导读:本文包含了人体识别论文开题报告文献综述、选题提纲参考文献及外文文献翻译，主要关键词:卷积,神经网络,动作,深度,网络,步态,人体。
人体识别论文文献综述
杨丰嘉[1]（2019）在《基于Log-Euclidean词袋模型与基于Stein核稀疏编码的人体行为识别算法的优化与改进》一文中研究指出人体行为识别作为计算机视觉研究热点,在智能监控、人机交互、运动分析等领域具有广泛的应用前景。文章运用时空特征协方差矩阵表征视频中人体行为,分别研究并改进了基于Log-Euclidean词袋模型与基于Stein核稀疏编码的人体行为识别算法。(本文来源于《科技创新与应用》期刊2019年35期）
李赛[2]（2019）在《人体运动图像的目标模糊模式识别算法》一文中研究指出为了提高人体运动图像的目标模糊式识别精度以及计算性能,提出基于傅里叶变换的人体运动图像的目标模糊模式识别算法.根据Hu-Fourier特征描述子,能够准确提取出人体运动图像目标区域的轮廓特征.在上述基础上,对目标区域进行滑动窗口检测,匹配人体不同部位的模型,将得到的反馈信息通过树形结构进行人体建模,实现人体运动图像的目标模糊模式识别.实验结果表明,所提算法能够在准确性较高的情况下,相比传统算法提高了所提算法的识别速度,并且能够满足实时进行监控的需求.(本文来源于《微电子学与计算机》期刊2019年12期）
罗坚,黎梦霞,罗诗光[3]（2019）在《一种基于深度摄像机的3D人体步态建模和识别方法》一文中研究指出步态识别在反恐、安防、智能监控和现实挖掘等领域具有广泛的应用前景,但现有的二维步态分析方法在面对视角变化、物体携带等复杂应用场景时受到限制。对此,探讨一种以人体点云数据为基础的叁维参数化步态建模和识别方法。运用深度摄像机获取人体点云数据,对标准的参数化人体模型进行形体和姿态变形;通过观测步态点云轮廓与标准叁维参数人体轮廓之间的距离度量函数,运用改进鲍威尔法进行极小值求解,实现人体点云数据到叁维参数化步态模型的估计;以估计的叁维人体姿态和形体语义参数作为结构化步态数据,通过具有时序结构的长短时序记忆模型来提取步态时空特征,借助SoftMax分类器进行训练,实现人体步态识别。实验结果表明,基于叁维的人体步态识别方法在处理视角可变的步态识别问题上有很好的效果和应用前景。(本文来源于《光学技术》期刊2019年06期）
王召军,许志猛[4]（2019）在《基于低分辨率红外阵列传感器的人体身份和动作识别》一文中研究指出本文针对人体身份及动作识别的问题,提出一种基于低分辨率红外阵列传感器并使用卷积神经网络进行分类识别的方法,这种方法可以识别出人的身份和跌倒、坐下以及行走动作。本文使用的卷积神经网络是基于VGGNet搭建的,由输入层、5层卷积层、3层池化层、1层全连接层和输出层构成,自动提取红外热图像中的信息特征,对身份及动作进行分类,在良好的隐私保护下避免了繁琐的人工提取特征。经过实验测试,卷积神经网络算法识别动作平均准确率为93.3%,其中行走识别准确率达到100%,坐下识别准确率为90%,跌倒识别准确率为90%,身份识别准确率为96.7%。(本文来源于《电气技术》期刊2019年11期）
邹小武,盛蒙蒙,毛家发,盛伟国[5]（2019）在《一种用于人体行为识别的CNN-BLSTM模型》一文中研究指出基于加速度计等多传感器融合的人体行为识别研究一般是通过提取特征值并利用分类器完成行为识别,因此数据特征的提取和分类器选择是该领域主要问题.针对行为特征提取和分类问题,本文提出一种基于CNN-BLSTM模型的人体行为识别方法.首先将加速度数据转换为张量形式,然后利用卷积神经网络(CNN)提取张量特征,接着将提取的特征输入双向长短期记忆网络(BLSTM)中,完成人体的行为识别.由于CNN在特征提取方面具有较好的性能,能够完整地提取特征,且行为动作在时间前后关联性较强,因此CNN-BLSTM模型具有较强的识别率.我们在WISDM数据集上进行了测试实验,结果显示所提方法对人体行为的平均识别率(多次独立重复实验的平均结果)达到了96. 95%.(本文来源于《小型微型计算机系统》期刊2019年11期）
陈华华,查永亮[6]（2019）在《基于卷积神经网络的人体行为识别方法》一文中研究指出为了更高效地识别视频中的人体行为,解决长时间视频密集采样导致计算成本过高的问题,提出一种深度残差网络和BN-Inception网络相组合的空间时间网络。用深度残差网络构建视频的空间网络,并用BN-Inception网络构建视频的时间网络。通过稀疏采样的方式提取视频中的图像和光流特征图,并将视频图像送入空间网络训练,将光流送入时间网络训练,得出各自的行为识别准确率,再将空间网络和时间网络的输出得分进行融合,得出最终识别准确率。在UCF-101和HMDB-51数据集上分别取得了94.5%和70.1%的准确率,优于很多行为识别方法。(本文来源于《杭州电子科技大学学报(自然科学版)》期刊2019年06期）
郭阿英,许志猛,陈良琴[7]（2019）在《一种基于WiFi信道状态信息的人体动作识别方法》一文中研究指出人体动作识别是以人为中心的物联网的核心技术之一。为了实现无需穿戴设备、低成本的动作识别系统,提出了一种基于WiFi信道状态信息(Channel State Information,CSI)的人体动作识别方法。该方法采用Hampel滤波结合离散小波去噪对CSI信息进行处理后,利用CSI幅度方差确定动作起止区间,从中提取CSI的特征向量,并用线性判别式分析算法(Linear Discriminant Analysis,LDA)分类器实现人体日常生活中"蹲下"、"站起"、"坐下"、"捡起"和"走"5种动作的识别,实验结果表明平均识别率可达到96%。(本文来源于《传感技术学报》期刊2019年11期）
蒋留兵,魏光萌,车俐[8]（2019）在《基于卷积神经网络的雷达人体动作识别方法》一文中研究指出利用雷达来识别人体动作对环境要求较低,且避免了摄像头带来的的隐私问题。针对这种需求,提出一种基于超宽带雷达和深度学习算法的人体动作识别方法。利用超宽带雷达的高距离分辨力,并针对人体动作的动态特性,提取出人体目标的距离-时间二维特征,弥补单一距离特征的不足。针对特征图采用一种经过优化的卷积神经网络进行识别。通过SIR-20高速探地雷达平台进行数据采集,对8种不同的人体动作进行识别,最终达到了平均99.2%的正确识别率,验证了该方法的可行性和有效性。(本文来源于《计算机应用与软件》期刊2019年11期）
李顺,郭星,吴建国[9]（2019）在《基于关键帧和骨骼信息的人体动作识别方法》一文中研究指出提出了一种基于关键帧和骨骼信息的动作识别新方法。通过深度传感器Kinect v2实时获取人体各骨骼点信息,通过采用加权K-means算法提取动作视频中的关键帧。通过每个关键帧中25个骨骼点的叁维坐标值,计算出关节角度和向量模比值两种特征量,通过优化后的动态时间规整(DTW)算法计算关键帧序列与模板库中动作模板的相似度,从而识别人体的实时动作。通过对6种常见动作的识别实验对比,结果表明:所提方法在识别速度和准确率上较高,具有实际推广性。(本文来源于《传感器与微系统》期刊2019年11期）
张聪聪,何宁[10]（2019）在《视频中的人体动作识别方法》一文中研究指出人体动作识别因其广泛的现实应用场景,成为了图像处理、计算机视觉、机器学习等领域的研究热点,但它仍然是一个具有挑战性的课题。随着深度学习技术的发展,以及计算能力的进步(如GPU等),基于视频的研究领域越来越受到重视,也为基于视频的人体动作识别研究带来了新的研究方向。文中主要介绍了传统方法和基于深度学习的人体动作识别的方法,传统方法主要从特征提取、特征编码和行为分类这3个方面进行介绍分析,深度学习方法主要介绍了基于叁维卷积神经网络、长短时记忆网络和双流网络的动作识别方法,并对这些方法在两个公开数据集上的识别率进行了对比。最后讨论了目前基于视频的人体动作识别所遇到的问题。(本文来源于《中国计算机用户协会网络应用分会2019年第二十叁届网络新技术与应用年会论文集》期刊2019-11-07）
人体识别论文开题报告
（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：
为了提高人体运动图像的目标模糊式识别精度以及计算性能,提出基于傅里叶变换的人体运动图像的目标模糊模式识别算法.根据Hu-Fourier特征描述子,能够准确提取出人体运动图像目标区域的轮廓特征.在上述基础上,对目标区域进行滑动窗口检测,匹配人体不同部位的模型,将得到的反馈信息通过树形结构进行人体建模,实现人体运动图像的目标模糊模式识别.实验结果表明,所提算法能够在准确性较高的情况下,相比传统算法提高了所提算法的识别速度,并且能够满足实时进行监控的需求.
（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。
人体识别论文参考文献
[1].杨丰嘉.基于Log-Euclidean词袋模型与基于Stein核稀疏编码的人体行为识别算法的优化与改进[J].科技创新与应用.2019
[2].李赛.人体运动图像的目标模糊模式识别算法[J].微电子学与计算机.2019
[3].罗坚,黎梦霞,罗诗光.一种基于深度摄像机的3D人体步态建模和识别方法[J].光学技术.2019
[4].王召军,许志猛.基于低分辨率红外阵列传感器的人体身份和动作识别[J].电气技术.2019
[5].邹小武,盛蒙蒙,毛家发,盛伟国.一种用于人体行为识别的CNN-BLSTM模型[J].小型微型计算机系统.2019
[6].陈华华,查永亮.基于卷积神经网络的人体行为识别方法[J].杭州电子科技大学学报(自然科学版).2019
[7].郭阿英,许志猛,陈良琴.一种基于WiFi信道状态信息的人体动作识别方法[J].传感技术学报.2019
[8].蒋留兵,魏光萌,车俐.基于卷积神经网络的雷达人体动作识别方法[J].计算机应用与软件.2019
[9].李顺,郭星,吴建国.基于关键帧和骨骼信息的人体动作识别方法[J].传感器与微系统.2019
[10].张聪聪,何宁.视频中的人体动作识别方法[C].中国计算机用户协会网络应用分会2019年第二十叁届网络新技术与应用年会论文集.2019
论文知识图
