-
题名基于骨架模型的人体行为分析
- 1
-
-
作者
朱凌飞
万旺根
-
机构
上海大学通信与信息工程学院
上海大学智慧城市研究院
-
出处
《电子测量技术》
2019年第8期68-73,共6页
-
文摘
随着深度学习运用到图像领域,姿态估计、行为分析等算法的性能得到显著提升,希望在利用较好模型基础上进一步分析,在尽可能短的时间内得到更直观的结果。2016年提出的沙漏堆网络对人体关节点进行多尺度、多阶段的训练,在MPII数据集上回归了16对关节点坐标,在单个11 G显存的GPU上的平均准确率为87.6%;连接关节点构建人体骨架模型,然后根据骨架模型的加权角和倾斜角等几何特征,进一步推断人体的动作和行为状态,最后对人体行为进行分类和判断,包括站立、直坐、躺下等常见7类动作,平均准确率为82%,优势在于有效降低计算量和处理时间。
-
关键词
神经网络
姿态估计
行为分析
沙漏堆模型
几何特征
-
Keywords
neural network
pose estimation
behavior analysis
stacked hourglass model
geometric features
-
分类号
TP391.41
[自动化与计算机技术—计算机应用技术]
TP183
[自动化与计算机技术—控制理论与控制工程]
-
-
题名面向智能体能检测系统的三维姿态估计方法研究及应用
- 2
-
-
作者
刘立业
盖璇
-
机构
东北石油大学
-
出处
《自动化与仪器仪表》
2023年第12期197-200,共4页
-
基金
黑龙江省重点课题《现阶段"三亿人上冰雪"活动在黑龙江省高校深入推进的问题与策略研究》(GJB1422176)。
-
文摘
为了提升体能检测中的计数效率,研究提出一种结合堆叠沙漏模型(Stacked Hourglass Model,Hourglass)和超轻量级神经网络的三维人体姿态估计模型,并引入了K邻近算法(K Nearest Neighbors,KNN)来实现动作分类与计数。实验结果显示,所提模型的计数精度可达99.66%,实际测试的帧速在27.41 FPS左右。对不同体能姿态估计的平均召回率在99.33%。与传统的计数方式相比,本智能计数模型具有更高的计算精度和更低的成本。由此,本次实验所构建的模型具有较强的适用性。
-
关键词
三维姿态估计
体能计数
堆叠沙漏模型
超轻量级神经网络
KNN
-
Keywords
3D pose estimation
physical fitness count
stacked hourglass model
ultra lightweight neural network
KNN
-
分类号
TP311
[自动化与计算机技术—计算机软件与理论]
TH89
[机械工程—精密仪器及机械]
-
