè)極小區(qū)域,在每個(gè)區(qū)域內(nèi)引入CV能量分割,使得算法較好地利用了圖像的灰度信息,可以自動(dòng)地設(shè)置初始種子點(diǎn),使分割后的超像素塊更貼合圖像色塊邊緣。(2)為了避免復(fù)雜環(huán)境對(duì)人體圖像分割精度的影響,引入人體模板標(biāo)記圖像中感興趣的區(qū)域,并利用區(qū)域內(nèi)模板信息改寫(xiě)相似函數(shù),對(duì)其中的超像素塊進(jìn)行譜聚類(lèi),完成基于超像素塊的譜聚類(lèi)人體圖像分割,提高圖像分割精度。(3)針對(duì)傳統(tǒng)ASM算法易出現(xiàn)局部擬合、迭代次數(shù)過(guò)多等問(wèn)題,提出一種基于人體輪廓線的ASM特征點(diǎn)提取算法。改進(jìn)的算法在人體輪廓線的基礎(chǔ)上定義了一組模板基準(zhǔn)點(diǎn),通過(guò)基準(zhǔn)點(diǎn)校準(zhǔn)、點(diǎn)集校準(zhǔn)、改變特征點(diǎn)搜索方向等方式提高人體正側(cè)面特征點(diǎn)提取的精度和速度。經(jīng)過(guò)以上步驟得到人體關(guān)鍵部位特征點(diǎn)后,利用BP神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)人體多個(gè)部位間的關(guān)系。在采集的多組人體數(shù)據(jù)上,該神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)了誤差2厘米范圍內(nèi)的人體三維數(shù)據(jù)擬合。最后,本文對(duì)該研究?jī)?nèi)容進(jìn)行了總結(jié),并對(duì)今后工作進(jìn)行了展望。
【學(xué)位單位】：浙江理工大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位年份】：2019
【中圖分類(lèi)】：TP391.41
【部分圖文】：

論文 基于自適應(yīng)SLIC的集、傳輸和壓縮的各個(gè)過(guò)程中，的高級(jí)圖像處理算法產(chǎn)生較大的礎(chǔ)的工作之一。由于噪聲的種類(lèi)同的噪聲有不同的處理算法�？倱Q域法。，高斯濾波法[22]為一種典型的去內(nèi)的各個(gè)點(diǎn)進(jìn)行加權(quán)平均后，將積的過(guò)程，因?yàn)閳D像屬于二維信

S-T網(wǎng)絡(luò)

經(jīng)網(wǎng)絡(luò)（Convolutional Neural Networks，CNN）作為一種前來(lái)被應(yīng)用在多個(gè)領(lǐng)域，如圖像分割、人臉識(shí)別、自然語(yǔ)言處結(jié)構(gòu)一般分為三部分。第一部分是輸入層，第二部分由 n 個(gè)成，第三部分是全連接的多層感知機(jī)分類(lèi)器。最初的輸入經(jīng)高特征之后，只有最后一個(gè)特征被輸入到分類(lèi)器進(jìn)行處理。都包含卷積層和子采樣層，一般而言，CNN 會(huì)有 1 到 3 個(gè)特一層或者兩層的全連接人工神經(jīng)網(wǎng)絡(luò)作為分類(lèi)器。習(xí)下的 CNN 與普通的神經(jīng)網(wǎng)絡(luò)相比主要有兩點(diǎn)區(qū)別，分別共享。個(gè)層之間采用的是局部連接的方式，即局部感受野，如圖 我們對(duì)外界的認(rèn)知是從局部到全局的過(guò)程，圖像之間的空間系較為緊密。因此，神經(jīng)網(wǎng)絡(luò)在學(xué)習(xí)時(shí)沒(méi)必要對(duì)全局圖像進(jìn)局部圖像，最后在更高層將局部信息綜合起來(lái)即可大致得到

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 黃良韜;趙亞群;;雙圖約束譜聚類(lèi)中的數(shù)據(jù)不相似圖構(gòu)造[J];信息工程大學(xué)學(xué)報(bào);2017年05期

2 曲昊;閔潔;;利用譜聚類(lèi)發(fā)現(xiàn)符號(hào)化時(shí)間序列中的模式[J];九江職業(yè)技術(shù)學(xué)院學(xué)報(bào);2017年02期

3 唐風(fēng)琴;丁文文;;基于譜聚類(lèi)帶有節(jié)點(diǎn)特征的社區(qū)發(fā)現(xiàn)算法[J];中國(guó)科學(xué)技術(shù)大學(xué)學(xué)報(bào);2018年02期

4 吳彥博;;譜聚類(lèi)廣義模型和典型算法探析[J];通訊世界;2016年23期

5 張曉琴;安曉丹;曹付元;;基于譜聚類(lèi)的二分網(wǎng)絡(luò)社區(qū)發(fā)現(xiàn)算法[J];計(jì)算機(jī)科學(xué);2019年04期

6 王俊潔;劉青;;基于譜聚類(lèi)的自適應(yīng)新生目標(biāo)強(qiáng)度狀態(tài)提取[J];計(jì)算機(jī)工程與設(shè)計(jì);2019年03期

7 宋以寧;劉文萍;駱有慶;宗世祥;;基于線性譜聚類(lèi)的林地圖像中枯死樹(shù)監(jiān)測(cè)[J];林業(yè)科學(xué);2019年04期

8 葉茂;劉文芬;;一種適用于大規(guī)模數(shù)據(jù)的約束譜聚類(lèi)框架[J];信息工程大學(xué)學(xué)報(bào);2018年04期

9 房梁;殷麗華;李鳳華;方濱興;;基于譜聚類(lèi)的訪問(wèn)控制異常權(quán)限配置挖掘機(jī)制[J];通信學(xué)報(bào);2017年12期

10 徐雪麗;蘇錦霞;;稀疏譜聚類(lèi)方法及應(yīng)用[J];蘭州大學(xué)學(xué)報(bào)(自然科學(xué)版);2017年05期

相關(guān)會(huì)議論文 前7條

1 王忠美;顧行發(fā);楊曉梅;;基于邊界指導(dǎo)光譜聚類(lèi)高分辨遙感圖像分割[A];第四屆高分辨率對(duì)地觀測(cè)學(xué)術(shù)年會(huì)論文集[C];2017年

2 張魯民;賈焰;周斌;;基于情感計(jì)算的微博突發(fā)事件檢測(cè)方法研究[A];第27次全國(guó)計(jì)算機(jī)安全學(xué)術(shù)交流會(huì)論文集[C];2012年

3 謝永康;周雅倩;黃萱菁;;一種基于譜聚類(lèi)的共指消解方法[A];第四屆全國(guó)信息檢索與內(nèi)容安全學(xué)術(shù)會(huì)議論文集（上）[C];2008年

4 陳昆;李躍華;;基于譜聚類(lèi)的非線性降維算法研究[A];第十一屆全國(guó)博士生學(xué)術(shù)年會(huì)——信息技術(shù)與安全專(zhuān)題論文集[C];2013年

5 張?jiān)?鄒煥新;邵寧遠(yuǎn);秦先祥;周石琳;計(jì)科峰;;類(lèi)別數(shù)目自動(dòng)估計(jì)的極化SAR圖像非監(jiān)督地物分類(lèi)[A];第四屆高分辨率對(duì)地觀測(cè)學(xué)術(shù)年會(huì)論文集[C];2017年

6 趙占飛;梁偉;;天然氣壓縮機(jī)故障信號(hào)聚類(lèi)方法研究[A];2015年中國(guó)機(jī)械工程學(xué)會(huì)設(shè)備與維修工程分會(huì)學(xué)術(shù)年會(huì)論文集[C];2015年

7 黃春燕;張目;李巖;席春紅;;基于譜聚類(lèi)的科技型中小企業(yè)信用風(fēng)險(xiǎn)評(píng)價(jià)研究[A];風(fēng)險(xiǎn)分析和危機(jī)反應(yīng)中的信息技術(shù)--中國(guó)災(zāi)害防御協(xié)會(huì)風(fēng)險(xiǎn)分析專(zhuān)業(yè)委員會(huì)第六屆年會(huì)論文集[C];2014年

相關(guān)博士學(xué)位論文 前10條

1 孔敏;關(guān)聯(lián)圖的譜分析及譜聚類(lèi)方法研究[D];安徽大學(xué);2006年

2 隋毅;基于譜聚類(lèi)的圖像分割方法研究[D];哈爾濱工程大學(xué);2013年

3 陳麗敏;面向大規(guī)模數(shù)據(jù)集的譜聚類(lèi)方法研究[D];哈爾濱工程大學(xué);2015年

4 蘇木亞;譜聚類(lèi)方法研究及其在金融時(shí)間序列數(shù)據(jù)挖掘中的應(yīng)用[D];大連理工大學(xué);2011年

5 楊藝芳;譜聚類(lèi)與維數(shù)約簡(jiǎn)算法及其應(yīng)用[D];西安電子科技大學(xué);2016年

6 魯斌;幾類(lèi)復(fù)雜網(wǎng)絡(luò)度量性質(zhì)和拓?fù)湫再|(zhì)的研究[D];華南理工大學(xué);2013年

7 宋軍;水交換模型的理論方法及應(yīng)用研究[D];中國(guó)海洋大學(xué);2010年

8 樊沛;虛擬計(jì)算環(huán)境中面向通信特征的應(yīng)用部署優(yōu)化技術(shù)研究[D];國(guó)防科學(xué)技術(shù)大學(xué);2012年

9 陳偉;高光譜影像地物智能化提取理論與方法研究[D];解放軍信息工程大學(xué);2012年

10 谷瑞軍;基于流形學(xué)習(xí)的高維空間分類(lèi)器研究[D];江南大學(xué);2008年

相關(guān)碩士學(xué)位論文 前10條

1 任義;基于自適應(yīng)SLIC的標(biāo)準(zhǔn)人體圖像譜聚類(lèi)分割和測(cè)量[D];浙江理工大學(xué);2019年

2 馬揚(yáng);基于譜聚類(lèi)的復(fù)雜網(wǎng)絡(luò)時(shí)序鏈路預(yù)測(cè)技術(shù)研究[D];國(guó)防科學(xué)技術(shù)大學(xué);2016年

3 駱迅;基于LMDI和高斯圖模型的中國(guó)霧霾成因?qū)嵶C研究[D];華中師范大學(xué);2018年

4 崔宇童;基于譜聚類(lèi)優(yōu)化的社區(qū)發(fā)現(xiàn)方法研究[D];中國(guó)礦業(yè)大學(xué);2018年

5 王益新;基于譜聚類(lèi)的數(shù)據(jù)挖掘方法研究[D];西安電子科技大學(xué);2018年

6 谷金超;基于譜聚類(lèi)方法的基因表達(dá)數(shù)據(jù)分析研究[D];湖南大學(xué);2016年

7 陳方;基因表達(dá)數(shù)據(jù)的譜聚類(lèi)方法研究[D];湖南大學(xué);2015年

8 洪帥;融合多類(lèi)特征的微博異常群體識(shí)別研究[D];福州大學(xué);2017年

9 徐洪元;社會(huì)媒體群組探測(cè)的譜聚類(lèi)研究與應(yīng)用[D];武漢理工大學(xué);2016年

10 袁永華;譜聚類(lèi)遙感影像分割方法研究[D];遼寧工程技術(shù)大學(xué);2017年

本文編號(hào)：2819830