复杂人机共融场景中人体姿态识别及避碰策略综述

智能机器人与人类智慧的融合,即人机协作共融,已经实现了将机器人的机械优势和人类的高级认知能力集中于同一个工作架构之中,能够在复杂环境中协同作业,从而提高效率。针对复杂的人机共融场景,特别是机器人在诸如光线条件变化、背景干扰以及运动过程,对比总结了基于机器视觉的人体姿态识别方法和基于机器学习的避碰策略,详细比较各类方法的研究现状及应用,并探讨了基于深度学习的目标识别和避碰方法的发展及应用。

基于深度学习的人体姿态识别算法研究

人体姿态识别技术具有巨大的研究价值及广泛的应用前景。提出一种基于深度学习的人体姿态识别算法及能量序列改进Openpose算法,提取人体骨骼关键点,结合卷积神经网络(CNN)和长短期记忆网络(LSTM)捕获人体骨架数据空间与时间特征,得到最终的分类和识别结果,在数据集上验证。实验结果表明,提出的算法在人体姿态识别任务上取得了较好的性能。

基于改进人工神经网络的人体姿态识别方法在人机交互医疗设备中的应用

为提升人机交互医疗设备对久坐不动、常年卧床等状态下人体的监测效果,在利用无线体域网建立人体姿态识别系统的基础上,设计了相应的改进人工神经网络与无线体域网系统进行融合,并将其应用于人机交互医疗设备中;结果表明,在HiEve数据集中,该方法于20次迭代时开始收敛,损失函数值为0.0112;在患者不同姿势的识别验证中,该方法下的人机交互医疗设备识别准确率均显著高于90%,并且耗时最短仅为23.16 s,具有较高的识别准确率和效率,为人体姿态识别及相关医疗设备的应用提供了更为可靠的技术参考。

基于人体姿态识别的无人机控制系统设计与实现

研究了一种基于人体姿态识别的无人机控制系统,该系统能够通过识别人体姿态来实现对无人机的控制。该控制系统具有较高的精度和健壮性,能够实现无人机的自主控制和高效运行。首先介绍无人机控制系统的基本概念和原理,接着详细描述了基于人体姿态识别的无人机控制系统的构建过程和实现方法,并分析了该系统的优缺点和应用前景。最后,对未来的研究方向进行了展望。

基于SVM的人体姿态识别技术研究

随着科技发展,可穿戴式的传感器研究越发得到重视,显现出低功耗、便携性高、低成本以及使用场景不受限制等优势。其中重要的一方面应用就是人体姿态识别,为了识别日常生活中站姿、跪姿以及卧姿三种不同姿态而进行研究。根据人体姿态识别技术理论分析和应用需求选择单传感器进行姿态识别的方案。选用六轴传感器MPU6050结合STM32单片机硬件的方案,采集三种不同姿态的加速度以及角速度数据,经小波去噪和四元数转换后,基于高斯核函数的一对一支持向量机算法对人体姿态进行分类,模型训练框架基于TensorFlow,验证了利用机器学习算法解决三种人体姿态识别问题的可行性。

基于三维多视点网球运动数据集的人体姿态识别与估计方法

人体姿态识别因其自身优势已在各个领域得到广泛运用,但由于网球运动中存在环境噪声、数据遮挡、视点变化、身体大小等制约条件,各类动作的姿态识别仍然具有一定的难度.为了提高人体姿态的识别能力,提高网球运动员在赛场上的技战术以及体能分配,从深度贴图和骨骼关节两种不同的数据类型出发,提出了基于三维多视点网球运动数据集的人体姿态识别与估计方法,同时为了获得特征集数据,采用3种不同的卷积神经网络模型进行训练,并将结果融合到最终动作分类中.最后,通过两个标准数据集验证了所提方法的准确性.

基于改进YOLO V7的校园人体姿态识别

校园人体姿态检测对于监管人员快速识别人体行为,保证校园稳定具有重要意义。针对目前校园人体姿态识别主要依赖人工,效率低下的问题,提出一种基于改良的YOLO V7快速检测模型。首先引入尺寸大小自适应输入模块对输入图像进行标准化和归一化处理,提高模型的适应能力;然后将YOLO V7模型进行剪枝处理提高检测效率;再定义了19个关节点作为人体姿态的特征点,最后使用关节点匹配模块提高关节点匹配的准确率。经过实验,模型可以每秒检测44张图像,检测精度在mAP@0.5时可以达到0.955,相较于原始的YOLO V7检测速率和精度均有所提升。

PBL在人工智能课程教学中的探究运用——以“探秘机器学习:人体姿态识别”为例

《普通高中信息技术课程标准(2017年版)》指出:培养以学习为中心的教与学关系,在问题解决过程中提升信息素养,鼓励学生在不同的问题情境中,运用计算思维形成解决问题的方案。基于此背景,本案例尝试“以问题的效能特征导向教学发生,以问题的概念航标导向教学设计,以问题的学习结果导向教学理解,以问题的使用技巧导向教学过程”的问题导向的PBL教学,构建问题解决的教学流程。

改进随机森林及其在人体姿态识别中的应用

针对随机森林算法静态性、容易陷入局部最优等问题,提出了一种蜜蜂交配优化的随机森林算法,并将该算法应用于基于加速度传感器的人体姿态识别。设计了一套以三轴加速度传感器MMA7260与无线通信模块CC2430相结合的数据采集系统,采集了五种日常行为和一种异常行为;从加速度值中提取了近斜率、前后差、均值、均方根和信号幅值面积5类特征矢量;采用改进的随机森林算法训练行为模型和进行分类识别。实验结果表明:该算法能有效地识别六种行为,具有较高的分类预测准确率和行为识别率,且具有较强的稳定性、鲁棒性、全局寻优和抗噪声能力。

基于CNN和高速通信技术的医用人体姿态识别方法

为了快速、准确地获取人体跌倒信息,使跌倒病人及时获得救助,基于卷积神经网络(CNN)提出了一种人体姿态识别方法。该方法通过高速通信技术获取医院高清摄像头实时视频数据,利用OpenPose提取人体关键点并结合XGBoost分类器进行人体姿态估计。文中模拟医院场景进行单人与多人情况下的跌倒、正常行走和半蹲测试实验,再对分类结果建立一个状态序列集进行平滑处理,预测出是否有跌倒事件发生并及时进行告警。检测结果显示,所提出的方法准确度为99.75%、敏感度为100%、特异度为99.68%,可以准确地实现人体跌倒自动检测,且应用方便、实时性好。

无线传感器网络人体姿态识别算法

根据无线传感器网络与人体姿态识别技术的特点,设计了一套基于CC2430微控制射频芯片、MMA7260QT三轴模拟加速度传感器和人机交互图形界面的人体姿态识别系统。提出了一种人体姿态识别算法,通过实验论证了该算法的合理性和可行性,为后续应用开发奠定了基础。

基于支持向量机的多种人体姿态识别

为了实现对边防哨所等场合中无人监控的车辆、人体直立、哈腰、匍匐几种姿态的识别,提出了一种基于支持向量机的多种人体姿态识别方法.在对各种目标建立了样本库之后,提取了形状复杂性、矩形度、宽高比、头部矩形度等特征,利用支持向量机具有全局最优性和较好泛化能力的特点,进行了小样本的2类及多类目标分类识别,并和RBF神经网络的分类效果进行对比.实验结果表明,SVM不需进行网络迭代训练,求解速度明显高于RBF神经网络,且识别性能也优于RBF神经网络,并且采用径向基核的SVM性能最好.该方法识别率高,平均可达到96%,快速性好,识别速度平均为0.0172S,为小样本下的多目标分类及识别提供了理论和技术基础.

OpenPose算法人体姿态识别应用研究

针对传统图像提取算法、目标识别算法识别精度低,识别性单一,设备容量要求高,无法进行强度较高的交互而难以判断出手势发起人等问题。通过研究Openpose姿态估计算法,将多个关键点设为目标,再进行多目标距离进行处理具有较高的鲁棒性。该算法改进可以对手部和姿态进行单独编码,在人脸识别框架的基础下进行区域姿态的筛选,进而节约计算时间。

基于加速度传感器的人体姿态识别系统

设计了一种基于加速度传感器的人体姿态识别系统,系统采用MPU-6050九轴运动处理传感器采集人体的运动轨迹信号。当人体在做日常的一般运动以及突发跌倒时,三轴陀螺仪和三轴加速度计分别将其测量的模拟量转化为3个16位可输出的数字量,得到的结果直接送入单片机进行相关处理,然后经nRF2401无线传输模块传送到接收计算机。对人体的各种日常姿态进行检测,通过对各项实验数据进行观察分析,确定了人体跌倒的阈值以及根据人的生理特征设置了发生跌倒的倾斜角度,两者相结合进行人体姿态的识别与判读。在试验条件下,系统对跌倒识别的准确率平均为95%。

改进PSO优化神经网络算法的人体姿态识别

为了提高人体姿态的识别精度,提出一种基于改进的粒子群优化(PSO)神经网络的人体姿态识别算法。采用加速度传感器获取加速度信息,并在常用特征集的基础上,加入离散系数和曲线积分两种新特征作为神经网络的输入;在利用PSO神经网络参数的同时,通过控制概率,自适应地对粒子进行遗传操作,增强粒子跳出局部极小值的能力;采用训练后的神经网络对6种人体姿态进行识别。实验结果表明:该算法收敛速度和全局寻优能力得到了提高,与其他经典算法相比识别精度更高。

运用开端神经网络进行人体姿态识别

通过迁移深度神经网络在图像识别方面的经验,提出了一种基于Inception神经网络和循环神经网络结合的深度学习模型(InnoHAR),该模型端对端地输入多通道传感器的波形数据,利用1×1卷积对多通道数据的有机组合,不同尺度的卷积提取不同尺度的波形特征,最大池化过滤微小扰动造成的假阳性,结合时间特征提取(GRU)为时序特征建模,充分利用数据特征完成分类任务。相比已知最优的神经网络模型,在识别准确度上有近3%的提升,达到了state-of-the-art的水平,同时可以保证低功耗嵌入式平台的实时预测,且在网络结构组成上更加丰富,具有更大的潜力和挖掘空间。

超宽带雷达人体姿态识别综述

与传统摄像头相比,利用超宽带雷达进行人体姿态识别不仅对环境要求低、识别率高且能较好地解决摄像头存在视角盲区和易泄露隐私等问题。结合超宽带雷达系统的特性,对常见的超宽带脉冲信号进行了分析;针对当前的研究前沿,对超宽带雷达人体姿态识别的传统机器学习方法和深度学习方法进行分析,结合具体文献对具有代表性的支持向量机(SVM)和卷积神经网络(CNN)进行原理分析和模型的局限性进行了分析;提出超宽带雷达人体姿态识别的通用模型,分析了超宽带雷达人体姿态识别亟需解决的问题并对其未来发展方向进行了展望。

可穿戴式人体姿态识别系统研究进展

随着科技发展,基于可穿戴式传感器的研究逐渐得到重视,显现出功耗低、可携带性好、成本造价低、使用场景不受限制等独特优势。其中重要的一项应用是人体姿态识别,人体姿态识别过程主要分为人体运动信息采集、数据预处理、姿态角求解、模式识别特征的提取与识别。本文介绍了人体姿态识别技术的研究进程,总结了目前常用的传感器,最后对未来人体姿态识别技术发展进行展望。

利用改进生成对抗网络进行人体姿态识别

针对人体模型中某些重要关节点准确定位的问题,提出了一种新型深度卷积生成对抗网络以进行静态图像中人体姿态的估计的方法。该方法采用了深度卷积的堆叠沙漏网络来准确提取图像上关键关节点的位置,该网络的生成和辨别部分被设计用于编码第一层次结构(亲本)与第二层次结构(子本)中的空间关系,并且展示了人体部位的空间层次。生成器和判别器在网络中被设计为两部分,并按照顺序连接在一起用来编码外观可能的关系,同时为人体部位存在的可能性以及身体的每个部分与其亲本部分之间的关系进行编码。在静态图像中,可以较准确地识别人体模型关键节点以及大致人体姿态。该方法在不同的数据集上进行了实验,在大部分情况下,提出的方法获得的结果优于其他几种对比方法。

穿墙雷达多维参数人体姿态识别方法

现有的人体姿态识别方案大多数是从单一的角度来考察人体的姿态特征,但是仅采用距离像很难体现人体关节的位置信息,仅提取微多普勒特征有时会覆盖掉径向速度不明显的特征。为此,本文首先利用慢时间-距离像和慢时间-微多普勒谱图构建出人体姿态的三维张量数据集,扩展了人体姿态的特征维度,然后采用改进型瓶颈残差模块构成的神经网络提高了人体姿态的识别率。实验结果表明,通过对4名受试者的8种姿态进行训练和测试,该网络对人体姿态的三维张量数据集的识别率可达97.78%,相比于单一特征数据集的识别率提高了4%~7%。