随着人们生活质量的提高，人体生理机能健康愈加地受到人们的重视，因此人体的生理机能评估也变得越来越重要。合理科学的生理机能评估对预防生理机能病变、保障人体健康尤为重要。本书针对复杂的人体运动问题，探索一种基于几何代数的人体运动表征方法，并以机器学习、深度学习为方法，为分析人体运动提供有效的解决方案。本书介绍了可变形卷积神经网络算法跟踪器、孪生框架SiamFC跟踪算法、人体姿态描述方法、人体姿态朝向描述符以及人体生理机能评估系统。
样章试读
目录
- 目录
前言
第1章 人体目标跟踪算法研究 1
1.1 研究背景和意义 1
1.2 人体目标跟踪算法的研究现状 3
1.2.1 人体目标跟踪的重要组成部分 3
1.2.2 人体目标跟踪算法分类 6
参考文献 10
第2章 可变形卷积神经网络算法跟踪器 13
2.1 卷积神经网络 13
2.2 可变形卷积神经网络 16
2.2.1 可变形卷积的构建 16
2.2.2 可变形网络理论 18
2.2.3 可变形网络反向传播 21
2.3 可变形卷积神经网络算法的设计 21
2.3.1 MDNet跟踪算法概述 21
2.3.2 DCT网络设计 22
2.3.3 DCT算法软化损失函数 23
2.3.4 DCT跟踪器算法设计 25
2.3.5 DCT算法性能优化 27
2.4 本章小结 33
参考文献 33
第3章 通道注意力形变算法跟踪器 35
3.1 注意力基础知识 35
3.2 通道注意力形变网络设计 36
3.2.1 CDCT的组归一化 36
3.2.2 通道注意力形变模块设计 37
3.2.3 CDCT跟踪算法设计 40
3.3 跟踪器性能比较 41
3.3.1 CDCT性能对比 41
3.3.2 对比实验 42
3.4 本章小结 43
参考文献 43
第4章 3D骨架朝向数据的几何代数表示与集成方法研究 45
4.1 3D骨架朝向数据应用 45
4.2 骨架数据获取方法 46
4.2.1 直接获取3D骨架数据 46
4.2.2 3D姿态估计和骨架构造 50
4.3 信息表达 50
4.3.1 关于关节位移的表征 50
4.3.2 基于关节方向的表征 51
4.3.3 基于原始关节位置的表征 52
4.3.4 多模态表征 53
4.3.5 小结 53
4.4 表征编码 54
4.4.1 基于连接的编码 54
4.4.2 基于统计的编码 54
4.4.3 基于词袋的编码 55
4.4.4 小结 55
4.5 结构和拓扑变换 55
4.5.1 基于低级特征的表征 55
4.5.2 基于身体部位模型的表征 56
4.5.3 基于流行的表征 56
4.5.4 小结 57
参考文献 57
第5章 几何代数基础 63
5.1 几何代数 63
5.2 外积 63
5.3 内积 66
5.4 几何积 68
5.5 逆运算和倒运算 72
5.6 叉积 73
5.7 反射和旋转 73
5.7.1 反射 73
5.7.2 旋转 75
5.8 本章小结 78
参考文献 78
第6章 基于几何代数的人体姿态朝向描述符及集成动作分类算法介绍 79
6.1 人体的姿态描述与内在关系 79
6.2 基于几何代数的人体姿态朝向描述符 80
6.2.1 基于几何代数的人体关节旋转描述 81
6.2.2 基于几何代数的人体关节角度描述 87
6.3 基于几何代数的人体姿态朝向表征及集成动作分类方法 90
6.3.1 基于几何代数的人体姿态朝向表征 90
6.3.2 集成动作分类方法 90
6.4 线性及非线性GA-SVM 93
6.4.1 线性GA-SVM 93
6.4.2 非线性GA-SVM 96
6.5 本章小结 97
参考文献 98
第7章 基于几何代数的人体姿态朝向表征算法分析、验证及应用 99
7.1 基于Kinect V2骨骼朝向数据集 99
7.2 在数据集SZU-3D-SOEARD上的表征和分类算法分析、验证 101
7.3 在数据集SYSU-3D-HOI上的表征和分类算法分析、验证 111
7.4 基于单帧人体姿态朝向表征的在线实时姿态校准系统 113
7.5 本章小结 117
参考文献 118
第8章 基于运动目标的光流信息以及光流网络介绍 119
8.1 光流法的基本概念 119
8.2 L-K光流法及改进算法 120
8.2.1 L-K光流算法 121
8.2.2 L-K金字塔光流算法 121
8.3 光流网络的分类 122
8.3.1 光流卷积网络FlowNet 122
8.3.2 光流卷积网络FlowNet 2.0 124
8.3.3 光流网络 TV-Net 125
8.4 本章小结 128
参考文献 129
第9章 基于光流法的抗鲁棒跟踪算法 130
9.1 CMT跟踪算法详解 130
9.1.1 静态相适应匹配 130
9.1.2 非相似性方法 131
9.1.3 特征点匹配优化 131
9.2 虚拟特征点的补充 132
9.3 模糊逻辑的权重选择 133
9.3.1 模糊逻辑的概念 133
9.3.2 模糊集合和模糊规则 133
9.3.3 模糊神经网络 135
9.3.4 基于模糊逻辑的判断 136
9.3.5 权重的相适应性 137
9.4 实验结果与分析 139
9.5 本章小结 140
参考文献 140
第10章 基于光流卷积网络的Siamese双路输入模型介绍 142
10.1 端到端训练的Siamese框架跟踪模型 142
10.1.1 算法框架一深度相似性学习 142
10.1.2 算法细节 144
10.1.3 SiamFC算法跟踪结果 145
10.2 基于光流网络的检测帧模型 146
10.2.1 检测帧融合模型 146
10.2.2 模板更新分析 150
10.3 基于光流网络的注意力模型 151
10.3.1 注意力机制 151
10.3.2 通用解码-编码注意力模型 151
10.3.3 基于光流网络的注意力模型 153
10.3.4 滴漏注意力模型 154
10.4 实验结果 156
10.4.1 SiamFlow实验 156
10.4.2 对比实验 158
10.5 本章小结 160
参考文献 160
第11章 生理机能评估研究 162
11.1 研究背景 162
11.2 生理机能 162
11.2.1 运动功能 163
11.2.2 感官功能 164
11.2.3 认知功能 165
11.2.4 免疫功能 165
11.2.5 皮肤功能 165
11.3 生理机能评估 165
11.4 国内外发展现状 167
参考文献 168
第12章 基于Kinect深度摄像头的生理机能评估 171
12.1 Kinect深度摄像头简介 171
12.1.1 Kinect 深度摄像头 171
12.1.2 骨豁跟踪 172
12.2 关节活动度评估 174
12.2.1 肘及膝关节活动表征 175
12.2.2 肩髋关节活动度表征 175
12.2.3 颈椎关节活动度表征 176
12.2.4 Kinect关节角度采集及验证 177
12.3 动作检测分析 178
12.3.1 DTW匹配算法 178
12.3.2 DTW算法改进 181
12.3.3 DTW改进算法分析及验证 183
12.4 步态评估 190
12.4.1 步态评估表征数据的提取 190
12.4.2 K近邻算法 192
12.4.3 步态评估结果 194
12.5 基于Kinect V2的快速上肢评估 195
12.5.1 快速上肢评估 195
12.5.2 基于Kin2-RULA的快速上肢评估 196
12.5.3 实验结果与分析 199
12.5.4 基于Kin2-RULA的生理机能评估 201
12.6 本章小结 201
参考文献 202
第13章 基于立体摄像头的生理机能评估 204
13.1 基于立体摄像头的3D人体姿态评估模型 204
13.1.1 立体摄像机标定 205
13.1.2 帧同步 208
13.1.3 2D人体姿态评估 208
13.1.4 滤波处理 210
13.1.5 3D人体姿态重建 211
13.2 3D人体姿态评估模型实验验证 212
13.2.1 手标获取标准库方法验证 213
13.2.2 3D人体姿态评估验证 214
13.3 基于人体姿态评估模型的生理机能评估 218
13.3.1 基于人体姿态评估模型的TUG评估 218
13.3.2 步态评估 220
13.4 本章小结 221
参考文献 221
京公网安备 11010102004214号