發(fā)布時(shí)間：2024-02-26 18:51

　　人體姿勢(shì)預(yù)測(cè)是計(jì)算機(jī)視覺(jué)領(lǐng)域里的一項(xiàng)非常具有挑戰(zhàn)性的任務(wù),它可以估計(jì)像行人這樣的目標(biāo)物體接下來(lái)的舉動(dòng)進(jìn)而預(yù)測(cè)其接下來(lái)的軌跡。近些年來(lái),人體姿勢(shì)預(yù)測(cè)的應(yīng)用范圍越來(lái)越廣泛,例如人機(jī)交互、人員跟蹤及自動(dòng)駕駛等。由于深度學(xué)習(xí)的進(jìn)步,應(yīng)用卷積神經(jīng)網(wǎng)絡(luò)或循環(huán)神經(jīng)網(wǎng)絡(luò)的人體姿勢(shì)預(yù)測(cè)方法也得到了較廣泛的發(fā)展。但是人體姿勢(shì)預(yù)測(cè)會(huì)受到許多不確定因素的影響,例如運(yùn)動(dòng)速度,運(yùn)動(dòng)幅度,運(yùn)動(dòng)背景等,這些不確定因素將會(huì)引起預(yù)測(cè)的第1幀不連續(xù)而且準(zhǔn)確預(yù)測(cè)的時(shí)間會(huì)比較短。本文針對(duì)人體姿勢(shì)預(yù)測(cè)中的第1幀不連續(xù)、準(zhǔn)確預(yù)測(cè)時(shí)長(zhǎng)比較短以及網(wǎng)絡(luò)結(jié)構(gòu)復(fù)雜、訓(xùn)練困難等問(wèn)題,先后分別提出了基于雙向門(mén)控循環(huán)單元(Gated Recurrent Unit,GRU)網(wǎng)絡(luò)的人體姿勢(shì)預(yù)測(cè)模型(EBiGRU-D)、基于注意力機(jī)制的人體姿勢(shì)預(yù)測(cè)模型(At-seq2seq)以及基于雙向GRU和注意力機(jī)制的人體姿勢(shì)預(yù)測(cè)模型(BiAGRU-seq2seq)。在EBiGRU-D網(wǎng)絡(luò)模型中編碼器的組成是雙向GRU網(wǎng)絡(luò),該模型的解碼器部分組成是典型的GRU網(wǎng)絡(luò)。雙向GRU網(wǎng)絡(luò)讓輸入的原始數(shù)據(jù)能夠從正方向和負(fù)方向分別輸入到編碼器中并對(duì)輸入的數(shù)據(jù)進(jìn)行編碼操作,輸入...

【文章頁(yè)數(shù)】：63 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

圖1.1姿勢(shì)預(yù)測(cè)在人機(jī)交互中的應(yīng)用Fig.1.1ApplicationofPosturePredictioninHuman-ComputerInteraction

第1章緒論3場(chǎng)景中，要求視頻預(yù)測(cè)的實(shí)時(shí)性要更加嚴(yán)格。例如，在人機(jī)交互中，需要快速識(shí)別人體姿勢(shì)并做出早期預(yù)測(cè)；在車(chē)輛輔助系統(tǒng)中，有必要對(duì)道路狀況做出準(zhǔn)確，快速的判斷，并對(duì)行人過(guò)馬路之前可能發(fā)生的狀況做出決策。因此，在各種嵌入式設(shè)備中，需要同時(shí)考慮計(jì)算的復(fù)雜性和準(zhǔn)確性。圖1.1姿勢(shì)預(yù)....

圖2.1按時(shí)間展開(kāi)的循環(huán)神經(jīng)網(wǎng)絡(luò)圖

于當(dāng)前時(shí)刻的輸出層運(yùn)算，這也就是意味著各隱藏層之間是連接在一起的。RNN網(wǎng)絡(luò)的特征是很明顯的就比如存儲(chǔ)能力，參數(shù)共享機(jī)制還有圖靈完備（Turingcompleteness）等，所以當(dāng)使用該網(wǎng)絡(luò)用于學(xué)習(xí)數(shù)據(jù)序列的非線(xiàn)性特征時(shí)是非常有效果的[40]。通過(guò)研究近幾年來(lái)的RNN網(wǎng)絡(luò)，可以....

圖2.2沿著時(shí)間展開(kāi)的雙向循環(huán)神經(jīng)網(wǎng)絡(luò)Fig.2.2Bidirectionalrecurrentneuralnetworkspreadingalongtime

一有雙向循環(huán)神經(jīng)網(wǎng)絡(luò)（BidirectionalRNN，Bi-RNN）[41]。由于標(biāo)準(zhǔn)的RNN網(wǎng)絡(luò)在處理序列時(shí)，如果是按時(shí)間順序的序列通常會(huì)忽略將來(lái)的上下文信息。為了避免這種情況，最常見(jiàn)的一個(gè)處理方案是在輸入和目標(biāo)2者間增加一個(gè)延遲，然后向網(wǎng)絡(luò)添加一些時(shí)間步長(zhǎng)以添加將來(lái)的上下文....

圖2.3標(biāo)準(zhǔn)RNN模型

沈陽(yáng)工業(yè)大學(xué)碩士學(xué)位論文14的是LSTM網(wǎng)絡(luò)模型。根據(jù)下面2個(gè)圖中的內(nèi)部結(jié)構(gòu)可以明顯看出與標(biāo)準(zhǔn)的RNN網(wǎng)絡(luò)相比，LSTM的網(wǎng)絡(luò)結(jié)構(gòu)有了2種改進(jìn)分別是添加新的內(nèi)部狀態(tài)和引入了門(mén)控機(jī)制。圖2.3標(biāo)準(zhǔn)RNN模型Fig.2.3StandardRNNmodel根據(jù)2.1節(jié)內(nèi)容可以得知在標(biāo)準(zhǔn)....

本文編號(hào)：3911702