智能視覺信息處理關(guān)鍵技術(shù)

目錄
**篇 人體行為軌跡估計(jì)與跟蹤
第1章 基于多特征級聯(lián)稀疏表示的目標(biāo)跟蹤方法 3
1.1 引言 3
1.2 基于粒子濾波框架的跟蹤算法 5
1.2.1 粒子濾波算法 5
1.2.2 基于多特征融合的粒子濾波跟蹤算法 6
1.3 基于多特征融合表示的外觀模型 7
1.4 基于級聯(lián)稀疏編碼的目標(biāo)表示 8
1.4.1 構(gòu)造外觀模型 8
1.4.2 **級稀疏編碼 9
1.4.3 第二級稀疏編碼 10
1.5 狀態(tài)更新 11
1.6 實(shí)驗(yàn)結(jié)果與性能分析 13
1.6.1 參數(shù)設(shè)置 14
1.6.2 定性比較 15
1.6.3 定量比較 18
1.7 本章小結(jié) 23
第2章 基于目標(biāo)性度量學(xué)習(xí)的加權(quán)多示例跟蹤方法 24
2.1 引言 24
2.2 基于目標(biāo)性度量學(xué)習(xí)的加權(quán)多示例跟蹤算法整體框架 25
2.3 目標(biāo)性度量學(xué)習(xí) 26
2.4 基于目標(biāo)性度量權(quán)重分配的包概率計(jì)算 28
2.5 分類器更新 30
2.6 在線目標(biāo)匹配約束 31
2.7 基于其他指標(biāo)的目標(biāo)性度量 33
2.8 實(shí)驗(yàn)結(jié)果與性能分析 34
2.8.1 參數(shù)設(shè)置 34
2.8.2 定性比較 35
2.8.3 基于不同目標(biāo)性度量指標(biāo)的加權(quán)多示例跟蹤算法對比實(shí)驗(yàn) 39
2.8.4 定量比較 40
2.9 本章小結(jié) 45
第3章 基于壓縮感知尺度自適應(yīng)的多示例交通目標(biāo)跟蹤方法 46
3.1 引言 46
3.2 基于壓縮感知的多示例特征提取 48
3.3 低維壓縮特征的多示例分類 49
3.4 基于目標(biāo)性度量的尺度自適應(yīng)調(diào)整 50
3.4.1 尺度自適應(yīng)跟蹤框選取 51
3.4.2 目標(biāo)性度量 52
3.5 基于目標(biāo)判別機(jī)制的分類器更新 52
3.6 實(shí)驗(yàn)結(jié)果與性能分析 55
3.6.1 參數(shù)設(shè)置 55
3.6.2 定性比較 56
3.6.3 定量分析 61
3.6.4 對比實(shí)驗(yàn) 63
3.7 本章小結(jié) 65
第4章 基于特征學(xué)習(xí)軌跡置信度計(jì)算的多人目標(biāo)跟蹤方法 67
4.1 引言 67
4.2 基于KCF學(xué)習(xí)軌跡置信度計(jì)算的多人目標(biāo)跟蹤算法 68
4.2.1 基于KCF的關(guān)聯(lián)相似度計(jì)算 69
4.2.2 基于KCF的檢測響應(yīng)校正 72
4.2.3 基于KCF的遮擋分析 73
4.2.4 基于APCE軌跡置信度的兩步數(shù)據(jù)關(guān)聯(lián) 74
4.2.5 候選目標(biāo)假設(shè)集的更新 75
4.3 實(shí)驗(yàn)結(jié)果與性能分析 76
4.3.1 多目標(biāo)跟蹤數(shù)據(jù)集 76
4.3.2 參數(shù)設(shè)置與評價(jià)指標(biāo) 76
4.3.3 消融實(shí)驗(yàn)分析 77
4.3.4 與主流算法對比分析 79
4.4 本章小結(jié) 85
第二篇 2D 人體姿態(tài)估計(jì)
第5章 基于多尺度特征學(xué)習(xí)的多人姿態(tài)估計(jì) 89
5.1 引言 89
5.2 基于多尺度特征學(xué)習(xí)的多人姿態(tài)估計(jì)算法 90
5.2.1 網(wǎng)絡(luò)架構(gòu)設(shè)計(jì) 90
5.2.2 基于注意力的多尺度特征融合模型 91
5.2.3 尺度感知的關(guān)節(jié)點(diǎn)回歸模型 94
5.3 實(shí)驗(yàn)結(jié)果與性能分析 95
5.3.1 多人姿態(tài)估計(jì)數(shù)據(jù)集 95
5.3.2 參數(shù)設(shè)置與評價(jià)指標(biāo) 95
5.3.3 消融實(shí)驗(yàn)分析 97
5.3.4 與主流算法對比分析 98
5.4 本章小結(jié) 102
第6章 基于序列多尺度特征融合表示的層級舞蹈動(dòng)作姿態(tài)估計(jì) 103
6.1 引言 103
6.2 基于序列多尺度特征融合表示的層級舞蹈動(dòng)作姿態(tài)估計(jì)算法 104
6.2.1 基于YOLOv3的人體框檢測 104
6.2.2 多尺度特征融合表示 105
6.2.3 基于關(guān)節(jié)點(diǎn)幾何關(guān)系的層級姿態(tài)估計(jì) 107
6.2.4 損失函數(shù) 108
6.3 實(shí)驗(yàn)結(jié)果與性能分析 109
6.3.1 實(shí)驗(yàn)數(shù)據(jù)、對比算法及評價(jià)指標(biāo) 109
6.3.2 實(shí)驗(yàn)設(shè)置 109
6.3.3 實(shí)驗(yàn)結(jié)果分析 109
6.4 本章小結(jié) 114
第三篇 3D人體姿態(tài)估計(jì)
第7章 基于時(shí)空注意力機(jī)制的3D人體姿態(tài)估計(jì) 117
7.1 引言 117
7.2 網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計(jì) 118
7.3 基于時(shí)空注意力機(jī)制的3D人體姿態(tài)估計(jì)算法 119
7.3.1 骨架約束池化模型 119
7.3.2 時(shí)空注意力特征提取模型 120
7.3.3 多尺度特征融合模型 122
7.3.4 網(wǎng)絡(luò)損失函數(shù) 122
7.4 實(shí)驗(yàn)結(jié)果與性能分析 123
7.4.1 3D姿態(tài)數(shù)據(jù)集 123
7.4.2 參數(shù)設(shè)置與評價(jià)指標(biāo) 123
7.4.3 消融實(shí)驗(yàn)分析 124
7.4.4 與主流算法對比分析 125
7.4.5 可視化結(jié)果 128
7.5 本章小結(jié) 130
第8章 基于平行多尺度時(shí)空圖卷積網(wǎng)絡(luò)的3D人體姿態(tài)估計(jì) 131
8.1 引言 131
8.2 時(shí)空圖卷積網(wǎng)絡(luò) 132
8.3 平行多尺度時(shí)空圖卷積模型 133
8.3.1 對角占優(yōu)的時(shí)空注意力圖卷積 134
8.3.2 平行多尺度時(shí)空圖卷積網(wǎng)絡(luò) 136
8.4 整體網(wǎng)絡(luò)結(jié)構(gòu) 139
8.5 實(shí)驗(yàn)結(jié)果與性能分析 140
8.5.1 數(shù)據(jù)集與評價(jià)指標(biāo) 140
8.5.2 實(shí)驗(yàn)設(shè)置 140
8.5.3 實(shí)驗(yàn)結(jié)果分析 141
8.5.4 可視化結(jié)果 146
8.6 本章小結(jié) 147
第四篇 舞蹈姿態(tài)估計(jì)與對比分析
第9章 基于2D姿態(tài)估計(jì)的舞蹈動(dòng)作相似度計(jì)算 151
9.1 引言 151
9.2 基于階梯型相似度計(jì)算的 2D 舞蹈動(dòng)作對比 152
9.2.1 關(guān)節(jié)點(diǎn)定位 152
9.2.2 偏移角度計(jì)算 153
9.2.3 相似度計(jì)算與姿態(tài)疊加 154
9.3 實(shí)驗(yàn)結(jié)果與性能分析 155
9.3.1 實(shí)驗(yàn)數(shù)據(jù)與環(huán)境 155
9.3.2 基于2D姿態(tài)估計(jì)的實(shí)驗(yàn)結(jié)果與分析 155
9.4 本章小結(jié) 158
第10章 基于3D姿態(tài)估計(jì)的舞蹈動(dòng)作相似度計(jì)算 160
10.1 引言 160
10.2 基于上下文和跨點(diǎn)匹配的動(dòng)態(tài)時(shí)間規(guī)整的舞蹈動(dòng)作相似度計(jì)算 161
10.2.1 3D 骨骼關(guān)節(jié)點(diǎn)數(shù)據(jù)采集 161
10.2.2 舞蹈動(dòng)作特征提取 162
10.2.3 基于CCDTW算法的動(dòng)作時(shí)序?qū)R 164
10.3 實(shí)驗(yàn)結(jié)果與性能分析 167
10.3.1 實(shí)驗(yàn)數(shù)據(jù)與環(huán)境 167
10.3.2 動(dòng)作相似度計(jì)算與糾正意見反饋 167
10.3.3 基于 3D 姿態(tài)估計(jì)的實(shí)驗(yàn)結(jié)果與分析 169
10.4 本章小結(jié) 170
第五篇 漢字字體自動(dòng)生成
第11章 基于骨架信息的漢字字體生成方法 175
11.1 引言 175
11.2 網(wǎng)絡(luò)架構(gòu)設(shè)計(jì) 176
11.3 基于端到端骨架引導(dǎo)的字體生成模型 177
11.3.1 數(shù)據(jù)預(yù)處理 177
11.3.2 字體骨架合成網(wǎng)絡(luò) 178
11.3.3 字體風(fēng)格修正網(wǎng)絡(luò) 180
11.3.4 網(wǎng)絡(luò)損失函數(shù) 181
11.4 實(shí)驗(yàn)結(jié)果與性能分析 181
11.4.1 字體生成數(shù)據(jù)集 181
11.4.2 參數(shù)設(shè)置與評價(jià)指標(biāo) 181
11.4.3 消融實(shí)驗(yàn)分析 183
11.4.4 與主流算法進(jìn)行對比分析 185
11.4.5 拓展實(shí)驗(yàn) 190
11.5 本章小結(jié) 191
第六篇 應(yīng)用篇
第12章 應(yīng)用平臺開發(fā) 195
12.1 引言 195
12.2 舞蹈動(dòng)作相似度計(jì)算與對比分析平臺 195
12.2.1 舞蹈動(dòng)作姿態(tài)估計(jì)與對比分析的意義 195
12.2.2 舞蹈動(dòng)作相似度計(jì)算軟件平臺 196
12.3 人工智能傳統(tǒng)文化“活化”交互平臺 197
12.3.1 傳統(tǒng)文化元素“活化”的意義 197
12.3.2 人工智能傳統(tǒng)文化“活化”交互平臺軟件 197
12.4 人工智能數(shù)字書法創(chuàng)作交互平臺 198
12.4.1 數(shù)字書法創(chuàng)作的意義 198
x 智能視覺信息處理關(guān)鍵技術(shù)
12.4.2 人工智能數(shù)字書法創(chuàng)作交互平臺軟件 199
12.5 本章小結(jié) 200
參考文獻(xiàn) 201