Сочинение на тему Достижения в отслеживании движений человека на основе видения без маркеров
- Опубликовано: 21.08.2020
- Предмет: социология
- Темы: наблюдение, связь
Аннотация
Захват и анализ движений человека
Захват и анализ движений человека продолжают становиться все более активной областью исследований в области компьютерного зрения, искусственного интеллекта и других смежных областей в течение этих двух десятилетий. В последние годы выявлен ряд значительных достижений в области исследований, а также новые методологии автоматической инициализации, отслеживания, оценки поз и распознавания движения. Принимая во внимание, что автоматическое понимание действий и поведения человека является наиболее трудной и наиболее сложной задачей в анализе движения человека и благодаря отличительным преимуществам безмаркерных систем слежения за зрением: будучи неинкурсивным и гораздо менее дорогим, в этом отчете лишь кратко рассматриваются последние тенденции и достижения в области отслеживания человека без маркера из 40 публикаций за 2007–2012 гг., а также обсуждение открытых проблем для будущих исследований по достижению автоматического визуального анализа движения человека. Последние применения отслеживания движений человека фокусируют надежное отслеживание и оценку поз в естественных условиях и на открытом воздухе. Алгоритмы отслеживания, объединяющие добавочное обучение и фильтр частиц, в последнее время приобретают все больший интерес с целью архивирования адаптивного и надежного отслеживания и автоматического понимания действий и поведения человека. Введение Анализ движений человека представляет собой весьма активную область исследований, обусловленную как количеством потенциальных приложений, так и его присущая сложность.
Анализ движений человека представляет собой широкую концепцию, от движения небольших частей тела, таких как губы, до крупных частей, таких как голова, руки, ноги и все тело. Значительные исследовательские усилия в этой области были мотивированы тем фактом, что многие Области применения, включая интеллектуальное наблюдение, взаимодействие человека с компьютером (HCI), дополненную реальность (AR), извлечение видео на основе содержимого, визуальное обслуживание и автоматическое аннотирование, получат преимущества от надежного решения. В большинстве существующих систем слежения за движениями на основе зрения человеческое тело должно иметь специальное оборудование или «маркеры», которые выделяют интересующую его часть. Стоимость дорогого оборудования и тот факт, что это навязчивый метод, в некоторой степени ограничивают применение и делают менее достижимым достижение некоторых целей. Таким образом, анализ движений человека на основе видения без маркеров может предоставить недорогое, ненавязчивое решение для оценки поз тела. Хотя существует общий обзор, основанный на таксономии функциональных возможностей системы, анализ разбитого движения человека на четыре процесса : инициализация, отслеживание, оценка позиции и распознавание, существуют другие таксономии, которые не разделяют отслеживание и оценку позиции, потому что они не совсем четко разделены во временной последовательности во время процедуры анализа. [4] определяет отслеживание видео как проблему следования элементов изображения, перемещающихся по видеопоследовательности автоматически, и демонстрирует, что системы отслеживания должны решать две основные проблемы: движение и местоположение.
Задача движения состоит в том, чтобы предсказать местоположение отслеживаемого элемента изображения в следующем кадре, то есть идентифицировать ограниченную область поиска, в которой ожидается, что элемент будет найден с высокой вероятностью. Проблема определения местоположения состоит в том, чтобы идентифицировать элемент изображения в следующем кадре в пределах обозначенной области поиска. Так что здесь «Отслеживание» в нашей теме как комбинация. отслеживание и оценка поз, упомянутые выше, кажутся более подходящими Формально мы здесь определяем отслеживание движений человека как процесс захвата крупномасштабных движений тела субъекта с некоторой разрешающей способностью. В этом отчете мы кратко рассмотрим последние тенденции и достижения в области отслеживания движений человека без маркера из 40 литературы за 2007–2012 годы, а также как обсуждение открытых проблем для будущих исследований для достижения автоматического визуального анализа движения человека. Последние применения отслеживания движений человека фокусируют надежное отслеживание и оценку поз в естественных условиях и на открытом воздухе. Алгоритмы отслеживания, объединяющие добавочное обучение и фильтр частиц, в последнее время приобретают все больший интерес для архивирования адаптивного и надежного отслеживания и автоматического понимания действий и поведения человека.
Новые популярные области применения
В последние годы исследователи продолжают прилагать усилия к отслеживанию движений человека без зрительных образов в различных областях. В следующей части кратко описаны некоторые из текущих и потенциальных применений технологий захвата движения человеком. Нижеследующее не является всеобъемлющим исследованием, а представляет собой общий раздел общих тем, в которых были применены технологии захвата движения человека, и тем, в которых технологии захвата движения могут быть полезными. Приложения примерно сгруппированы под тремя названиями: «Наблюдение», «Контроль» и «Анализ». Следующая часть кратко описывает некоторые из текущих и потенциальных применений технологий захвата движений человека. Это список некоторых общих тем, в которых были применены технологии захвата движения человека, и технологии захвата движения могут быть полезными. Приложения примерно сгруппированы под тремя названиями: Наблюдение, контроль и анализ. Приложения наблюдения охватывают некоторые из более классических типов проблем, связанных с автоматическим мониторингом и пониманием мест, через которые проходит большое количество людей, таких как аэропорты и метро. [9, 24] относятся к этой категории.
Управляйте приложениями, в которых оцененные параметры движения или позы используются для управления роботом или виртуальным существом. Примеры, такие как дистанционное управление рукой робота, виртуальная мышь для инвалидов. Он также применяется в развлечениях или в определенных играх. Такие устройства, как устройство Kinect в Microsoft Xbox 360 и PlayStation Move, используют соответствующие технологии. [7, 10, 22, 26, 27] относятся к этой категории.
Аналитические приложения, такие как автоматическая диагностика ортопедических пациентов или анализ и оптимизация выступлений спортсмена. Более новыми приложениями являются аннотация видео, а также извлечение и сжатие видео на основе контента для компактного хранения данных или эффективной передачи данных, например, для видеоконференций и индексирования. Еще одна область применения находится в автомобильной промышленности, где в настоящее время проводится множество исследований в области таких приложений, как автоматическое управление подушками безопасности, обнаружение сна, обнаружение пешеходов, отслеживание полосы движения и т. Д. [8, 16, 37] относятся к этой категории. / р>
Таксономия отслеживания
Как упоминалось ранее, отслеживание – это задача правильной идентификации цели из последовательности кадров, а отслеживание означает успешную сегментацию функций и прогнозирование частей тела (вкратце, ОЦЕНКА ПОЗЫ). Ранее в [3, 4] и другой предшествующей литературе были разные таксономии. Сегментирование нежестких объектов, которые демонстрируют самоисключающее движение, является по своей сути трудной задачей. В сочетании с тем фактом, что оценка этого движения обязательно должна быть точной, поскольку люди естественным образом обнаруживают расхождения в полученных данных движения. Таким образом, мы разделяем отслеживание движения человека на 4 процедуры: сегментация объекта, представление объекта, обновление модели с помощью онлайн-обучения или настройка параметров для методов без модели, а также прогнозирование и оценка.
Существует четыре популярных подхода к сегментации:
– Вычитание фона [5]
– Линия обнаружения. Обнаружение цвета [5, 23]
– Поток движения. Категории представления: i. Blobs [10]
– Линесиии. Contoursiv. Silhouettesv. Цилиндр [11]
– Мешвий. 3D модели [12]
Проблема с отслеживанием людей в сцене заключается в том, что они демонстрируют негибкое сочлененное движение, внешний вид цели меняется со временем. Кроме того, цель может быть частично или полностью закрыта в последовательности кадров или, возможно, окклюзировать себя. Это подразумевает, что отслеживание людей является сложной задачей. Однако, как правило, существуют три аспекта для достижения этой цели: Основным этапом является отделение человека (или его части) от фона. Тогда полезно уменьшить сложность последующих данных, представив их в более управляемой форме. Наконец, чтобы развернуть некоторую модель движения между кадрами.
Общее предположение состоит в том, что движение между кадрами является небольшим, что позволяет прогнозировать положение новой функции с помощью таких алгоритмов, как фильтр Калмана (KF), EKF, фильтр Paticle и т. д. Методы прогнозирования, используемые в последнее время, следующим образом: Фильтр Калмана [] ii. Расширенный фильтр Калмана (EKF) [2] iii. Рассмотрение iv. Оптимизация роя частиц (PSO) [27, 29] v. Фильтр частиц и расширенный фильтр частиц [12] Общее понятие фильтра Калмана состоит в том, что с учетом некоторого движущегося объекта в сцене и соответствующей модели движения можно предсказать положение объекта. Область прогнозирования изначально довольно велика. Если выполняется локальный поиск вокруг прогнозируемого местоположения и найдена функция, то информация о новом измерении используется для обновления и улучшения механизма прогнозирования. Фильтры Калмана широко используются [6], [9], [17], [24], [36], но обычно они эффективны (и предназначены для) движения, которое можно описать с помощью линейных уравнений.
Принципиальное предположение фильтра Калмана состоит в том, что его уравнения измерения являются линейно-стохастическими разностными уравнениями. Однако, поскольку большая часть движения, демонстрируемого людьми в сцене, является нежесткой и шарнирной, фильтр Калмана не справляется с возникающими нелинейностями. В общем случае эти нелинейности представляют собой совокупность различных нелинейных матриц вращения и перспективных отображений, а в крайнем случае – конечных точек и самосогласований. Конечные точки описываются как движение, проявляющееся, когда соединение блокируется, иначе резко останавливая вращательное движение жидкости. Если происходит линеаризация о собственных гауссовских распределениях, возможно, можно линеаризовать некоторые из наблюдаемых нелинейностей. Этот подход называется расширенным фильтром Калмана (EKF). Однако этот фильтр может быть сложным для реализации и является дорогостоящим в вычислительном отношении из-за необходимых вычислений якобиевых матриц. Сообщается, что фильтр Юлиера «Uncencented» [28] более подходит, эффективен и легче внедряется, чем расширенный фильтр Калмана. Для основанной на модели системы слежения использовался пассивный априор: края, цвет, текстура, ограничения движения, включая отношения, структуру и форма, передвижение и другие ограничения. Чтобы обновить модель во время движения, нам нужно изучить новую дисперсию модели.
Таким образом, анализ за синтезом используется обычно. Анализ за синтезом – это термин, данный этому процессу анализа сцены путем сравнения ее внешнего вида с моделью этой сцены. I. Распределение точек Модели. Фаза Spaceiii. Сетка модельная. Адаптивный Eignspacev. Инкрементальное обучение В ситуации проблема отслеживания в плотном визуальном беспорядке является сложной задачей. Фильтрация Калмана неадекватна, потому что она основана на гауссовых плотностях, которые, будучи унимодальными, не могут представлять одновременную множественную гипотезу. Алгоритм конденсации [27] использует факторизованную выборку, ранее примененную для интерпретации статических изображений, в которой распределение вероятностей возможных интерпретаций представлено случайно сгенерированным набором. Конденсация использует изученные динамические модели вместе с визуальными наблюдениями для распространения случайных данных. установить со временем. Результатом является очень надежное отслеживание гибкого движения. Основной недостаток использования алгоритма конденсации обрисован в общих чертах и частично преодолен продолжением работы первоначальных авторов. Фильтр отожженных частиц, который в принципе способствует уменьшению количества или «частиц» или гипотезы в слежении за несколькими гипотезами. Несмотря на повышение эффективности алгоритма конденсации в 10 раз, этот подход все еще далек от реального времени.
Неограниченное обучение, сочетающее алгоритм фильтра частиц для визуального отслеживания
Для более часто используемого отслеживания без модели часто используется подход инкрементального обучения, например [6-7-8-10-13]. Большинство существующих алгоритмов отслеживания создают представление целевого объекта до отслеживания задание запускается и использует инвариантные функции для обработки изменения внешнего вида цели, вызванного изменением освещения, позы и угла обзора. В этой статье инкрементное обучение предоставляет эффективный и действенный онлайн-алгоритм, который постепенно изучает и адаптирует низкоразмерное представление собственного пространства для отражения изменений внешнего вида цели, тем самым облегчая задачу отслеживания. Кроме того, наш инкрементальный метод корректно обновляет среднее значение выборки и собственное основание, в то время как существующие методы инкрементного обновления подпространства игнорируют тот факт, что среднее значение выборки изменяется во времени, проблема отслеживания формулируется как проблема вывода состояний в рамках цепочки Маркова и Монте-Карло и частицы Фильтр включен для распространения образцов распределения во времени. Многочисленные эксперименты демонстрируют эффективность предложенного алгоритма отслеживания в помещениях и на улице, где целевые объекты претерпевают значительные изменения позы и освещения.
Будущая работа
Священный Грааль захвата движения без маркера – это система, которая может точно интерпретировать поведение человека, носящего одежду любого описания, при различных условиях освещения с помощью камеры, которая движется и отслеживает объект. Система должна работать в режиме реального времени и обеспечивать обратную связь относительно визуальной точности для своих пользователей. Эта система может даже попытаться распознать части движения в качестве идентифицируемых известных жестов и иметь возможность маркировать или интерпретировать соответственно. На данном этапе эта цель еще не достигнута. Была достигнута значительная работа, но пока еще не существует системы захвата движения без маркера, которая бы полностью охватывала все аспекты захвата движения. Характер трудностей, связанных с оптическим захватом движения, привел исследователей к созданию систем, которые описывают общее предполагаемое движение, а не точное местоположение суставов во времени. Этот обзор был преднамеренно узким по своей направленности …
Из всех методов ведения журнала журнал пули является самым простым, но с наибольшей путаницей. Возможно, вы видели журнал пули раньше и думали, что вы можете
На прошлой неделе я наблюдал двух клиентов, которые страдали от общих психических расстройств, хотя развитие состояния было очень различным, особенно из-за существующих различий в социальной
Основная цель данного исследования состояла в том, чтобы создать многомерную меру религиозности, используя общественность в качестве образца. В этом исследовании под религиозностью подразумеваются убеждения и