欢迎来到天天文库
浏览记录
ID:23099954
大小:2.57 MB
页数:72页
时间:2018-11-04
《基于深度学习的体育视频关键姿态检测》由会员上传分享,免费在线阅读,更多相关内容在学术论文-天天文库。
1、中文图书分类号:TP391密级:公开UDC:39学校代码:10005硕士专业学位论文PROFESSIONALMASTERDISSERTATION论文题目:基于深度学习的体育视频关键姿态检测论文作者:张世杰专业类别/领域:电子与通信工程指导教师:毋立芳教授论文提交日期:2017年5月UDC:39学校代码:10005中文图书分类号:TP391学号:S201402166密级:公开北京工业大学硕士专业学位论文(全日制)题目基于深度学习的体育视频关键帧检测英文题目DeepLearningBasedKeyFrameDetectionForSportVideo论文作者:张世杰专业类别/领域:电子与通信工程
2、研究方向:图像处理与分析申请学位:工程硕士专业学位指导教师:毋立芳教授所在单位:电子信息与控制工程学院答辩日期:2017年5月授予学位单位:北京工业大学独创性声明本人声明所呈交的论文是我个人在导师指导下进行的研究工作及取得的研究成果。尽我所知,除了文中特别加以标注和致谢的地方外,论文中不包含其他人已经发表或撰写过的研究成果,也不包含为获得北京工业大学或其它教育机构的学位或证书而使用过的材料。与我一同工作的同志对本研究所做的任何贡献均已在论文中作了明确的说明并表示了谢意。签名:_张世杰_日期:2017.05_关于论文使用授权的说明本人完全了解北京工业大学有关保留、使用学位论文的规定,即:学校有
3、权保留送交论文的复印件,允许论文被查阅和借阅;学校可以公布论文的全部或部分内容,可以采用影印、缩印或其他复制手段保存论文。(保密的论文在解密后应遵守此规定)签名:张世杰导师签名:毋立芳__日期:___2017.05__摘要摘要视频目标检测与行为理解,已经成为机器视觉领域的热点问题。如在人机交互系统,行为监控,体育辅助训练系统等都有广泛应用。论文通过对举重视频的分析,提取运动员训练的关键姿态,从而辅助教练对运动员进行更加专业的训练,论文主要工作包括:1.提出了一种感兴趣区分类学习的关键姿态检测方法。首先用举重视频帧图像训练了一个FCN网络用于前景提取,以去除举重视频中存在大量的背景干扰。进一步
4、,通过微调CNN网络,获得一个适用于感兴趣区举重视频分类的网络模型,最后根据分类结果,设计分类结果选择策略,提取关键姿态。实验结果表明,本文提出的方法非常具有竞争力。2.提出了一种基于关键对象骨架的感兴趣区增强方法。首先用感兴趣区图像训练了一个deepskeleton网络用于骨架提取。由于举重视频中,各个关键姿态的骨架信息具有明显的差别,因此采用deepskeleton网络提取骨架信息能够增强图像的特征表达,从而提高识别的准确率。骨架信息提取完毕以后,用微调的方法训练网络,最后进行特征提取得到关键姿态。3.设计了一个举重视频关键姿态提取的系统,该体统包括显示模块和关键帧提取模块。显示模块包含
5、视频的播放和关键帧的显示,关键帧提取模块包含举重视频帧特征的提取和关键帧提取。关键词:举重视频;深度学习;关键帧检测;感兴趣区;骨架提取IAbstractAbstractTargetdetectionandbehaviorunderstandinginvideobecomeahotissueinthefieldofcomputervision.Itiswidelyutilizedinhuman-computerinteractionsystem,behaviorMonitoring,auxiliarysportstrainingsystemandsoon.Inthisthesis,byana
6、lyzingweightliftingvideo,weextractthekeyposesofathletetoassistantcoachtotrainathletesmoreprofessionally.Theprimaryworksincludesasfollows:First,weproposearegionofinterestclassificationbasedkeyposeextractionalgorithm.First,wetrainaFCNnetworkusingweightliftingvideoframestoextracttheforegroundandtoremo
7、vethebackgroundinterference.Furthermore,thetraditionalCNNnetworkisfintunedusingtheROIimages.Finally,theclassificationselectionstrategyisdesignforkeyposedetection.Theexperimentalresultsconfirmstheefficiencyo
此文档下载收益归作者所有