基于深度学习的关节点行为识别综述

关节点行为识别由于其不易受外观影响、能更好地避免噪声影响等优点备受国内外学者的关注,但是目前该领域的系统归纳综述较少。该文综述了基于深度学习的关节点行为识别方法,按照网络主体的不同将其划分为卷积神经网络(CNN)、循环神经网络(RNN)、图卷积网络和混合网络。卷积神经网络、循环神经网络、图卷积网络分别擅长处理的关节点数据表示方式是伪图像、向量序列、拓扑图。归纳总结了目前国内外常用的关节点行为识别数据集,探讨了关节点行为识别所面临的挑战以及未来研究方向,高精度前提下快速行为识别和实用化仍然需要继续推进。

基于行人姿态特征的人群计数算法

随着智慧城市的快速发展,依据监控视频获取高质量的人群分析成为了亟待解决的问题,人群计数更是人群分析的关键要素。然而,基于目前的工作,行人检测场景下的计数方法难以达到实时准确的要求。提出了一种新型的基于2D人体姿态估计的人群计数算法,通过优化人体关节点检测和肢体连接方式,用于生成高质量的人数估计。该算法由三部分构成:以VGG-19作为骨干网络加入特征金字塔(FPN)的网络结构使识别出的人体关节点更多,利用最小权重生成树结构的肢体连接优化方式为小尺寸行人确定最佳匹配,构建高区分度骨架的关联评分过程。该算法明显提升了关节点识别精度与实时性,降低了计数误差。在MPII测试集上的mAP性能比OpenPose高5.3%。与CP-CNN相比,帧率是它的300倍。在SHB测试集的结果表明,该算法比基于检测的方法计数精度更高。

人体运动图象恢复

对于运动图像 ,除了用于特殊研究的高速摄影图像外 ,一般的运动影视图像比静态的图像存在着更多的噪声。对视频图像的噪声滤波之后 ,图象的恢复对后面图象的边缘处理、轮廊提取、人体关节点识别等有着重要的意义。

基于深度学习的配电高压操作机器人运动控制技术研究

随着人工智能的快速发展,体感控制成为机器人人机交互的热点方向,如何快速且准确地识别人体姿态是完成体感控制的一大难点。此次研究将通过改进后的YOLOv4模型检测人体框架,改进后的堆叠沙漏网络模型识别关节点,以提高人体姿态识别的速度和准确率;并针对机器人上半身手臂运动和下半身步态控制的特点,开发关节点映射算法来对机器人进行体感控制,解决配电高压操作机器人进行人机交互时容易摔倒的问题。结果表明,改进后YOLOv4网络检测人体目标的最好结果为84.37%,改进堆叠沙漏网络模型的收敛损失函数为0.096,PCK值为88.3%;研究模型的识别速度均值较CPN模型提高了21.5 s,表明研究模型在提高人体姿态识别准确率的同时,提高了体感控制的效率,在体感控制领域有一定的研究价值。