目錄 \n
前言 \n
第1章 人體目標跟蹤算法研究 1 \n
1.1 研究背景和意義 1 \n
1.2 人體目標跟蹤算法的研究現狀 3 \n
1.2.1 人體目標跟蹤的重要組成部分 3 \n
1.2.2 人體目標跟蹤算法分類 6 \n
參考文獻 10 \n
第2章 可變形卷積神經網絡算法跟蹤器 13 \n
2.1 卷積神經網絡 13 \n
2.2 可變形卷積神經網絡 16 \n
2.2.1 可變形卷積的構建 16 \n
2.2.2 可變形網絡理論 18 \n
2.2.3 可變形網絡反向傳播 21 \n
2.3 可變形卷積神經網絡算法的設計 21 \n
2.3.1 MDNet跟蹤算法概述 21 \n
2.3.2 DCT網絡設計 22 \n
2.3.3 DCT算法軟化損失函數 23 \n
2.3.4 DCT跟蹤器算法設計 25 \n
2.3.5 DCT算法性能優(yōu)化 27 \n
2.4 本章小結 33 \n
參考文獻 33 \n
第3章 通道注意力形變算法跟蹤器 35 \n
3.1 注意力基礎知識 35 \n
3.2 通道注意力形變網絡設計 36 \n
3.2.1 CDCT的組歸一化 36 \n
3.2.2 通道注意力形變模塊設計 37 \n
3.2.3 CDCT跟蹤算法設計 40 \n
3.3 跟蹤器性能比較 41 \n
3.3.1 CDCT性能對比 41 \n
3.3.2 對比實驗 42 \n
3.4 本章小結 43 \n
參考文獻 43 \n
第4章 3D骨架朝向數據的幾何代數表示與集成方法研究 45 \n
4.1 3D骨架朝向數據應用 45 \n
4.2 骨架數據獲取方法 46 \n
4.2.1 直接獲取3D骨架數據 46 \n
4.2.2 3D姿態(tài)估計和骨架構造 50 \n
4.3 信息表達 50 \n
4.3.1 關于關節(jié)位移的表征 50 \n
4.3.2 基于關節(jié)方向的表征 51 \n
4.3.3 基于原始關節(jié)位置的表征 52 \n
4.3.4 多模態(tài)表征 53 \n
4.3.5 小結 53 \n
4.4 表征編碼 54 \n
4.4.1 基于連接的編碼 54 \n
4.4.2 基于統(tǒng)計的編碼 54 \n
4.4.3 基于詞袋的編碼 55 \n
4.4.4 小結 55 \n
4.5 結構和拓撲變換 55 \n
4.5.1 基于低級特征的表征 55 \n
4.5.2 基于身體部位模型的表征 56 \n
4.5.3 基于流行的表征 56 \n
4.5.4 小結 57 \n
參考文獻 57 \n
第5章 幾何代數基礎 63 \n
5.1 幾何代數 63 \n
5.2 外積 63 \n
5.3 內積 66 \n
5.4 幾何積 68 \n
5.5 逆運算和倒運算 72 \n
5.6 叉積 73 \n
5.7 反射和旋轉 73 \n
5.7.1 反射 73 \n
5.7.2 旋轉 75 \n
5.8 本章小結 78 \n
參考文獻 78 \n
第6章 基于幾何代數的人體姿態(tài)朝向描述符及集成動作分類算法介紹 79 \n
6.1 人體的姿態(tài)描述與內在關系 79 \n
6.2 基于幾何代數的人體姿態(tài)朝向描述符 80 \n
6.2.1 基于幾何代數的人體關節(jié)旋轉描述 81 \n
6.2.2 基于幾何代數的人體關節(jié)角度描述 87 \n
6.3 基于幾何代數的人體姿態(tài)朝向表征及集成動作分類方法 90 \n
6.3.1 基于幾何代數的人體姿態(tài)朝向表征 90 \n
6.3.2 集成動作分類方法 90 \n
6.4 線性及非線性GA-SVM 93 \n
6.4.1 線性GA-SVM 93 \n
6.4.2 非線性GA-SVM 96 \n
6.5 本章小結 97 \n
參考文獻 98 \n
第7章 基于幾何代數的人體姿態(tài)朝向表征算法分析、驗證及應用 99 \n
7.1 基于Kinect V2骨骼朝向數據集 99 \n
7.2 在數據集SZU-3D-SOEARD上的表征和分類算法分析、驗證 101 \n
7.3 在數據集SYSU-3D-HOI上的表征和分類算法分析、驗證 111 \n
7.4 基于單幀人體姿態(tài)朝向表征的在線實時姿態(tài)校準系統(tǒng) 113 \n
7.5 本章小結 117 \n
參考文獻 118 \n
第8章 基于運動目標的光流信息以及光流網絡介紹 119 \n
8.1 光流法的基本概念 119 \n
8.2 L-K光流法及改進算法 120 \n
8.2.1 L-K光流算法 121 \n
8.2.2 L-K金字塔光流算法 121 \n
8.3 光流網絡的分類 122 \n
8.3.1 光流卷積網絡FlowNet 122 \n
8.3.2 光流卷積網絡FlowNet 2.0 124 \n
8.3.3 光流網絡 TV-Net 125 \n
8.4 本章小結 128 \n
參考文獻 129 \n
第9章 基于光流法的抗魯棒跟蹤算法 130 \n
9.1 CMT跟蹤算法詳解 130 \n
9.1.1 靜態(tài)相適應匹配 130 \n
9.1.2 非相似性方法 131 \n
9.1.3 特征點匹配優(yōu)化 131 \n
9.2 虛擬特征點的補充 132 \n
9.3 模糊邏輯的權重選擇 133 \n
9.3.1 模糊邏輯的概念 133 \n
9.3.2 模糊集合和模糊規(guī)則 133 \n
9.3.3 模糊神經網絡 135 \n
9.3.4 基于模糊邏輯的判斷 136 \n
9.3.5 權重的相適應性 137 \n
9.4 實驗結果與分析 139 \n
9.5 本章小結 140 \n
參考文獻 140 \n
第10章 基于光流卷積網絡的Siamese雙路輸入模型介紹 142 \n
10.1 端到端訓練的Siamese框架跟蹤模型 142 \n
10.1.1 算法框架一深度相似性學習 142 \n
10.1.2 算法細節(jié) 144 \n
10.1.3 SiamFC算法跟蹤結果 145 \n
10.2 基于光流網絡的檢測幀模型 146 \n
10.2.1 檢測幀融合模型 146 \n
10.2.2 模板更新分析 150 \n
10.3 基于光流網絡的注意力模型 151 \n
10.3.1 注意力機制 151 \n
10.3.2 通用解碼-編碼注意力模型 151 \n
10.3.3 基于光流網絡的注意力模型 153 \n
10.3.4 滴漏注意力模型 154 \n
10.4 實驗結果 156 \n
10.4.1 SiamFlow實驗 156 \n
10.4.2 對比實驗 158 \n
10.5 本章小結 160 \n
參考文獻 160 \n
第11章 生理機能評估研究 162 \n
11.1 研究背景 162 \n
11.2 生理機能 162 \n
11.2.1 運動功能 163 \n
11.2.2 感官功能 164 \n
11.2.3 認知功能 165 \n
11.2.4 免疫功能 165 \n
11.2.5 皮膚功能 165 \n
11.3 生理機能評估 165 \n
11.4 國內外發(fā)展現狀 167 \n
參考文獻 168 \n
第12章 基于Kinect深度攝像頭的生理機能評估 171 \n
12.1 Kinect深度攝像頭簡介 171 \n
12.1.1 Kinect 深度攝像頭 171 \n
12.1.2 骨豁跟蹤 172 \n
12.2 關節(jié)活動度評估 174 \n
12.2.1 肘及膝關節(jié)活動表征 175 \n
12.2.2 肩髖關節(jié)活動度表征 175 \n
12.2.3 頸椎關節(jié)活動度表征 176 \n
12.2.4 Kinect關節(jié)角度采集及驗證 177 \n
12.3 動作檢測分析 178 \n
12.3.1 DTW匹配算法 178 \n
12.3.2 DTW算法改進 181 \n
12.3.3 DTW改進算法分析及驗證 183 \n
12.4 步態(tài)評估 190 \n
12.4.1 步態(tài)評估表征數據的提取 190 \n
12.4.2 K近鄰算法 192 \n
12.4.3 步態(tài)評估結果 194 \n
12.5 基于Kinect V2的快速上肢評估 195 \n
12.5.1 快速上肢評估 195 \n
12.5.2 基于Kin2-RULA的快速上肢評估 196 \n
12.5.3 實驗結果與分析 199 \n
12.5.4 基于Kin2-RULA的生理機能評估 201 \n
12.6 本章小結 201 \n
參考文獻 202 \n
第13章 基于立體攝像頭的生理機能評估 204 \n
13.1 基于立體攝像頭的3D人體姿態(tài)評估模型 204 \n
13.1.1 立體攝像機標定 205 \n
13.1.2 幀同步 208 \n
13.1.3 2D人體姿態(tài)評估 208 \n
13.1.4 濾波處理 210 \n
13.1.5 3D人體姿態(tài)重建 211 \n
13.2 3D人體姿態(tài)評估模型實驗驗證 212 \n
13.2.1 手標獲取標準庫方法驗證 213 \n
13.2.2 3D人體姿態(tài)評估驗證 214 \n
13.3 基于人體姿態(tài)評估模型的生理機能評估 218 \n
13.3.1 基于人體姿態(tài)評估模型的TUG評估 218 \n
13.3.2 步態(tài)評估 220 \n
13.4 本章小結 221 \n
參考文獻 221
鄂公網安備 42010302001612號 