一、运动中人体关节点自动定位的实现（论文文献综述）
王嘉骥[1]（2021）在《基于三维人体运动捕捉数据的拉班舞谱自动生成方法研究》文中提出近年来,基于现代信息技术采用数字化方式来记录和存储优秀传统文化资源已经成为重要的研究方向。拉班舞谱作为科学的符号化动作记录体系,是记录和保护民族民间舞蹈、戏曲和武术等人体动态艺术的有力工具。但是,其主要获取方式为通过专业人员手工制谱,所需时间和人力成本很高。通过计算机技术实现拉班舞谱自动生成能极大提高制谱效率,意义重大。因此,本文基于三维人体运动数据,研究拉班舞谱的自动生成方法。依据拉班记谱法中的运动分割理论和动作识别理论,本文将舞谱生成分为运动分割和动作识别两个步骤。首先,研究运动数据的拉班时序分割算法,以切分连续的四肢运动,获得能够使用拉班符号表示的元素动作。然后,研究上肢和下肢元素动作识别算法,以确定各动作对应的符号,从而生成运动数据的拉班舞谱。本文主要研究工作及贡献概括为以下四个方面:（1）提出面向四肢运动的拉班时序分割算法。人体上下肢运动具有协同性,同时上下肢动作在拉班分析中因其与人体重心关系的不同又具有差异性。因此基于协同性将四肢运动作为整体切分出不同的行为片段,然后基于差异性对每个行为片段中的上下肢动作分而治之。首先,在行为片段切分中,采用基于弹性网正则约束的子空间聚类算法利用时序数据相邻帧间关联来分割四肢行为片段。然后,对于上肢时序数据,从时间角度分析肢体运动速率的变化,以及从空间角度分析肢体拉班方位的变化,两个方面进行分割,以增强上肢运动分割的稳健性。对于下肢时序数据,从分析运动趋势变化,到利用高斯混合模型对趋势内元素动作建模,两个层次进行分割,以提升下肢运动分割质量。实验验证表明,本文提出的分割算法能够依照拉班理论切分四肢运动时序数据,相比已有方法,本文算法取得了更高的分割准确率。（2）提出面向上肢非支撑动作的决策融合舞谱生成算法。运动数据中包含不同的人体骨骼尺度信息以及不同的人体方位角度信息,为了解决特征表示对尺度和角度变化敏感的问题,提出使用归一化节点特征和李群特征表示动作数据。为了解决上肢非支撑动作识别中对结束姿态关注不足的问题,提出从人为制定规则和训练极限学习网络两个角度分析动作结束姿态,然后对结果进行策略融合,以提升识别能力。此外,利用下肢与上肢动作的协同性,在策略融合的基础上,进一步提出利用上肢和下肢运动数据建模上下肢的关联关系。实验验证表明,归一化节点特征和李群特征能鲁棒地表示三维人体运动数据,相比已有方法,本文算法取得了更高的上肢元素动作识别准确率,提高了上肢舞谱生成质量。（3）提出面向下肢支撑动作的时空网络舞谱生成算法。为了解决下肢支撑动作识别中对运动过程的时间信息和空间信息关注不足的问题,本文提出使用基于双向门控循环单元神经网络和基于李群网络的双分支网络结构分析动作过程中的时间和空间信息。双向门控循环单元神经网络分支能够在时间域内对时序数据的长期依赖关系进行建模,李群网络分支能够对数据中的空间关系进行建模。通过网络联合,结合两种网络的时间分析能力和空间分析能力,以提升网络模型的识别能力。此外,基于上下肢动作的协同性,进一步提出联合利用上肢分类结果和上肢运动数据,在时空网络的基础上建模上下肢的关联关系。实验验证表明,相比已有方法,本文算法取得了更高的下肢元素动作识别准确率,提高了下肢舞谱生成质量。（4）设计并实现了拉班舞谱自动生成及多维展示平台。平台功能包括:基于拉班舞谱自动生成的记录和保存功能,以及基于多路影像、运动捕捉数据和拉班舞谱同步播放的展示功能。实现了以三维人体运动捕捉数据为纽带的计算机技术与拉班动作理论的结合,使拉班舞谱成为动态艺术数字化记录的新方式,为民族民间舞蹈、戏曲和武术等动态艺术的保护和传承做出了贡献。综上所述,本文针对基于三维人体运动数据的拉班舞谱自动生成若干关键技术,在四肢运动分割和元素动作识别两大方面进行了研究并提出了相应算法,形成了基于运动捕捉数据的拉班舞谱自动生成的完整解决方案。
谢柠蔚[2]（2021）在《基于深度学习的连续动作拉班舞谱自动生成方法研究》文中认为随着计算机技术与人工智能的飞速发展,利用数字化智能化手段实现非物质文化资源的保护与传承已成为重要的研究课题。拉班舞谱是一种科学的人体动作分析记录体系,在全世界范围内被广泛应用和传播。作为一种便于存储的书面记录形式,拉班舞谱在记录和保存传统舞蹈方面发挥了巨大作用。由于手工记谱繁琐复杂,运用计算机技术的舞谱自动生成方法应运而生。然而,传统舞谱生成框架下的算法依赖于预先的动作分割,无法进行全局优化;普遍采用的人体骨架特征描述存在一定的信息损失,识别模型的时空综合建模能力有待提高。在此背景下,本文在优化人体骨架特征设计和时空建模能力的基础上,对基于深度学习的“端到端”连续拉班舞谱自动生成框架进行了深入研究,提出如下舞谱自动生成方法:（1）面向舞谱自动生成的时空双流并联模型。本文提出针对运动捕捉数据的李群特征,将动作序列表示为李群上的高维轨迹,由相邻关节、骨骼间的旋转矩阵和矩阵乘法组成,充分描述骨架蕴含的旋转信息。在时空建模方面,本文设计李群卷积网络和长短时记忆网络并联融合的网络结构,利用分数融合方法融合双流特征,结合两者的空间和时间建模能力,达到比单一模型更好的性能。（2）面向连续舞谱自动生成的时空串联模型。本文提出基于连接时序分类器的连续舞谱生成框架,采用卷积神经网络和双向门控循环网络的串联模型,实现对连续人体动作的时空建模。连接时序分类器可实现整体框架的“端到端”训练,使模型对每一帧姿态输出具有判别性的细粒度描述,可灵活识别时长不一的动作,避免了繁琐的动作预分割,降低了系统复杂程度,提高了全局识别准确率。（3）面向连续舞谱自动生成的双流有向图特征与融合网络。本文提出针对运动捕捉数据的朝向归一化的时空双流有向图特征,可有效表达人体关节和骨骼间蕴含的运动学依赖关系。本文设计基于有向图神经网络的双流融合模型,采用两个有向图卷积网络分别处理双流特征,在网络末端通过融合池化模块对时空信息进行融合池化,送入连接时序分类器求解连续动作标签,实现高精度舞谱生成。（4）面向连续舞谱精细化自动生成的半监督动态帧聚类。本文在工作（3）的基础上,添加了半监督动态帧聚类模块,率先提出“先全局运动识别再标注动作时长”的精细化舞谱生成思路。本文采用基于k-均值的动态聚类算法对帧序列进行粗略聚类,再对聚类结果进行平滑池化,以识别算法得到的动作标签作为先验信息,实现对动作持续时间的精确标注。
华鸿志[3]（2021）在《基于多视角的排球训练分析系统的设计与实现》文中提出随着科学技术的不断进步以及对竞技体育越来越高的目标追求,将信息化辅助工具应用在体育比赛与训练当中已经成为一种趋势。排球项目是国家重要的体育项目之一,教练及运动员一直在寻找排球训练环节中的突破点,希望通过制定更加有效的针对性训练方案,实现运动员各项运动水平的不断提高。对于训练中产生的大量训练内容,其分析与统计工作目前仍停留在经验判断以及人工统计层面,教练员主要通过现场指导以及观看训练视频回放的形式对运动员训练状态形成大致评判,而缺少对运动员训练数据进行自动化分析与统计的工具和方法。针对当前改进排球训练统计与分析流程的迫切需求,本文设计并实现了基于多视角的排球训练分析系统,系统的主要目标是将各项人工智能技术应用于训练数据的提取过程中,实现训练中统计分析流程的自动化,改善流程效率,提高统计精度,从而减少教练员的重复性统计工作,保证教练员能够将更多的精力投入到训练计划的研究与制定当中。结合对排球训练视频分析系统的需求调研,本文系统基于Web相关技术实现了应用主体的开发,后端基于SSM框架实现,前端采用了Vue.js、Bootstrap等技术。在系统的模块划分上,主要包括后台数据管理、数据检索、视频分析以及可视化展示四个模块。后台数据管理模块主要完成用户权限的分配并实现视频的统一管理。视频检索模块主要实现对训练内容的快速检索。视频自动分析模块为系统设计了一种自动化分析流程,能够从多角度视频中提取出真实空间中的球轨迹及人体骨架;可视化展示模块主要以3D动画以及可视化图表等形式,将分析数据呈现给用户,为教练员以及运动员提供直观的训练参考数据。本文在球轨迹提取以及人体骨架提取算法的基础上,实现了针对排球训练视频的自动分析系统,并最终通过了系统各项测试,保证了系统的良好性能以及运行的稳定性,在一定程度上满足了教练对排球训练进行自动化分析以及统计的需求。
郑奇[4]（2021）在《基于计算机视觉的家庭康复训练评估系统》文中指出随着社会的快速发展,人口老龄化正在迅速成为一种全球现象,慢性病发病率日益增加,越来越多的老年人面临着肌肉力量、平衡和活动能力等身体功能受损的严重挑战。目前,各国医疗保健系统针对老人的康复计划尚在起始阶段,常规的康复在医院医生的直接监督下进行,出院后返回社区或家庭进行进一步的康复锻炼,以维持和加强康复的效果。然而很多老人在家庭康复中,对锻炼方案坚持程度较低,导致治疗的时间被延长,康复效果不佳。因此,在居家环境中如何进行有效的运动康复锻炼,成为目前居家康复亟待解决的问题和研究热点,其中最困难的是居家康复设备如何简便易用和康复训练如何准确评估。本文针对家庭康复中存在的上述难点,提出一种基于计算机视觉的家庭康复训练评估方法,并给出系统实现。使用普通摄像头采集患者康复训练的视频流信息,患者无需佩戴任何设备,从而大大降低了传统康复训练设备的复杂性。用姿态估计算法捕捉患者各个关节点的运动序列,并通过数据滤波、特征提取以及机器学习分类算法为患者的康复训练进行动作评分,开发了简单易用且即时评估反馈的康复训练系统,并通过临床实验验证了系统的性能。本文主要做了以下几方面研究:1.研究并改进机器视觉姿态估计算法为了使用普通摄像头在家用级电脑上实现人体姿态估计,在卡耐基梅隆大学姿态估计算法OpenPose的基础上进行大量的改进和优化。设计的算法在COCO2017数据集中,经39000次迭代后,准确率达到了 39%,并在Intel（R）Core（TM）i5-9400 CPU@2.90GHz,NVIDIA GTX 1650 平台上实现了约 30FPS的实时2D姿态估计,解决了家庭康复训练中机器视觉姿态估计的实时性问题。。2.基于特殊归一化、动态时间规整和支持向量机的动作评分算法针对家庭康复训练动作数据的特点,系统提出了基于特殊归一化、动态时间规整和支持向量机的动作评分算法。特殊归一化解决了因人的体型差异或距离摄像头远近不同导致的位置差别,动态时间规整算法解决了老年人因运动能力衰退而导致的动作滞后的问题,并用支持向量机算法建立了与临床专家评估相映射的评估模型。通过实验验证动作评估算法的准确度为93.3%,与康复专家评分呈正线性关系（r=0.967）。3.家庭康复训练评估系统软件开发在算法开发的基础上,使用PyQt设计开发了家庭康复训练评估系统软件,软件功能主要包括登录、注册、互动训练、动作评估以及个人信息管理等模块。使患者可以更积极主动地投入到康复训练中,并随时查看个人的训练数据及康复状态。本课题研究证明了使用基于计算机视觉的算法为老年慢性病患者进行居家康复训练和动作评估的可行性,文中的动作评分算法也可以为其他相关的研究提供参考。
严浩[5]（2021）在《具有广义肩关节的上肢康复机器人机构设计分析及人机协同控制研究》文中研究指明目前针对上肢康复机器人的研究已经较为深入,考虑人体肩关节复合结构的康复机器人是目前研究的趋势。同时上肢康复机器人的研究中还存在人机相容性差、人机舒适度差、患者运动意图识别不精准等问题。本文针对以上研究问题,从构型设计与人机分析、机构优化与结构设计、变安全区域下轨迹规划、人机协调控制策略、实验平台搭建与实验验证五个方面对具有广义肩关节的上肢康复机器人进行研究,具体研究内容如下:基于人体上肢生理解剖结构和关节运动机理,建立人体上肢等效机构模型。并引入ISB（International Society of Biomechanics）肢体运动描述方法,以及肩胛带各关节与盂肱关节之间运动角度函数关系。在此基础上搭建外骨骼-人体封闭运动链,进行外骨骼康复机器人人机运动相容型构型设计。基于Hunt公式求解恰约束或欠约束条件下需引入被动驱动自由度数。针对广义肩关节结构,依据运动学约束方程,提出多种主被动驱动组合方案。优选出两种方案分别进行运动学性能分析比较,确定最优人机相容型康复机械臂构型方案。针对所优选构型肩关节处电机个数多、工作空间受限的问题,提出一种在给定工作空间条件下对机械臂肩关节转动轴线夹角进行优化的方法。首先利用指数积公式和Paden-Kahan子问题,分别求解了机械臂盂肱关节的三个转动副运动学正反解,然后提出一种角度评价指标对转动轴线夹角进行优化。利用MATLAB软件分析机械臂盂肱关节与人体的干涉情况,给出机械臂盂肱关节相对于人体的最优安装位姿,求解优化后的上肢康复机器人结构的运动学正反解。最后基于上肢康复机器人的临床设计要求、人体肢体尺寸和关节运动空间,对具有广义肩关节的上肢康复机器人进行结构设计。基于不同患者的病情差异性,提出上肢康复机器人变安全运动区域概念。基于传统的上肢康复训练方案,提出在不同平面内进行轨迹运动的康复方案,并利用图解法分别对几个代表性的训练平面内安全运动区域边界进行求解。应用五次多项式插值法分别对矢状面、桌面高度水平面内的直线和圆周轨迹进行规划。针对上肢康复机器人与人体碰撞的安全隐患,提出一种康复过程中不同体姿下的人机安全距离数学模型。分别在患者肢体运动意图识别和康复机器人人机协调控制策略两个方面进行研究,首先建立基于力学传感器的患者主动运动意图识别模型,确定关节角度、传感器检测力/力矩和人机交互力之间的映射关系。其次提出基于末端人机交互力的导纳控制策略,利用MATLAB软件搭建了上肢康复机器人Simulink仿真模型,验证在末端人机交互力的影响下机械臂的柔顺性;定义康复辅助力计算方法,形成康复机器人助力训练控制策略;基于量子粒子群和支持向量机混合算法,建立患者的主动参与程度评价模型。搭建上肢康复机器人实验平台并进行相应的验证实验,首先对肩关节机构优化前后可达工作空间进行对比,实验验证优化后的肩关节机构工作空间变大。随后对人机交互力映射模型进行实验验证。然后分别在矢状面和桌面高度水平面内进行直线、圆周轨迹跟踪实验,跟踪误差均在康复训练允许范围之内。最后在10名健康志愿者的参与下,对患者主动参与训练程度的评价模型进行实验验证。
王梦珂[6]（2021）在《基于骨架序列的校园斗殴行为检测研究》文中研究说明近年来,校园欺凌事件时有发生,引起了社会各界的广泛关注。校园霸凌会给受害者的身心带来巨大的伤害,但他们往往出于自尊心、害怕遭受报复等原因,不能主动将事情报告给老师和家长。视频监控作为一种重要的安全防范手段,近十几年得到了快速发展,校园里也基本覆盖了监控摄像头。但使安保人员长时间、不间断地盯着监控视频并不现实,往往是出事以后才回放视频进行查证,难以在校园暴力事件发生的第一时间介入。因此,本文针对基于校园监控视频识别暴力行为展开研究,使得学校在无需采购和安装专业设备的情况下,利用现有校园监控系统及时发现和干预校园暴力,保护受害学生,为校园安全作出有益补充。本文的研究内容主要包括以下几个方面:（1）基于骨架提取的多目标跟踪研究。骨架是人体的一个具有稳定性和鲁棒性的特征,本文采用Open Pose提取出监控视频中每一帧的骨骼关节点并聚类成人体骨架,在得到了所有人体骨架的集合后,将多目标跟踪问题转化成一个对骨架集合进行划分的概率模型。其中,每个子集中的骨架来自同一个人在不同帧下的提取。本文基于马尔可夫链蒙特卡洛数据关联方法,将帧与帧之间的骨架进行关联,实现了较为准确的多目标跟踪。（2）基于动态骨架的校园暴力行为识别研究。本文基于ST-GCN行为识别算法来检测校园监控视频中是否存在暴力行为。先将从视频中提取到的骨架构建为人体骨架关节序列时空图,使得该图可以同时反映骨架关节点的时间信息和空间信息。然后把对二维图像的卷积方法推广到对骨架时空图的卷积,并引入注意力机制给关节点分配不同的权重。使用本文构建的Fight-skeleton数据集对该网络模型进行训练和测试,实现对校园暴力行为的识别。（3）设计并实现了基于校园监控视频对暴力行为进行识别的原型系统。该系统主要由多目标跟踪和暴力行为检测两大模块构成。使用公开数据集RWF-2000进行验证,本文采用的方法可达到87.75%的准确率。
石斌斌[7]（2021）在《基于图神经网络的运动姿态识别研究》文中研究说明近年来人体动作识别逐渐成为计算机视觉领域的重要研究课题,并广泛应用于人机交互、智能视频监控和运动员辅助训练等场景。与基于RGB视频的传统人体动作识别方法相比,基于骨架序列的人体动作识别对复杂视频背景、光照和身体尺度变化具有很强的鲁棒性。同时,随着深度传感器和姿态估计算法的发展,基于骨架的人体动作识别逐渐成为当下的研究热点。因此如何有效建模骨架序列,提取骨架运动时的空间特征和时序特征成为目前研究急需解决的关键问题。本文在构建人体骨架时空图的基础上,提出融合时空变换网络与时空图卷积网络的双流网络,来提取骨架序列的时空特征,进行人体动作识别。主要工作内容如下:1、构建时空图卷积神经网络,使用空间图卷积提取相邻关节点的空间特征,使用时间图卷积提取相同关节上的时间特征。针对时间图卷积网络无法提取相邻多个关节时序运动特征的问题,引入时域扩展模块,以提取人体运动中时间维度上多个相邻关节的运动特征。为提高本校篮球队员投篮的稳定性和准确率,矫正投篮姿势,跟校队合作拍摄制作基于骨骼点的投篮动作识别数据集。利用OpenPose提取2D骨骼点,姿态估计算法获取3D骨骼点。针对投篮时部分关节被遮挡的问题,在生成数据集时进行异常点检测与关节点平滑填充。时空图卷积网络加入时域扩展模块后,在Kinetics-skeleton数据集上top-1和Top-5准确率分别提高了 2.0%、1.8%;2D和3D骨骼点数据集上非标准投篮动作分类的准确率分别提高了 2.5%、2.7%。2、扩展时空图卷积网络使用固定结构的拓扑图建模人体骨架,会限制模型从关节间的相关性及其运动模式中抽取更多有效信息,引入时空变换网络,在空间和时间维度上分别对关节的相关性进行建模。空间变换网络可以在每帧内独立地计算每对关节之间的相关性,提取身体各部分之间关系的特征;时间变换网络可以提取同一关节在多帧内的相关性,但对多个相邻关节的运动特征提取能力不足。针对拓展时空图卷积模型和时空变换模型分别存在的问题,提出融合时空变换网络与时空图卷积网络的新双流网络。与基准网络相比,新双流网络在Kinetics-skeleton数据集上top-1和Top-5准确率分别提高了 2.4%、2.9%;双流模型在2D和3D骨骼点数据集上非标准投篮动作的分类准确率分别提高了 5.7%与4.0%,准确率最高,是目前网络中效果最好的。
严勇[8]（2021）在《基于人体姿态估计的排球发球动作对比分析》文中认为国家体育队伍越来越重视将最新的计算机技术与传统的体育项目相结合,以便提高运动员训练和分析水平。目前,在针对排球的体育训练中,仍然主要依赖教练的个人经验,训练成本较高,质量难以保持稳定。对此,国内有体育单位引进DataVolley等专业软件辅助训练,但其需要人工录入复杂的动作记录描述;也有研究机构依靠人体传感器获取运动参数的方法,但其会对运动员的活动造成不便。发球是排球基础且重要的技术动作之一,其动作规范性对于现场稳定发挥具有重要意义。因此,本文重点研究了采用单视角方式评估排球发球动作质量的方法。本文基于改进的人体姿态估计技术,构建了基于姿态的动作评估指标,并以此为基础对比分析排球发球动作,形成了自动化对比评估排球发球动作质量的方法,并重点解决单视角视频中的肢体遮挡和运动模糊问题。对此,本文基于堆叠沙漏网络所提出的视频人体姿态估计改进方法,可通过多尺度图像特征和帧间时序信息预测帧间偏移,从而优化姿态估计效果。相较于传统的基于光流的方法,本文方法参数空间需求更小,可更有效地提高姿态估计效率和准确度。在方法实现上,本文方法的应用需要经过数据采集、姿态估计和预处理、构建评估指标、动作对比分析四个步骤。首先,数据采集步骤负责将单目摄像头采集的原始视频图像转换为OpenCV格式图像。视频图像经过姿态估计之后,姿态预处理结合拍摄角度等设置参数构建以颈部为中心的坐标系统,并进行比例缩放。然后,使用所构建的坐标系统计算角度指标、速度指标等动作姿态评估指标,以便用于后期的动作质量评价。最后,使用双向动态时间规整算法将输入动作与标准动作进行对齐,并针对对齐之后的动作序列对比分析动作姿态评估指标,获得最终的动作质量对比分析结果。本文将所提出方法在实际拍摄的视频上进行了应用,可在不干扰运动员的情况下有效定位运动员姿态,并评估其动作质量,可为教练员的指导提供有价值的分析信息支持。
唐世泽[9]（2021）在《面向运动评估的多深度摄像头人体姿态跟踪算法研究》文中研究指明运动评估在运动障碍疾病的诊断与治疗,以及科学运动等领域具有很大的应用价值,近年来获得了广泛的关注。基于现代图像技术的自动化人体姿态跟踪算法可以多维度的量化监控和分析关节的自主运动和被动联动,能够有效地解决传统的人工肉眼估计产生的效率低、误差大以及标准不统一的问题。现有的人体姿态跟踪系统中存在的问题主要可以概括为以下几种类型:易受环境干扰,导致精度较低;精度提高但计算量过大;需借助紧身衣、标记点等外部条件,应用场景受限等。当前,kinect DK深度摄像头是一种廉价且无需接触的较好的人体姿态跟踪方案。本文基于kinect DK,实现了一个面向运动评估的多深度摄像头人体姿态跟踪系统,并重点研究了系统中人体姿态估计算法、人体姿态跟踪算法、数据融合算法等关键内容,以实现较好的人体姿态跟踪效果。本文的主要工作和贡献如下:（1）使用关键帧和非关键帧模式,结合多深度摄像头可以快速获取多视角高精度骨架识别算法的优势,改进了人体姿态跟踪算法。该方法提高了算法跟踪过程中的识别效率,保证了多摄像头对人体姿态的稳定跟踪。（2）针对传统标定方法对运动评估场景和操作人员的熟练程度有一定限制的问题,本论文利用多个视角的深度相机可以快速得到各个视角下彩色点云的特点,使用了不同于传统张氏标定法中平面棋盘格的ARUCO marker标记物,并结合彩色点云配准算法进行辅助标定。该方法可以有效地提升标定速度,同时还保证了标定的准确性,极大地提高了人体姿态跟踪系统的适用性。（3）不同于现有多视角骨骼数据通常使用的简单的加权平均进行融合。本论文在上述人体跟踪算法和标定方法的基础上,提出了一种面向非线性、非高斯环境的粒子滤波数据融合方法。该方法提升了数据融合的准确性,同时也保证了数据的可解释性。最后,本文在实际系统中对本文提出的方法进行了验证,对实际系统进行了长时间的、无人干预的运行测试,实验结果表明,本文的人体姿态跟踪算法具备良好的实时性、准确性、稳定性和鲁棒性,能够提供高效的运动评估。
崔冉[10]（2020）在《基于多维关系挖掘的人体行为分析模型的研究》文中进行了进一步梳理人体行为分析是机器视觉、模式识别、深度学习、人工智能等多个学科的交叉融合,在基于内容的视频检索、医疗辅助、人机交互、视频监控等多个领域具有广阔的应用前景。人体可以看作是由关节连接的刚性段构成的关节系统,人体的姿态可以由骨架节点的三维空间位置加以描述,行为可以看做是骨架节点的空间位置随时间的变化过程。随着深度RGBD传感器技术的不断进步,基于人体姿态的行为分析受到了广泛的关注。本文以人体姿态信息为研究出发点,针对视频中人体行为分析存在的难点问题展开研究,研究目标为基于多维关系挖掘的人体行为分析的算法研究。人体行为分析的相关技术受到了国内外研究人员的广泛关注,并已获得了许多优秀的成果,但在算法性能上仍有较大的提升空间。本文基于目前人体行为分析的研究现状,深入开展研究,内容涉及人体行为特征的提取、行为边界的检测、行为分类及行为预测四个方面。本论文的主要贡献可归纳以下几个方面:（1）针对人体行为特征的提取与表征问题,本文提出了一种基于人体骨架关节的多维多粒度行为特征提取方法,用于表征人体行为的时空上下文关系。为将稀疏的骨架关节位置图转化为适合神经网络处理的密集信息,本文提出两种骨架关节间的关系密集矩阵。并以这两种关系密集矩阵为基础,分别提出了基于骨架关节相对位置的空域描述子,以及基于姿态动态变化的时域描述子。而后,将原始位置、时域、空域三个维度的行为特征按照人体的结构特性划分为,全局、局部、细节三个粒度层面的行为特征。（2）针对人体行为边界检测的问题,本文提出一种基于上下文关系的行为边界检测模型。根据视频帧序列中姿态动作之间的时间关联性,该模型通过引入注意力机制对每一帧动作进行角色分类,即,开始帧,过程帧,结束帧,空白帧,然后根据分类结果的上下文逻辑关系合理化行为作用域,从而定位出行为发生的时间范围,为行为识别奠定基础。（3）针对行为识别任务,本文提出一种基于困难样本挖掘的行为识别方法。该方法通过引入扩张神经网络对行为特征进行多尺度的时空建模。针对易混淆的相似样本,该方法引入困难样本挖掘机制,有针对性的加强学习,从而优化行为识别的效果。（4）针对人体行为早期识别的问题,本文提出一种基于生成对抗网络的行为片段预测方法用于行为的早期识别。预测模型根据部分动作序列预测出未来的动作序列,通过对未来真实的动作序列和生成的预测动作序列的对抗学习,最终生成可靠的、能够以假乱真的未来动作序列。为使得预测样本进一步提升行为识别的准确率,模型引入了弱点再学习机制,从而为行为的早期识别提供更多的依据,优化行为的早期识别的准确程度。针对基于人体姿态信息的行为识别中的上述问题,本文提出了行之有效的解决方案,并在具有挑战性的数据集上进行实验验证,逐一验证了算法的有效性,总结了研究中亟待解决的问题和下一步的研究方向。该论文共有图70幅,表25个,参考文献176篇。
二、运动中人体关节点自动定位的实现（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、运动中人体关节点自动定位的实现（论文提纲范文）
（1）基于三维人体运动捕捉数据的拉班舞谱自动生成方法研究（论文提纲范文）
| 致谢 |
| 摘要 |
| ABSTRACT |
| 序言 |
| 1 绪论 |
| 1.1 研究背景和意义 |
| 1.2 研究现状 |
| 1.2.1 面向拉班舞谱自动生成的运动分割 |
| 1.2.2 面向拉班舞谱自动生成的动作分析识别 |
| 1.3 现有研究存在的主要问题 |
| 1.3.1 拉班运动分割中存在的问题 |
| 1.3.2 拉班动作分析识别中存在的问题 |
| 1.4 本文主要研究内容 |
| 1.5 论文结构安排 |
| 2 基于运动捕捉数据的拉班舞谱生成概述 |
| 2.1 拉班舞谱介绍 |
| 2.1.1 拉班记谱法基本原理 |
| 2.1.2 拉班舞谱的应用 |
| 2.2 运动捕捉介绍 |
| 2.2.1 运动捕捉技术 |
| 2.2.2 运动捕捉数据 |
| 2.3 基于运动捕捉数据的拉班舞谱自动生成框架 |
| 2.3.1 运动分割 |
| 2.3.2 动作分析识别 |
| 2.4 自采集数据集和方法评价 |
| 2.4.1 自采集数据集介绍 |
| 2.4.2 方法评价 |
| 2.5 本章小结 |
| 3 面向四肢运动的拉班时序分割算法 |
| 3.1 引言 |
| 3.2 运动捕捉数据预处理 |
| 3.3 上下肢协同行为分割 |
| 3.4 上下肢拉班元素动作分割 |
| 3.4.1 面向上肢姿态的分割算法 |
| 3.4.2 面向下肢动作的分割算法 |
| 3.5 基于拉板舞谱节奏的分割优化 |
| 3.6 实验结果与讨论 |
| 3.6.1 实验设置 |
| 3.6.2 实验结果与分析 |
| 3.7 本章小结 |
| 4 面向上肢非支撑动作的决策融合舞谱生成算法 |
| 4.1 引言 |
| 4.2 拉班动作数据特征提取 |
| 4.2.1 拉班动作节点特征 |
| 4.2.2 拉班动作李群特征 |
| 4.3 面向上肢拉班动作的分析识别方法 |
| 4.3.1 基于拉班空间划分的识别方法 |
| 4.3.2 基于极限学习网络的识别方法 |
| 4.3.3 基于空间划分和极限学习的策略融合 |
| 4.4 协同下肢的上肢拉班动作分析识别方法 |
| 4.5 实验结果与讨论 |
| 4.5.1 实验设置 |
| 4.5.2 实验结果与分析 |
| 4.6 本章小结 |
| 5 面向下肢支撑动作的时空网络舞谱生成算法 |
| 5.1 引言 |
| 5.2 下肢动作数据特征提取 |
| 5.3 面向下肢拉班动作的分析识别方法 |
| 5.3.1 基于双向门控循环单元神经网络的识别方法 |
| 5.3.2 基于李群网络的识别方法 |
| 5.3.3 基于门控循环单元神经网络和李群网络的融合方法 |
| 5.4 协同上肢的下肢拉班动作分析识别方法 |
| 5.5 实验结果与讨论 |
| 5.5.1 实验设置 |
| 5.5.2 实验结果与分析 |
| 5.6 本章小结 |
| 6 拉班舞谱自动生成及多维展示平台 |
| 6.1 引言 |
| 6.2 平台组织结构 |
| 6.3 拉班舞谱生成模块 |
| 6.4 多维展示模块 |
| 6.5 本章小结 |
| 7 总结与展望 |
| 7.1 全文总结 |
| 7.2 工作展望 |
| 参考文献 |
| 附录A 调查问卷中的问题和回答统计 |
| 附录B 动态数字资源元数据信息表 |
| 作者简历及攻读博士学位期间取得的研究成果 |
| 学位论文数据集 |
（2）基于深度学习的连续动作拉班舞谱自动生成方法研究（论文提纲范文）
| 致谢 |
| 摘要 |
| ABSTRACT |
| 序言 |
| 1 引言 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.3 主要研究内容 |
| 1.4 论文章节结构 |
| 2 基于深度学习的连续拉班舞谱自动生成概述 |
| 2.1 拉班舞谱简介 |
| 2.2 运动捕捉数据获取 |
| 2.3 基于运动捕捉数据的拉班舞谱生成数据库 |
| 2.4 基于深度学习的连续拉班舞谱自动生成架构 |
| 2.5 本章小结 |
| 3 面向舞谱自动生成的时空双流并联模型 |
| 3.1 时空双流人体骨架特征设计 |
| 3.1.1 运动捕捉数据的转换 |
| 3.1.2 骨骼向量特征 |
| 3.1.3 李群特征 |
| 3.2 基于时空双流并联模型的人体动作识别 |
| 3.2.1 李群网络 |
| 3.2.2 长短时记忆网络 |
| 3.2.3 时空双流并联融合 |
| 3.3 实验设置与结果分析 |
| 3.3.1 实验数据与参数设置 |
| 3.3.2 实验结果分析 |
| 3.4 本章小结 |
| 4 面向连续舞谱自动生成的时空串联模型 |
| 4.1 基于时空串联模型的连续人体运动识别 |
| 4.1.1 一维卷积神经网络 |
| 4.1.2 双向门控循环网络 |
| 4.1.3 基于连接时序分类器的拉班符号转录 |
| 4.2 实验设置与结果分析 |
| 4.2.1 实验数据与参数设置 |
| 4.2.2 实验结果分析 |
| 4.3 本章小结 |
| 5 面向连续舞谱自动生成的双流有向图特征与融合网络 |
| 5.1 人体骨架的双流有向图特征设计 |
| 5.1.1 朝向归一化 |
| 5.1.2 空间域有向图 |
| 5.1.3 时间域有向图 |
| 5.2 基于双流融合有向图神经网络的连续人体运动识别 |
| 5.2.1 基于有向图的时空建模 |
| 5.2.2 融合池化模块 |
| 5.3 实验设置与结果分析 |
| 5.3.1 实验数据与参数设置 |
| 5.3.2 实验结果分析 |
| 5.4 本章小结 |
| 6 面向连续舞谱精细化自动生成的半监督动态帧聚类 |
| 6.1 基于k-均值的动态聚类 |
| 6.2 聚类池化与半监督动作分割 |
| 6.3 实验设置与结果分析 |
| 6.3.1 实验数据与参数设置 |
| 6.3.2 实验结果分析 |
| 6.4 本章小结 |
| 7 总结与展望 |
| 7.1 总结 |
| 7.2 展望 |
| 参考文献 |
| 作者简历及攻读硕士学位期间取得的研究成果 |
| 学位论文数据集 |
（3）基于多视角的排球训练分析系统的设计与实现（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 选题背景及意义 |
| 1.2 国内外研究现状 |
| 1.3 主要研究内容 |
| 1.4 论文结构 |
| 2 相关技术介绍 |
| 2.1 Web相关技术 |
| 2.1.1 后端开发技术 |
| 2.1.2 前端开发框架 |
| 2.2 三维重构方法 |
| 2.3 目标检测算法 |
| 2.4 姿态估计算法 |
| 3 系统需求分析 |
| 3.1 功能需求分析 |
| 3.1.1 后台管理 |
| 3.1.2 训练数据检索 |
| 3.1.3 训练数据分析与审核 |
| 3.1.4 可视化展示 |
| 3.2 系统非功能性需求分析 |
| 4 系统设计 |
| 4.1 系统架构设计 |
| 4.1.1 系统逻辑架构设计 |
| 4.1.2 系统技术架构设计 |
| 4.2 系统功能模块设计 |
| 4.2.1 后台管理 |
| 4.2.2 数据检索 |
| 4.2.3 训练视频数据分析 |
| 4.2.4 可视化展示 |
| 4.3 视频数据分析算法设计 |
| 4.3.1 验证数据采集 |
| 4.3.2 球轨迹提取 |
| 4.3.3 人体骨架提取 |
| 4.3.4 人员识别 |
| 4.4 数据库设计 |
| 4.4.1 数据文件设计 |
| 4.4.2 数据库概念模型设计 |
| 4.4.3 数据库结构设计 |
| 5 系统实现 |
| 5.1 后台管理 |
| 5.2 训练场次检索 |
| 5.3 视频数据分析 |
| 5.4 分析数据审核 |
| 5.5 可视化展示 |
| 6 系统测试 |
| 6.1 系统环境配置 |
| 6.2 主要测试用例及测试结果 |
| 6.2.1 系统功能性测试 |
| 6.2.2 系统非功能性测试 |
| 结论 |
| 参考文献 |
| 致谢 |
（4）基于计算机视觉的家庭康复训练评估系统（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 国内外研究现状 |
| 1.3 研究内容 |
| 1.3.1 姿态估计算法及其改进 |
| 1.3.2 特殊归一化算法 |
| 1.3.3 特征提取工程 |
| 1.3.4 家庭康复训练评估系统软件开发 |
| 1.3.5 实验验证系统的可行性 |
| 1.4 论文章节安排 |
| 第2章 基于计算机视觉的姿态估计算法研究 |
| 2.1 姿态估计算法介绍 |
| 2.1.1 姿态估计概念及应用 |
| 2.1.2 人体姿态模型 |
| 2.1.3 2D姿态估计 |
| 2.1.4 3D姿态估计 |
| 2.2 OpenPose姿态估计模型 |
| 2.2.1 OpenPose模型结构 |
| 2.2.2 OpenPose模型损失 |
| 2.2.3 置信图定义 |
| 2.2.4 部分亲和域定义 |
| 2.2.5 关键点位置解析 |
| 2.3 姿态估计算法改进 |
| 2.3.1 MobileNetV3模型介绍 |
| 2.3.2 改进后姿态估计模型的训练 |
| 2.4 本章小结 |
| 第3章 康复训练动作评分算法研究 |
| 3.1 数据滤波 |
| 3.2 特征提取 |
| 3.2.1 初步特征提取 |
| 3.2.2 深度特征提取 |
| 3.3 分类器 |
| 3.4 本章小结 |
| 第4章 系统实现 |
| 4.1 系统功能需求分析 |
| 4.2 系统开发工具 |
| 4.3 系统界面设计 |
| 4.3.1 系统登录和注册界面 |
| 4.3.2 康复训练评估界面 |
| 4.3.3 个人信息管理界面实现 |
| 4.4 小结 |
| 第5章 试验与分析 |
| 5.1 实验方案 |
| 5.2 动作评估模型训练 |
| 5.3 结果与分析 |
| 5.4 小结 |
| 第6章 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 致谢 |
| 在读期间发表的学术论文与取得的其他研究成果 |
（5）具有广义肩关节的上肢康复机器人机构设计分析及人机协同控制研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 课题背景及研究的目的和意义 |
| 1.2 上肢康复机器人机械系统国内外研究现状 |
| 1.2.1 末端牵引式上肢康复机器人 |
| 1.2.2 外骨骼式上肢康复机器人 |
| 1.2.3 具有广义肩关节外骨骼式上肢康复机器人 |
| 1.3 上肢康复机器人运动意图识别国内外研究现状 |
| 1.4 上肢康复机器人控制策略国内外研究现状 |
| 1.5 本文主要研究内容 |
| 第2章 基于人体解剖结构的上肢康复机器人构型设计 |
| 2.1 引言 |
| 2.2 人体上肢运动学 |
| 2.2.1 人体上肢解剖结构 |
| 2.2.2 人体上肢等效机构模型 |
| 2.3 人机相容型机构构型设计 |
| 2.4 肩关节相容型机构构型设计 |
| 2.4.1 2P_a1P3R_a肩关节机构构型 |
| 2.4.2 5R_a1P肩关节机构构型 |
| 2.5 肩关节构型综合运动学性能分析 |
| 2.5.1 两种构型运动学反解及灵活性分析 |
| 2.5.2 两种构型可操作度椭球分析 |
| 2.6 本章小结 |
| 第3章 上肢康复机器人机构设计与分析 |
| 3.1 引言 |
| 3.2 广义肩关节机构优化设计 |
| 3.2.1 盂肱关节机构优化设计 |
| 3.2.2 广义肩关节机构运动学分析 |
| 3.3 上肢康复机器人运动学分析 |
| 3.3.1 上肢康复机器人机械臂运动学正解 |
| 3.3.2 上肢康复机器人机械臂运动学反解 |
| 3.4 上肢康复机器人临床应用要求 |
| 3.5 上肢康复机器人机械系统模块化设计 |
| 3.5.1 关节模块设计 |
| 3.5.2 上肢康复机器人机械臂设计 |
| 3.5.3 上肢康复机器人机架设计 |
| 3.6 本章小结 |
| 第4章 上肢康复机器人训练轨迹规划 |
| 4.1 引言 |
| 4.2 安全运动区域及训练轨迹设计 |
| 4.2.1 水平面内训练轨迹设计 |
| 4.2.2 矢状面内示教轨迹设计 |
| 4.3 矢状面直线轨迹规划 |
| 4.3.1 直线轨迹速度与加速度分析 |
| 4.3.2 直线轨迹下关节速度连续方案 |
| 4.4 水平面圆周轨迹规划 |
| 4.5 安全距离数学模型 |
| 4.5.1 站姿下安全距离数学模型 |
| 4.5.2 坐姿下安全距离数学模型 |
| 4.6 本章小结 |
| 第5章 上肢康复机器人人机协调控制策略 |
| 5.1 引言 |
| 5.2 人机交互主动运动意图识别 |
| 5.2.1 人机交互力学模型 |
| 5.2.2 主动交互力解算 |
| 5.3 上肢康复机器人导纳控制策略 |
| 5.3.1 康复机械臂导纳控制模型 |
| 5.3.2 康复机械臂导纳控制仿真 |
| 5.4 上肢康复机器人助力训练控制策略 |
| 5.4.1 基于轨迹约束下的辅助力设计 |
| 5.4.2 助力训练控制策略及仿真 |
| 5.5 主动参与程度评价模型 |
| 5.6 本章小结 |
| 第6章 上肢康复机器人实验平台搭建与实验验证 |
| 6.1 引言 |
| 6.2 上肢康复机器人实验平台搭建 |
| 6.2.1 实验样机研制及控制系统安全性要求 |
| 6.2.2 电气硬件系统设计 |
| 6.3 上肢康复机器人样机基本性能实验 |
| 6.3.1 肩关节机构优化前后工作空间对比实验 |
| 6.3.2 机器人关节人机交互力验证实验 |
| 6.4 上肢康复机器人轨迹跟踪 |
| 6.4.1 矢状面内直线轨迹 |
| 6.4.2 水平面内圆周轨迹 |
| 6.5 患者主动参与度实验 |
| 6.6 本章小结 |
| 结论 |
| 参考文献 |
| 攻读博士学位期间承担的科研任务与主要成果 |
| 致谢 |
（6）基于骨架序列的校园斗殴行为检测研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 国内外研究现状 |
| 1.2.1 智能监控研究现状 |
| 1.2.2 多目标跟踪研究现状 |
| 1.2.3 基于特征点提取的暴力行为识别研究现状 |
| 1.2.4 基于卷积网络的行为识别研究现状 |
| 1.3 论文的主要工作以及创新点 |
| 1.3.1 论文的主要工作 |
| 1.3.2 论文的创新点 |
| 1.4 论文的组织结构 |
| 第2章 相关理论与技术概述 |
| 2.1 卷积神经网络 |
| 2.1.1 卷积层 |
| 2.1.2 池化层 |
| 2.1.3 激活函数 |
| 2.1.4 全连接层 |
| 2.2 卷积姿态机 |
| 2.2.1 关节点的连续预测 |
| 2.2.2 扩大感受野 |
| 2.3 马尔可夫链蒙特卡洛方法 |
| 2.3.1 马尔可夫链 |
| 2.3.2 蒙特卡洛方法 |
| 2.4 本章小结 |
| 第3章 校园斗殴行为检测方法的整体设计 |
| 3.1 难点分析 |
| 3.2 总体设计 |
| 3.2.1 多目标跟踪方法 |
| 3.2.2 基于ST-GCN的校园暴力行为识别方法 |
| 3.3 本章小结 |
| 第4章 自下而上的多目标跟踪算法研究与实现 |
| 4.1 自下而上的多目标跟踪算法设计 |
| 4.2 Open Pose采用的算法原理 |
| 4.2.1 网络结构 |
| 4.2.2 部位亲和场 |
| 4.2.3 关节点聚类 |
| 4.3 多目标跟踪问题的概率模型 |
| 4.4 MCMCDA多目标跟踪问题的解 |
| 4.4.1 马尔可夫链蒙特卡洛数据关联算法 |
| 4.4.2 MCMCDA建议分布的运动分类 |
| 4.5 实验结果与分析 |
| 4.6 本章小结 |
| 第5章 基于时空图卷积网络的暴力行为识别研究 |
| 5.1 引言 |
| 5.2 ST-GCN的基本原理 |
| 5.2.1 人体骨架关节序列时空图 |
| 5.2.2 图卷积网络 |
| 5.3 基于ST-GCN的暴力行为识别方法 |
| 5.4 构建Fight-skeleton数据集 |
| 5.5 实验结果与分析 |
| 5.6 本章小结 |
| 第6章 实验结果与分析 |
| 6.1 数据集 |
| 6.1.1 数据集的筛选 |
| 6.1.2 RWF-2000 数据集 |
| 6.2 实验环境 |
| 6.3 结果与分析 |
| 6.4 本章小结 |
| 第7章 总结与展望 |
| 7.1 工作总结 |
| 7.2 展望 |
| 参考文献 |
| 攻读学位期间的研究成果目录 |
| 致谢 |
（7）基于图神经网络的运动姿态识别研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 国内外研究现状与发展趋势 |
| 1.3 论文主要工作及章节安排 |
| 第二章 人体动作识别相关理论基础 |
| 2.1 人体姿态估计算法 |
| 2.1.1 2D骨骼点估计算 |
| 2.1.2 3D骨骼点估计算法 |
| 2.2 图卷积神经网络 |
| 2.2.1 图卷积神经网络 |
| 2.2.2 图注意力网络 |
| 2.3 Transformer网络 |
| 2.4 本章小节 |
| 第三章 基于拓展时空图卷积网络的动作识别 |
| 3.1 时空图卷积模型 |
| 3.1.1 骨架建模 |
| 3.1.2 ST-GCN网络结构 |
| 3.2 时域扩展模块 |
| 3.2.1 时域扩展模块 |
| 3.2.2 基于时域扩展的时空图卷积模型 |
| 3.3 实验结果与分析 |
| 3.3.1 数据集介绍 |
| 3.3.2 实验设备与参数设置 |
| 3.3.3 结果和分析 |
| 3.4 本章小节 |
| 第四章 融合时空变换网络与时空图卷积网络的动作识别 |
| 4.1 时空变换网络 |
| 4.1.1 时空变换网络模型 |
| 4.1.2 实验结果与分析 |
| 4.2 基于新双流网络的人体动作识别 |
| 4.2.1 新双流网络模型 |
| 4.2.2 实验结果与分析 |
| 4.3 本章小节 |
| 第五章 总结和展望 |
| 5.1 论文总结 |
| 5.2 工作展望 |
| 参考文献 |
| 致谢 |
（8）基于人体姿态估计的排球发球动作对比分析（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 研究背景和意义 |
| 1.2 研究现状与分析 |
| 1.2.1 人体姿态估计研究现状 |
| 1.2.2 动作对比分析研究现状 |
| 1.2.3 研究现状分析 |
| 1.3 主要工作 |
| 1.4 论文结构 |
| 1.5 本章小结 |
| 2 人体姿态估计相关工作 |
| 2.1 图像中人体姿态估计方法 |
| 2.1.1 基于坐标回归的方法 |
| 2.1.2 基于热图检测的方法 |
| 2.1.3 回归与检测混合模型 |
| 2.2 面向视频的人体姿态估计方法 |
| 2.3 人体结构模型表示 |
| 2.4 本章小结 |
| 3 改进的视频人体姿态估计方法 |
| 3.1 基于堆叠沙漏网络的骨架信息提取 |
| 3.1.1 沙漏网络结构 |
| 3.1.2 中间监督 |
| 3.2 帧间姿态偏移预测 |
| 3.2.1 可变形卷积 |
| 3.2.2 实现细节 |
| 3.3 实验结果与分析 |
| 3.4 本章小结 |
| 4 排球发球动作对比分析 |
| 4.1 整体架构 |
| 4.2 数据采集 |
| 4.3 姿态预处理 |
| 4.3.1 关节坐标处理 |
| 4.3.2 姿态距离计算 |
| 4.4 构建动作评价指标 |
| 4.4.1 助跑阶段 |
| 4.4.2 起跳阶段 |
| 4.4.3 空中击球 |
| 4.4.4 落地缓冲 |
| 4.5 动作指标对比分析 |
| 4.5.1 骨架序列对齐方法 |
| 4.5.2 关键指标对比 |
| 4.6 本章小结 |
| 结论 |
| 参考文献 |
| 致谢 |
（9）面向运动评估的多深度摄像头人体姿态跟踪算法研究（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 研究工作的背景与意义 |
| 1.2 人体姿态跟踪系统国内外发展状况 |
| 1.2.1 人体姿态跟踪系统的基本系统组成与分类 |
| 1.2.2 人体姿态估计算法 |
| 1.2.3 人体姿态跟踪算法 |
| 1.2.4 多视角数据融合算法 |
| 1.3 论文主要研究内容 |
| 1.4 论文章节安排 |
| 第二章 人体姿态模型及人体姿态估计 |
| 2.1 引言 |
| 2.2 人体姿态模型 |
| 2.2.1 基本的人体姿态模型 |
| 2.2.2 基于卷积神经网络的2D人体姿态估计 |
| 2.2.3 基于深度图像的3D人体姿态估计 |
| 2.3 本章小结 |
| 第三章 多策略的人体姿态跟踪算法 |
| 3.1 引言 |
| 3.2 基于孪生图卷积网络的目标搜索 |
| 3.3 迁移自人体框匹配算法的目标搜索 |
| 3.4 基于关键帧和非关键帧模式的身份更新机制 |
| 3.5 多摄像机人体姿态跟踪 |
| 3.6 实验验证 |
| 3.7 本章小结 |
| 第四章 基于粒子滤波的多视角融合算法 |
| 4.1 引言 |
| 4.2 单摄像机的数据预处理 |
| 4.3 多摄像机间的数据关联 |
| 4.3.1 特征层数据的提取 |
| 4.3.2 多摄像机转移矩阵的标定 |
| 4.4 基于粒子滤波算法的数据融合方法 |
| 4.5 本章小结 |
| 第五章 系统搭建与实验分析 |
| 5.1 引言 |
| 5.2 基于多kinect DK的人体运动采集系统 |
| 5.2.1 硬件系统的设置方案 |
| 5.2.2 软件通讯的设计模式 |
| 5.3 运动数据采集方案 |
| 5.4 姿态跟踪及融合结果分析 |
| 5.5 系统稳定性测试 |
| 5.6 本章小结 |
| 第六章 总结与展望 |
| 6.1 全文总结 |
| 6.2 后续工作展望 |
| 致谢 |
| 参考文献 |
（10）基于多维关系挖掘的人体行为分析模型的研究（论文提纲范文）
| 致谢 |
| 摘要 |
| abstract |
| 1 绪论 |
| 1.1 论文的研究背景及意义 |
| 1.2 人体行为分析的研究进展 |
| 1.3 论文的主要研究内容及目标 |
| 1.4 论文的主要贡献与创新 |
| 1.5 论文的结构安排 |
| 2 人体行为分析相关理论及方法概述 |
| 2.1 行为分析常用的公共数据集 |
| 2.2 行为特征的表达 |
| 2.3 基于统计模型的特征理解 |
| 2.4 基于深度学习的行为特征理解 |
| 2.5 本章小结 |
| 3 多维多粒度行为特征的提取与表征 |
| 3.1 引言 |
| 3.2 骨架关节关系密集矩阵 |
| 3.3 行为特征的空域描述子 |
| 3.4 行为特征的时域描述子 |
| 3.5 行为特征的粗-细粒度表征 |
| 3.6 实验与分析 |
| 3.7 本章小结 |
| 4 基于上下文关系的行为边界检测 |
| 4.1 引言 |
| 4.2 双向时空上下文关系建模 |
| 4.3 时域注意力机制 |
| 4.4 基于上下文关联的行为边界的合理化 |
| 4.5 实验与分析 |
| 4.6 本章小结 |
| 5 基于困难样本挖掘的行为识别 |
| 5.1 引言 |
| 5.2 多尺度的时空相关性建模 |
| 5.3 困难样本挖掘机制 |
| 5.4 实验与分析 |
| 5.5 本章小结 |
| 6 基于AP-GAN生成对抗网络的行为预测 |
| 6.1 引言 |
| 6.2 行为预测模型AP-GAN |
| 6.3 弱点再学习机制 |
| 6.4 实验与分析 |
| 6.5 本章小结 |
| 7 总结与展望 |
| 7.1 全文工作总结 |
| 7.2 存在的问题和未来的研究方向 |
| 参考文献 |
| 作者简历 |
| 学位论文数据集 |
四、运动中人体关节点自动定位的实现（论文参考文献）
- [1]基于三维人体运动捕捉数据的拉班舞谱自动生成方法研究[D]. 王嘉骥. 北京交通大学, 2021(02)
- [2]基于深度学习的连续动作拉班舞谱自动生成方法研究[D]. 谢柠蔚. 北京交通大学, 2021(02)
- [3]基于多视角的排球训练分析系统的设计与实现[D]. 华鸿志. 大连理工大学, 2021(01)
- [4]基于计算机视觉的家庭康复训练评估系统[D]. 郑奇. 中国科学技术大学, 2021(08)
- [5]具有广义肩关节的上肢康复机器人机构设计分析及人机协同控制研究[D]. 严浩. 燕山大学, 2021
- [6]基于骨架序列的校园斗殴行为检测研究[D]. 王梦珂. 东华大学, 2021(09)
- [7]基于图神经网络的运动姿态识别研究[D]. 石斌斌. 北京邮电大学, 2021(01)
- [8]基于人体姿态估计的排球发球动作对比分析[D]. 严勇. 大连理工大学, 2021(01)
- [9]面向运动评估的多深度摄像头人体姿态跟踪算法研究[D]. 唐世泽. 电子科技大学, 2021(01)
- [10]基于多维关系挖掘的人体行为分析模型的研究[D]. 崔冉. 中国矿业大学, 2020(07)