目前对人体姿态骨骼关键点检测存在两个研究难点,一是如何由2D姿态进行3D人体姿态估计,另一个是标准数据库和用户上传的视频动作在时间上不匹配。为此,本文提出基于空洞转置卷积的沙漏结构(Dilated and Transpose Convolutions Hourglas...目前对人体姿态骨骼关键点检测存在两个研究难点,一是如何由2D姿态进行3D人体姿态估计,另一个是标准数据库和用户上传的视频动作在时间上不匹配。为此,本文提出基于空洞转置卷积的沙漏结构(Dilated and Transpose Convolutions Hourglass,DTCH)神经网络;然后应用卡尔曼滤波算法进行数据降噪处理,最后利用动态时间规整(Dynamic Time Warping,DTW)算法提高患者运动时姿态匹配的准确性。在仿真实验中,该模型在Human3.6M数据集上的平均每关节位置误差(MPJPE)与相关研究的最佳结果相比减少了11%,可以精确高效地实现3D人体姿态估计。展开更多
本文对坐姿识别技术采用图像方式进行分析,利用Part-Aware Long Short-Term Memory(P-LSTM,部分感知长短期记忆网络)算法进行坐姿识别,P-LSTM算法的长期记忆特性,解决了信息依赖问题。在树莓派中移植PoseNet(姿态网)模型对图片关键点和...本文对坐姿识别技术采用图像方式进行分析,利用Part-Aware Long Short-Term Memory(P-LSTM,部分感知长短期记忆网络)算法进行坐姿识别,P-LSTM算法的长期记忆特性,解决了信息依赖问题。在树莓派中移植PoseNet(姿态网)模型对图片关键点和坐标进行识别,利用PoseEngine(姿态引擎)对采集到的关键点和关键点置信度进行最终确认,将得到的估计坐标和置信度与健康阈值数据比较,从而判定坐姿姿态是否健康。展开更多
基于现有的一些人体摔倒检测模型实现复杂,适用性差等缺点,本文提出了一种新的更加简便,适用性更强的人体摔倒检测模型。该模型是一种基于GRU神经网络和人体骨骼关键点的人体摔倒检测模型。该模型中,先通过Alphapose对每一帧图像进行人...基于现有的一些人体摔倒检测模型实现复杂,适用性差等缺点,本文提出了一种新的更加简便,适用性更强的人体摔倒检测模型。该模型是一种基于GRU神经网络和人体骨骼关键点的人体摔倒检测模型。该模型中,先通过Alphapose对每一帧图像进行人体骨骼关键点识别与检测,然后将得到的骨骼关键点数据进行归一化数据处理,再分组输入到GRU神经网络中进行时序特征提取,最后将GRU模型中隐含层的输出向量输入到全连接层进行处理并得出检测结果。本文使用的是UR Fall Detection Dataset热舒夫大学摔倒数据集进行测试实验,并与多种检测模型的实验性能进行了横向对比。实验结果表明本文的模型在多场景,多视角和多种摔倒姿势等情况下较其他模型都有较高的检测精度,且实现难度较其他模型而言要低。展开更多
文摘目前对人体姿态骨骼关键点检测存在两个研究难点,一是如何由2D姿态进行3D人体姿态估计,另一个是标准数据库和用户上传的视频动作在时间上不匹配。为此,本文提出基于空洞转置卷积的沙漏结构(Dilated and Transpose Convolutions Hourglass,DTCH)神经网络;然后应用卡尔曼滤波算法进行数据降噪处理,最后利用动态时间规整(Dynamic Time Warping,DTW)算法提高患者运动时姿态匹配的准确性。在仿真实验中,该模型在Human3.6M数据集上的平均每关节位置误差(MPJPE)与相关研究的最佳结果相比减少了11%,可以精确高效地实现3D人体姿态估计。
文摘本文对坐姿识别技术采用图像方式进行分析,利用Part-Aware Long Short-Term Memory(P-LSTM,部分感知长短期记忆网络)算法进行坐姿识别,P-LSTM算法的长期记忆特性,解决了信息依赖问题。在树莓派中移植PoseNet(姿态网)模型对图片关键点和坐标进行识别,利用PoseEngine(姿态引擎)对采集到的关键点和关键点置信度进行最终确认,将得到的估计坐标和置信度与健康阈值数据比较,从而判定坐姿姿态是否健康。
文摘基于现有的一些人体摔倒检测模型实现复杂,适用性差等缺点,本文提出了一种新的更加简便,适用性更强的人体摔倒检测模型。该模型是一种基于GRU神经网络和人体骨骼关键点的人体摔倒检测模型。该模型中,先通过Alphapose对每一帧图像进行人体骨骼关键点识别与检测,然后将得到的骨骼关键点数据进行归一化数据处理,再分组输入到GRU神经网络中进行时序特征提取,最后将GRU模型中隐含层的输出向量输入到全连接层进行处理并得出检测结果。本文使用的是UR Fall Detection Dataset热舒夫大学摔倒数据集进行测试实验,并与多种检测模型的实验性能进行了横向对比。实验结果表明本文的模型在多场景,多视角和多种摔倒姿势等情况下较其他模型都有较高的检测精度,且实现难度较其他模型而言要低。