姿势识别开题报告优质PPT.ppt
- 文档编号:13941823
- 上传时间:2022-10-15
- 格式:PPT
- 页数:14
- 大小:936.48KB
姿势识别开题报告优质PPT.ppt
《姿势识别开题报告优质PPT.ppt》由会员分享,可在线阅读,更多相关《姿势识别开题报告优质PPT.ppt(14页珍藏版)》请在冰豆网上搜索。
本选题采用隐马尔科夫模型(HMM)作为分类器对采集的数据进行处理。
HMM有两个重要的特征:
首先,HMM模型适合多幅图像线索的融合,且提供离线训练;
其次,HMM能够学习不同类型数据的分布。
选题背景,研究目的和意义,具体方法,创新点,预期结果,姿势识别的流程框架,待识别姿势,Kinect,深度图像采集,3D骨架采集,动作特征提取(关节角度时间序列),隐马尔科夫模型,动作模板库,work1,work2,workN,识别结果,研究目的和意义,具体方法,选题背景,创新点,预期结果,Kinect传感器,深度数据流,应用开发,提取角度特征,Kinect传感器可以接受三种数据流,包括深度数据流、彩色图像数据流和音频数据流,获取人体内的二十个骨架关节点的三维坐标,算法总框架,研究目的和意义,具体方法,选题背景,创新点,预期结果,输入:
训练数据集,输入:
测试数据集:
提取特征-关节角,提取特征-关节角,训练隐马尔可夫分类器,训练成功的隐马尔可夫分类器,计算分类器匹配概率,找到概率中的最大值,输出:
动作识别结果,研究目的和意义,具体方法,选题背景,创新点,预期结果,特征提取流程,隐马尔可夫模型,是,研究目的和意义,具体方法,选题背景,创新点,预期结果,隐马尔可夫模型可以表示为一个五元组(S,V,A,B,p)S是一组状态的集合。
S=1,2,3,N(状态n对应坛子n)V是一组输出符号组成的集合。
V=v1,v2,v3,vM(v1对应红色小球)A是状态转移矩阵,N行N列。
A=aijaijP(qt1j|qti),1i,jNB是输出符号的概率分布。
B=bj(k)bj(k)表示在状态j时输出符号vk的概率bj(k)=P(vk|j),1kM,1jNp是初始状态概率分布p=pipi=P(q1=i)表示时刻1选择某个状态的概率。
实验环境,HMM的主要算法,1、前向后向算法此算法用于估值问题:
给定一个观察序列和模型,计算给定模型产生给定观察序列的概率。
2Viterbi算法此算法用于计算模型中的隐藏部分,如找出合理的状态序列。
3BaumWelch算法此算法用来优化模型参数,使其更好的描述观察序列。
创新点,选题背景,研究方案,具体方法,实验环境,创新点,预期结果,2)本文在特征提取方面,选择的是使用人体上的关节角角度变化来描述人体骨架,这样既考虑到了人体骨架的静态特征,同时也考虑到了人体骨架的动态特征。
3)在将特征向量用于隐马尔可夫分类器的时候,本文使用了一种动态编号组合的方式对观察值进行编码。
这样既降低了计算观察值编码时的时间复杂度,又省去了存储码书所需要的硬盘空间。
1)大部分已有的人体动作识别方法都是基于非人形特征进行识别的,即在进行特征提取过程时,特征往往是基于像素或者图像块的。
与以往常见的人体动作识别算法不同,本文所提出的方法Kinect传感器获取人体骨架信息,进行分析与识别,实验环境,PC机一台,双核2.50GHz,4G内存;
Kinect传感器,硬件平台,软件平台,Win7系统,VisulaStudio2010,具体方法,创新点,选题背景,研究方案,预期结果,实验环境,研究方案,具体方法,选题背景,创新点,实验环境,预期结果,预期结果,1、本选题是在Kinect三维骨架的基础上提出了一种关节角度变化序列运动特征模型。
以人体运动过程中的关节运动情况为切入点,发现关节的旋转角度决定了四肢在空间中的位置,则四肢的运动也必定能反映出关节角度的变化。
该模型通俗简单,计算复杂度低。
该算法之能够得到较好的识别精度,主要在于特征的提取是基于骨架的,而不是基于普通的视频,因此保证人体骨架的正确性,保证了识别的精度。
2、本选题提出基于HMM的人体姿势识别方法,将人体行为特性与HMM的参数设计相结合,通过限制状态数目和状念转移条件,提高人体行为识别的准确率并降低运算复杂度。
谢谢聆听!
Thanksforyourlistening!
答辩人:
战荫伟(教授),广东工业大学,
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 姿势 识别 开题 报告