深度學(xué)習(xí)在生理機(jī)能中的應(yīng)用

目錄 \n
前言 \n
第1章　人體目標(biāo)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(biāo)跟蹤算法的研究現(xiàn)狀　3 \n
1.2.1　人體目標(biāo)跟蹤的重要組成部分　3 \n
1.2.2　人體目標(biāo)跟蹤算法分類　6 \n
參考文獻(xiàn)　10 \n
第2章　可變形卷積神經(jīng)網(wǎng)絡(luò)算法跟蹤器　13 \n
2.1　卷積神經(jīng)網(wǎng)絡(luò)　13 \n
2.2　可變形卷積神經(jīng)網(wǎng)絡(luò)　16 \n
2.2.1　可變形卷積的構(gòu)建　16 \n
2.2.2　可變形網(wǎng)絡(luò)理論　18 \n
2.2.3　可變形網(wǎng)絡(luò)反向傳播　21 \n
2.3　可變形卷積神經(jīng)網(wǎng)絡(luò)算法的設(shè)計(jì)　21 \n
2.3.1　MDNet跟蹤算法概述　21 \n
2.3.2　DCT網(wǎng)絡(luò)設(shè)計(jì)　22 \n
2.3.3　DCT算法軟化損失函數(shù)　23 \n
2.3.4　DCT跟蹤器算法設(shè)計(jì)　25 \n
2.3.5　DCT算法性能優(yōu)化　27 \n
2.4　本章小結(jié)　33 \n
參考文獻(xiàn)　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(chǔ)知識(shí)　35 \n
3.2　通道注意力形變網(wǎng)絡(luò)設(shè)計(jì)　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(shè)計(jì)　37 \n
3.2.3　CDCT跟蹤算法設(shè)計(jì)　40 \n
3.3　跟蹤器性能比較　41 \n
3.3.1　CDCT性能對(duì)比　41 \n
3.3.2　對(duì)比實(shí)驗(yàn)　42 \n
3.4　本章小結(jié)　43 \n
參考文獻(xiàn)　43 \n
第4章　3D骨架朝向數(shù)據(jù)的幾何代數(shù)表示與集成方法研究　45 \n
4.1　3D骨架朝向數(shù)據(jù)應(yīng)用　45 \n
4.2　骨架數(shù)據(jù)獲取方法　46 \n
4.2.1　直接獲取3D骨架數(shù)據(jù)　46 \n
4.2.2　3D姿態(tài)估計(jì)和骨架構(gòu)造　50 \n
4.3　信息表達(dá)　50 \n
4.3.1　關(guān)于關(guān)節(jié)位移的表征　50 \n
4.3.2　基于關(guān)節(jié)方向的表征　51 \n
4.3.3　基于原始關(guān)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(jié)　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(jì)的編碼　54 \n
4.4.3　基于詞袋的編碼　55 \n
4.4.4　小結(jié)　55 \n
4.5　結(jié)構(gòu)和拓?fù)渥儞Q　55 \n
4.5.1　基于低級(jí)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(jié)　57 \n
參考文獻(xiàn)　57 \n
第5章　幾何代數(shù)基礎(chǔ)　63 \n
5.1　幾何代數(shù)　63 \n
5.2　外積　63 \n
5.3　內(nèi)積　66 \n
5.4　幾何積　68 \n
5.5　逆運(yùn)算和倒運(yùn)算　72 \n
5.6　叉積　73 \n
5.7　反射和旋轉(zhuǎn)　73 \n
5.7.1　反射　73 \n
5.7.2　旋轉(zhuǎn)　75 \n
5.8　本章小結(jié)　78 \n
參考文獻(xiàn)　78 \n
第6章　基于幾何代數(shù)的人體姿態(tài)朝向描述符及集成動(dòng)作分類算法介紹　79 \n
6.1　人體的姿態(tài)描述與內(nèi)在關(guān)系　79 \n
6.2　基于幾何代數(shù)的人體姿態(tài)朝向描述符　80 \n
6.2.1　基于幾何代數(shù)的人體關(guān)節(jié)旋轉(zhuǎn)描述　81 \n
6.2.2　基于幾何代數(shù)的人體關(guān)節(jié)角度描述　87 \n
6.3　基于幾何代數(shù)的人體姿態(tài)朝向表征及集成動(dòng)作分類方法　90 \n
6.3.1　基于幾何代數(shù)的人體姿態(tài)朝向表征　90 \n
6.3.2　集成動(dòng)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(jié)　97 \n
參考文獻(xiàn)　98 \n
第7章　基于幾何代數(shù)的人體姿態(tài)朝向表征算法分析、驗(yàn)證及應(yīng)用　99 \n
7.1　基于Kinect V2骨骼朝向數(shù)據(jù)集　99 \n
7.2　在數(shù)據(jù)集SZU-3D-SOEARD上的表征和分類算法分析、驗(yàn)證　101 \n
7.3　在數(shù)據(jù)集SYSU-3D-HOI上的表征和分類算法分析、驗(yàn)證　111 \n
7.4　基于單幀人體姿態(tài)朝向表征的在線實(shí)時(shí)姿態(tài)校準(zhǔn)系統(tǒng)　113 \n
7.5　本章小結(jié)　117 \n
參考文獻(xiàn)　118 \n
第8章　基于運(yùn)動(dòng)目標(biāo)的光流信息以及光流網(wǎng)絡(luò)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(jìn)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(wǎng)絡(luò)的分類　122 \n
8.3.1　光流卷積網(wǎng)絡(luò)FlowNet　122 \n
8.3.2　光流卷積網(wǎng)絡(luò)FlowNet 2.0　124 \n
8.3.3　光流網(wǎng)絡(luò) TV-Net　125 \n
8.4　本章小結(jié)　128 \n
參考文獻(xiàn)　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(yīng)匹配　130 \n
9.1.2　非相似性方法　131 \n
9.1.3　特征點(diǎn)匹配優(yōu)化　131 \n
9.2　虛擬特征點(diǎn)的補(bǔ)充　132 \n
9.3　模糊邏輯的權(quán)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(jīng)網(wǎng)絡(luò)　135 \n
9.3.4　基于模糊邏輯的判斷　136 \n
9.3.5　權(quán)重的相適應(yīng)性　137 \n
9.4　實(shí)驗(yàn)結(jié)果與分析　139 \n
9.5　本章小結(jié)　140 \n
參考文獻(xiàn)　140 \n
第10章　基于光流卷積網(wǎng)絡(luò)的Siamese雙路輸入模型介紹　142 \n
10.1　端到端訓(xùn)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(xué)習(xí)　142 \n
10.1.2　算法細(xì)節(jié)　144 \n
10.1.3　SiamFC算法跟蹤結(jié)果　145 \n
10.2　基于光流網(wǎng)絡(luò)的檢測(cè)幀模型　146 \n
10.2.1　檢測(cè)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(wǎng)絡(luò)的注意力模型　151 \n
10.3.1　注意力機(jī)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(wǎng)絡(luò)的注意力模型　153 \n
10.3.4　滴漏注意力模型　154 \n
10.4　實(shí)驗(yàn)結(jié)果　156 \n
10.4.1　SiamFlow實(shí)驗(yàn)　156 \n
10.4.2　對(duì)比實(shí)驗(yàn)　158 \n
10.5　本章小結(jié)　160 \n
參考文獻(xiàn)　160 \n
第11章　生理機(jī)能評(píng)估研究　162 \n
11.1　研究背景　162 \n
11.2　生理機(jī)能　162 \n
11.2.1　運(yùn)動(dòng)功能　163 \n
11.2.2　感官功能　164 \n
11.2.3　認(rèn)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(jī)能評(píng)估　165 \n
11.4　國(guó)內(nèi)外發(fā)展現(xiàn)狀　167 \n
參考文獻(xiàn)　168 \n
第12章　基于Kinect深度攝像頭的生理機(jī)能評(píng)估　171 \n
12.1　Kinect深度攝像頭簡(jiǎn)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(guān)節(jié)活動(dòng)度評(píng)估　174 \n
12.2.1　肘及膝關(guān)節(jié)活動(dòng)表征　175 \n
12.2.2　肩髖關(guān)節(jié)活動(dòng)度表征　175 \n
12.2.3　頸椎關(guān)節(jié)活動(dòng)度表征　176 \n
12.2.4　Kinect關(guān)節(jié)角度采集及驗(yàn)證　177 \n
12.3　動(dòng)作檢測(cè)分析　178 \n
12.3.1　DTW匹配算法　178 \n
12.3.2　DTW算法改進(jìn)　181 \n
12.3.3　DTW改進(jìn)算法分析及驗(yàn)證　183 \n
12.4　步態(tài)評(píng)估　190 \n
12.4.1　步態(tài)評(píng)估表征數(shù)據(jù)的提取　190 \n
12.4.2　K近鄰算法　192 \n
12.4.3　步態(tài)評(píng)估結(jié)果　194 \n
12.5　基于Kinect V2的快速上肢評(píng)估　195 \n
12.5.1　快速上肢評(píng)估　195 \n
12.5.2　基于Kin2-RULA的快速上肢評(píng)估　196 \n
12.5.3　實(shí)驗(yàn)結(jié)果與分析　199 \n
12.5.4　基于Kin2-RULA的生理機(jī)能評(píng)估　201 \n
12.6　本章小結(jié)　201 \n
參考文獻(xiàn)　202 \n
第13章　基于立體攝像頭的生理機(jī)能評(píng)估　204 \n
13.1　基于立體攝像頭的3D人體姿態(tài)評(píng)估模型　204 \n
13.1.1　立體攝像機(jī)標(biāo)定　205 \n
13.1.2　幀同步　208 \n
13.1.3　2D人體姿態(tài)評(píng)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(píng)估模型實(shí)驗(yàn)驗(yàn)證　212 \n
13.2.1　手標(biāo)獲取標(biāo)準(zhǔn)庫方法驗(yàn)證　213 \n
13.2.2　3D人體姿態(tài)評(píng)估驗(yàn)證　214 \n
13.3　基于人體姿態(tài)評(píng)估模型的生理機(jī)能評(píng)估　218 \n
13.3.1　基于人體姿態(tài)評(píng)估模型的TUG評(píng)估　218 \n
13.3.2　步態(tài)評(píng)估　220 \n
13.4　本章小結(jié)　221 \n
參考文獻(xiàn)　221