基于AlphaPose姿态识别模型的武术评价研究与实验

以传统武术项目为切入点设计实验,利用深度学习模型智能完成武术评价矫正任务,解决使用者时间个性化和评价稳定性的需求。针对相关难点和痛点,设计了准确有效的动作评估方法、迁移向量自适应被测试目标身体比例的匹配机制;对于具有预存模型的单人评价与矫正提示任务,解决了基准动作向量与被测试目标动作向量之间的时间序列和空间序列匹配问题,测试实验结果表明了动作评价矫正方法的有效性。

基于Alphapose的跑步动作识别设备

近年人们的健康意识不断提高,全民健身热潮也随之来临,然而大量因运动姿势和运动习惯不当引起的损伤令人担忧。临床研究表明,不合理的健身动作会造成关节磨损、肌肉拉伤,甚至跟腱永久性损伤。因此开发一款能够帮助人们进行运动姿态辅助识别的设备具有深远意义。该设备通过Retinaface技术识别使用者身份,并通过Alphapose姿态识别技术和DTW技术,利用“设备+手机+服务器”的架构模式,将跑者的运动姿态与数据库中标准姿态进行对比,实时监测运动状态并给予对应的语音提示和建议。

基于AlphaPose的行人重识别姿态评价方法

行人重识别旨在不同时间、不同摄像头拍摄范围中检索特定目标行人,在实际应用场景中,可能会存在行人被严重遮挡的图像,不仅不利于行人检测,还会消耗大量的时间.行人姿态检测可以通过定位行人关键点位置判断行人是否存在遮挡,因此,本研究提出在重识别检测之前,对行人姿态进行分析,提出一种基于AlphaPose的重识别行人姿态评价方法.首先,利用AlphaPose进行姿态检测,得到行人各个关键点的置信度;然后,利用各个关键点的置信度得到各个行人的姿态评分;最后,根据姿态评分结果筛选出多个测试集进行验证分析.利用torchreid框架在数据集DukeMTMC-reID及Market1501进行实验,实验结果表明,与初始测试集相比,筛选后的测试集检测效率明显提高,且mAP和rank-n值也有所提高.

基于改进YOLOv7的苹果生长状态及姿态识别

针对目前苹果在复杂环境下难以进行生长状态分类识别、姿态信息同步获取等问题,该研究提出了一种基于改进YOLOv7的苹果生长状态分类和果实姿态融合识别方法。首先改进多尺度特征融合网络,在骨干网络中增加160×160的特征尺度层,用于增强模型对微小局部特征的识别敏感度;其次引入注意力机制CBAM(convolutional block attention module),改善网络对输入图片的感兴趣目标区域的关注度;最后采用Soft-NMS算法,能够有效避免高密度重叠目标被一次抑制从而发生漏检现象。此外,结合UNet分割网络和最小外接圆及矩形特征获取未遮挡苹果姿态。试验结果表明,改进YOLOv7的识别精确率、召回率和平均识别精度分别为86.9%、80.5%和87.1%,相比原始YOLOv7模型分别提高了4.2、2.2和3.7个百分点,另外苹果姿态检测方法的准确率为94%。该文模型能够实现苹果生长状态分类及果实姿态识别,可为末端执行器提供了抓取方向,以期为苹果无损高效的采摘奠定基础。

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。

基于生成对抗网络的多姿态人脸识别算法

头部姿态角转换会造成人脸成像多姿态变化,人脸离散数据的高斯分布混乱,无法准确地反映人脸多姿态的任意性和连续性,存在识别效果差的问题。引入生成对抗网络理论,设计多姿态人脸识别算法。对获取到的不同角度人脸图像,实施多姿态人脸校正与旋转残差注意力计算,解决当前头部姿态估计方法对不同人脸兴趣区域不稳健的问题。设计生成对抗网络进行双路循环优化,在生成的对抗网络中,参考CASIA-Net网络结构,使用深层次网络结构,每一层都有一个3*3的卷积核。所提出的设计可以降低网络参数,增强网络的非线性度,实现高效的面部特征提取,构建人脸多姿态识别模型,并完成人脸识别。通过实验结果表明,所提算法针对多姿态人脸识别效果好,在人脸不同姿态变化过程中,识别率始终在97%以上,更适用于多姿态人脸识别。

基于人体图像生成的姿态无关人物识别

人物识别技术能够使机器人具备对用户身份识别的能力,从而有效提高机器人的智能交互水平。人物识别面临的主要挑战之一是姿态的变化对人物身份特征提取的影响。针对该问题,提出基于人体图像生成的姿态无关人物识别方法,通过生成与库中目标人物相同姿态的人体图像,消除姿态变化对人物外观特征造成的影响。该方法首先利用人体分割图将人体区域与背景分离,尽量降低复杂多变的背景对人物外观特征的干扰;然后在目标姿态的引导下生成与目标图像姿态一致的人物图像;最后设计了一个特征融合模块将源图像和生成图像的身份特征进行融合,提取姿态无关的鲁棒身份特征用于人物识别。此外,为更好地区分不同的人物,在训练中生成相同姿态的负样本,对约束模型学习更为细粒的可鉴别性身份特征。人物识别和人体图像生成的实验结果验证了该方法的有效性。

基于关键点亲和场与支持向量机的人体姿态识别

针对传统动作姿态识别仍需物理数据采集设备或深度体感设备进行手工提取特征的问题,提出一种基于关键点亲和场与支持向量机的人体姿态识别方法。以关键点亲和场为核心进行关节点检测,获取各种姿态下的18个关节点坐标信息,使用标准化后的坐标数据对支持向量机模型加以训练,选择不同的高斯核函数进行对比。实现在没有人体深度信息和无穿戴设备的情况下,只使用普通RGB图片便可对人体姿态进行分类识别的效果。实验表明它在KTH数据集、Weizmann数据集中的识别效果良好;在自采集数据集中与带有传感器的方法相比,缩减操作步骤的同时准确率提高了7百分点。另外,还在保持关节点检测不变的情况下,使用随机森林、KNN算法进行姿态分类对比,实验结果证明该方法优于后两者。

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。

姿态引导与特征增强结合的遮挡行人重识别

为解决现有遮挡行人重识别方法只注重于引入外部信息而忽略特征增强的问题,提出一种姿态引导与特征增强结合的遮挡行人重识别方法。将小步幅的滑动窗口引入VIT(Vision-Transformer),使网络获取局部的细微特征,将特征经过遮挡消除模块,消除遮挡带来的干扰;在模型中融入人体姿态估计网络,辅助模型解决遮挡带来的语义信息缺失问题;通过CBN模块提高模型的学习能力,使模型学习到更多高级语义信息。在遮挡行人重识别主流数据集Occluded-DukeMTMC上达到69.8%的Rank-1准确率以及63.2%的mAP,优于现有的其它方法,在整体行人重识别数据集上也取得了具有竞争力的结果。

监控管理中基于交叉姿态平滑的行人重识别

现有行人重识别缺乏对局部上下文信息之间的关联,且由于局部图像中存在许多与行人身份无关的信息,使用与全局图像相同的标签去学习局部信息会产生许多噪声。为缓解以上问题,提出一种基于交叉姿态平滑的行人重识别方法。整个方法分为两个模块,提出一种关键点语义交叉划分策略获取具有交叉语义关联的局部上下文信息;设计一个基于相对姿态上下文的局部伪标签平滑方法,使模型学习到更多局部区域的细微姿态差异。实验结果表明,所提方法在公开数据集上的表现优于其它最新方法,有效提升了模型对行人姿态细微变化的鲁棒性与鉴别能力。

基于立体视觉与姿态识别的天轨机器人跟踪伺服控制

针对双足机器人步态训练平台自动化程度低,调试步态的过程中单人操作时辅助机器人行走和状态信息实时观测协调困难的问题,该文提出了一套基于立体视觉和姿态识别的天轨机器人跟踪伺服系统。首先利用双目相机取景,对左右目相机画面进行匹配后获取图像中每个像素点的深度信息,基于获取到的带有深度信息的图像,对双足机器人的姿态进行识别,获取每个关节点的深度信息,根据关节深度信息判断双足机器人运动状态制定跟踪策略进行伺服控制,由于引入了姿态识别,可以根据双足机器人的姿态变化实现更高程度的自动化跟踪保护。实验结果表现出高自动化程度和高动态的跟踪表现。

基于RFID的人体姿态识别方法研究

人体姿态感知是未来智能护理场景的主要挑战之一。然而,视觉技术会涉及遮挡、光线条件、侵犯隐私等问题;可穿戴运动跟踪设备会增加人体负担,降低舒适性。针对以上问题,提出了一种基于射频识别(RFID)的方法进行全肢体姿态估计,能够有效克服遮挡、穿戴舒适性差等问题。首先基于相位差信息提出了一种细粒度肢体运动模型,通过构建似然函数来进行人体关节角度估计;引入正运动学构建多肢体联合运动模型,结合双天线融合算法进行三维关节角度估计;最后结合人体骨骼模型与肢体关节角度来重建人体姿态。实验结果以Kinect 2.0为标准,测得的四肢平均关节角度误差约为6°,平均关节位置误差约为4cm,表明该系统可以有效地实时监测全肢体姿态。

基于姿态估计和Transformer模型的遮挡行人重识别

行人重识别(re-identification,ReID)是利用人工智能解决边防检查、人员追踪等公共安全应用问题的技术,具有从跨设备采集的图像中识别某一特定行人的能力。但是在人员追踪等问题中,往往会出现行人刻意遮挡、复杂场景环境遮挡等因素,大大提高了行人重识别的难度。针对行人重识别遮挡问题,基于ResNet50网络,结合姿态估计和Transformer模型,提出了一种改进的行人重识别网络PT-Net,以提高遮挡条件下的行人重识别能力。该方法首先利用现有的姿态估计方法对输入图像进行关键点检测,并将关键点信息与行人特征图像结合起来生成一个基于姿态的行人特征表示;然后利用Transformer模型对基于姿态的行人特征表示编码,用来实现特征对齐和特征融合。基于国际公开的数据集Occluded-Duke开展实验验证。结果表明:PT-Net方法相对于基线模型,其均值平均精度(mAP)和相似度排序Rank-1指标分别提高了1.3、1.5个百分点,验证了该方法的有效性和优越性。

融合姿态信息和注意力机制的行人重识别研究

针对行人重识别(person re-identification,Re-ID)任务中行人遮挡以及背景信息杂乱不便于提取具有辨识度特征的问题,引入人体关键点模型定位出行人的关键点坐标以便于消除背景信息,根据关键点坐标将图片分割成具有语义信息的区域块。对于骨干网络,为使其提取的特征更加鲁棒,设计一个强化注意力模块(enhanced attention module,EAM),使网络自动分配权重,最终得到更加具有辨识度的特征向量。最后将这些区域块和整体图片送入修改后的注意力机制的神经网络并且联合多个损失一起优化网络。在几个行人重识别数据集试验验证了本研究提出方法优于大多数方法。试验结果还表明该网络针对跨域以及遮挡问题也起到积极作用。

人工智能辅助姿态识别和运动处方的研究

推进体育核心素养有效转化和成功落实,提高体育在中考的分数占比,是当前我国学校体育现代化建设和革新的重点和抓手。为应对目标任务繁重而体育资源有限的问题,针对立定跳远、引体向上等中学生普遍开展的体测内容,采用人工智能技术研究能够有效评估和辅助提高学生基础动作训练水平的姿态评鉴和处方系统。研究内容包括标准动作模型的建立、现场动作采集及与标准动作的对比判定、生成学生动作改进建议三部分,最终形成一套智能的基础体育动作识别、标准程度评估和体质提升建议系统。

基于姿态引导注意力机制的跨域行人重识别

基于监督学习的行人重识别需要大量有标注数据的支持,模型可扩展性差。在实际应用中,更关注如何提高无标注数据的目标域行人重识别准确度的问题。因此,提出一种基于姿态引导注意力机制的跨域行人重识别方法。首先,使用源域的标注数据训练一个行人姿态引导的注意力模块,作为遮挡预测器区分图像中的行人有效区域和被遮挡区域。然后,在无标注的目标域数据集训练过程中融入该预测器,屏蔽因遮挡产生的干扰信息,并计算行人特征亲和度矩阵,为无标注数据生成软标记,更新和优化目标域的训练网络。在3个大规模公共数据集Market-1501、DukeMTMC-reID和MSMT17上分别进行了跨域试验,结果表明,在首位命中率(Rank-1)和平均精确度2个评价指标上,所提方法与现有方法相比均有明显提升。

基于宽度学习的头部姿态情绪识别算法

在情绪识别领域,对静态面部表情和语音信号的情绪分类已经相对成熟,但对姿态动作尤其是头部姿态这一单模态的情绪分类研究相对较少。本文提出了一种基于头部姿态欧拉角特征的宽度学习系统Broad Learning System(BLS)情绪识别算法。通过面部重要特征点定位的方法求取头部的三维欧拉角,在视频数据上构造头部姿态特征的时间序列然后利用BLS网络构建情绪识别模型。利用中科院自动化所发布的视频情绪数据集CHEAVD2.0(Chinese Natural Audio-Visual Emotion Database)对该模型进行了训练和验证。该模型结构简单,训练快速,实验结果表明头部姿态动作也包含了重要的人类情感信息,对情绪的识别有着重要影响,基于头部姿态欧拉角特征的BLS情绪识别模型在视频数据上对头部模态的情绪识别有着较高的准确率。

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。