智能視覺信息處理關鍵技術

目錄
**篇 人體行為軌跡估計與跟蹤
第1章 基于多特征級聯(lián)稀疏表示的目標跟蹤方法 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)稀疏編碼的目標表示 8
1.4.1 構造外觀模型 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 實驗結果與性能分析 13
1.6.1 參數設置 14
1.6.2 定性比較 15
1.6.3 定量比較 18
1.7 本章小結 23
第2章 基于目標性度量學習的加權多示例跟蹤方法 24
2.1 引言 24
2.2 基于目標性度量學習的加權多示例跟蹤算法整體框架 25
2.3 目標性度量學習 26
2.4 基于目標性度量權重分配的包概率計算 28
2.5 分類器更新 30
2.6 在線目標匹配約束 31
2.7 基于其他指標的目標性度量 33
2.8 實驗結果與性能分析 34
2.8.1 參數設置 34
2.8.2 定性比較 35
2.8.3 基于不同目標性度量指標的加權多示例跟蹤算法對比實驗 39
2.8.4 定量比較 40
2.9 本章小結 45
第3章 基于壓縮感知尺度自適應的多示例交通目標跟蹤方法 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 基于目標性度量的尺度自適應調整 50
3.4.1 尺度自適應跟蹤框選取 51
3.4.2 目標性度量 52
3.5 基于目標判別機制的分類器更新 52
3.6 實驗結果與性能分析 55
3.6.1 參數設置 55
3.6.2 定性比較 56
3.6.3 定量分析 61
3.6.4 對比實驗 63
3.7 本章小結 65
第4章 基于特征學習軌跡置信度計算的多人目標跟蹤方法 67
4.1 引言 67
4.2 基于KCF學習軌跡置信度計算的多人目標跟蹤算法 68
4.2.1 基于KCF的關聯(lián)相似度計算 69
4.2.2 基于KCF的檢測響應校正 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據關聯(lián) 74
4.2.5 候選目標假設集的更新 75
4.3 實驗結果與性能分析 76
4.3.1 多目標跟蹤數據集 76
4.3.2 參數設置與評價指標 76
4.3.3 消融實驗分析 77
4.3.4 與主流算法對比分析 79
4.4 本章小結 85
第二篇 2D 人體姿態(tài)估計
第5章 基于多尺度特征學習的多人姿態(tài)估計 89
5.1 引言 89
5.2 基于多尺度特征學習的多人姿態(tài)估計算法 90
5.2.1 網絡架構設計 90
5.2.2 基于注意力的多尺度特征融合模型 91
5.2.3 尺度感知的關節(jié)點回歸模型 94
5.3 實驗結果與性能分析 95
5.3.1 多人姿態(tài)估計數據集 95
5.3.2 參數設置與評價指標 95
5.3.3 消融實驗分析 97
5.3.4 與主流算法對比分析 98
5.4 本章小結 102
第6章 基于序列多尺度特征融合表示的層級舞蹈動作姿態(tài)估計 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作姿態(tài)估計算法 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 基于關節(jié)點幾何關系的層級姿態(tài)估計 107
6.2.4 損失函數 108
6.3 實驗結果與性能分析 109
6.3.1 實驗數據、對比算法及評價指標 109
6.3.2 實驗設置 109
6.3.3 實驗結果分析 109
6.4 本章小結 114
第三篇 3D人體姿態(tài)估計
第7章 基于時空注意力機制的3D人體姿態(tài)估計 117
7.1 引言 117
7.2 網絡結構設計 118
7.3 基于時空注意力機制的3D人體姿態(tài)估計算法 119
7.3.1 骨架約束池化模型 119
7.3.2 時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 網絡損失函數 122
7.4 實驗結果與性能分析 123
7.4.1 3D姿態(tài)數據集 123
7.4.2 參數設置與評價指標 123
7.4.3 消融實驗分析 124
7.4.4 與主流算法對比分析 125
7.4.5 可視化結果 128
7.5 本章小結 130
第8章 基于平行多尺度時空圖卷積網絡的3D人體姿態(tài)估計 131
8.1 引言 131
8.2 時空圖卷積網絡 132
8.3 平行多尺度時空圖卷積模型 133
8.3.1 對角占優(yōu)的時空注意力圖卷積 134
8.3.2 平行多尺度時空圖卷積網絡 136
8.4 整體網絡結構 139
8.5 實驗結果與性能分析 140
8.5.1 數據集與評價指標 140
8.5.2 實驗設置 140
8.5.3 實驗結果分析 141
8.5.4 可視化結果 146
8.6 本章小結 147
第四篇 舞蹈姿態(tài)估計與對比分析
第9章 基于2D姿態(tài)估計的舞蹈動作相似度計算 151
9.1 引言 151
9.2 基于階梯型相似度計算的 2D 舞蹈動作對比 152
9.2.1 關節(jié)點定位 152
9.2.2 偏移角度計算 153
9.2.3 相似度計算與姿態(tài)疊加 154
9.3 實驗結果與性能分析 155
9.3.1 實驗數據與環(huán)境 155
9.3.2 基于2D姿態(tài)估計的實驗結果與分析 155
9.4 本章小結 158
第10章 基于3D姿態(tài)估計的舞蹈動作相似度計算 160
10.1 引言 160
10.2 基于上下文和跨點匹配的動態(tài)時間規(guī)整的舞蹈動作相似度計算 161
10.2.1 3D 骨骼關節(jié)點數據采集 161
10.2.2 舞蹈動作特征提取 162
10.2.3 基于CCDTW算法的動作時序對齊 164
10.3 實驗結果與性能分析 167
10.3.1 實驗數據與環(huán)境 167
10.3.2 動作相似度計算與糾正意見反饋 167
10.3.3 基于 3D 姿態(tài)估計的實驗結果與分析 169
10.4 本章小結 170
第五篇 漢字字體自動生成
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 網絡架構設計 176
11.3 基于端到端骨架引導的字體生成模型 177
11.3.1 數據預處理 177
11.3.2 字體骨架合成網絡 178
11.3.3 字體風格修正網絡 180
11.3.4 網絡損失函數 181
11.4 實驗結果與性能分析 181
11.4.1 字體生成數據集 181
11.4.2 參數設置與評價指標 181
11.4.3 消融實驗分析 183
11.4.4 與主流算法進行對比分析 185
11.4.5 拓展實驗 190
11.5 本章小結 191
第六篇 應用篇
第12章 應用平臺開發(fā) 195
12.1 引言 195
12.2 舞蹈動作相似度計算與對比分析平臺 195
12.2.1 舞蹈動作姿態(tài)估計與對比分析的意義 195
12.2.2 舞蹈動作相似度計算軟件平臺 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 人工智能數字書法創(chuàng)作交互平臺 198
12.4.1 數字書法創(chuàng)作的意義 198
x 智能視覺信息處理關鍵技術
12.4.2 人工智能數字書法創(chuàng)作交互平臺軟件 199
12.5 本章小結 200
參考文獻 201