CN110415270A - 一种基于双学习映射增量降维模型的人体运动形态估算方法 - Google Patents
一种基于双学习映射增量降维模型的人体运动形态估算方法 Download PDFInfo
- Publication number
- CN110415270A CN110415270A CN201910519205.3A CN201910519205A CN110415270A CN 110415270 A CN110415270 A CN 110415270A CN 201910519205 A CN201910519205 A CN 201910519205A CN 110415270 A CN110415270 A CN 110415270A
- Authority
- CN
- China
- Prior art keywords
- dimensional
- dimensional data
- human motion
- sequence
- training
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000013507 mapping Methods 0.000 title claims abstract description 59
- 230000009467 reduction Effects 0.000 title claims abstract description 33
- 238000011156 evaluation Methods 0.000 title abstract 3
- 238000012549 training Methods 0.000 claims abstract description 41
- 239000011159 matrix material Substances 0.000 claims abstract description 16
- 238000012545 processing Methods 0.000 claims abstract description 6
- 238000000034 method Methods 0.000 claims description 23
- 239000013598 vector Substances 0.000 claims description 9
- 238000003672 processing method Methods 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 2
- 239000002245 particle Substances 0.000 description 23
- 238000004458 analytical method Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 238000012360 testing method Methods 0.000 description 5
- 238000000137 annealing Methods 0.000 description 4
- 230000009977 dual effect Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
- G06T7/246—Analysis of motion using feature-based methods, e.g. the tracking of corners or segments
- G06T7/251—Analysis of motion using feature-based methods, e.g. the tracking of corners or segments involving models
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
Landscapes
- Engineering & Computer Science (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于双学习映射增量降维模型的人体运动形态估算方法,包括以下步骤:(1)对图像序列处理后进行矩阵拉直化运算,得到训练高维数据序列,把训练高维序列进行训练后获得低维数据序列和映射关系f1;(2)将训练高维数据序列与步骤(1)所得的低维数据序列再进行训练,获得映射关系g;(3)使用图像序列对应的三维人体运动立体模型的高维数据样本与步骤(1)所得的低维数据序列进行训练,获得映射关系f2。本发明的一种基于双学习映射增量降维模型的人体运动形态估算方法能够较好的实现三维人体运动形态的估算,具有耗时少、估算准确、效率高的特点。
Description
技术领域
本发明涉及三维人体运动领域,更具体地说,尤其涉及一种基于双学习映射增量降维模型的人体运动形态估算方法。
背景技术
三维人体运动形态估计目前已经成为了热门研究课题。有相关研究表明三维人体运动形态估计已经被应用于多个领域,例如制作3D电影,开发3D游戏,以及重构三维人体运动模型等等。这项技术目前正还在不断改进,一些新的算法和模型的出现使其得到了一些改善,但是在改进过程中,依然有一些问题的存在。比如,一些粒子滤波或者改进的粒子滤波算法可以用于估计三维人体运动形态,在若起初的一些帧估计以后,由于该类算法会在高维的数据空间进行搜索,会生成无效的数据,使得所估计的人体运动形态不成人形。还有其他的一些降维算法处理高维数据样本时,通过对降维后的低维空间进行搜索,然后再通过相应的低维数据到高维数据的映射关系估计其三维人体运动形态,这些算法不但在训练过程中很耗时,而且根据所建立的目标函数进行搜索也很耗时,估计时间会很长,其效率较低。这类降维算法在估计过程中,非常依赖高维数据样本数量和种类,其还需要复杂的预处理和设置较多的初始训练参数。如果高斯增量降维模型(Gaussian IncrementalDimension Reduction Model, GIDRM)结合一些改进启发式算法进行估计,其估计结果可以得到一定程度的改进,但还是改变不了搜索数据样本耗时,以及所需要样本数目和种类过于完备的问题。大多数情况下,三维人体运动形态的数据样本无需考虑空间位置信息,因为其可以在动作姿态确定后进行预设和添加,例如,3D电影的制作和3D游戏的制作,其人体运动立体模型的空间位置信息是预设好的。然而,运动形态的表现在于每一帧的动作姿态,因此,如何获取有效和展示相应的人体动作姿态就是技术关键,以上所提及的方法都需要处理空间位置信息,其复杂又耗时,故其估计效率会很低。
发明内容
本发明的目的在于提供一种基于双学习映射增量降维模型的人体运动形态估算方法,该估算方法能够较好的实现三维人体运动形态的估算,具有耗时少、估算准确、效率高的特点。
本发明采用的技术方案如下:
一种基于双学习映射增量降维模型的人体运动形态估算方法,包括以下步骤:
(1)对图像序列处理后进行矩阵拉直化运算,得到训练高维数据序列,把训练高维序列进行训练后获得低维数据序列和映射关系f1;
(2)将训练高维数据序列与步骤(1)所得的低维数据序列再进行训练,获得映射关系 g;
(3)使用图像序列对应的三维人体运动立体模型的高维数据样本与步骤(1)所得的低维数据序列进行训练,获得映射关系f2;
(4)输入新的二维图像序列,重复步骤(1)的处理方法,得到新的二维图像高维数据序列,通过映射关系g生成新的低维数据,再通过映射关系f2把该低维数据转换新的三维人体运动立体模型的高维数据样本,从而完成估计。
与现有技术相比,本发明具有的有益效果为:
本发明的一种基于双学习映射增量降维模型的人体运动形态估算方法,先对图像序列处理后进行矩阵拉直化运算,得到训练高维数据序列,把训练高维序列进行训练后获得低维数据序列和映射关系f1;将训练高维数据序列与所得的低维数据序列再进行训练,获得映射关系g;使用图像序列对应的三维人体运动立体模型的高维数据样本与所得的低维数据序列进行训练,获得映射关系f2;输入新的二维图像序列,重复开始第一步的处理方法,得到新的二维图像高维数据序列,通过映射关系g生成新的低维数据,再通过映射关系f2把该低维数据转换新的三维人体运动立体模型的高维数据样本,从而完成估计。利用本发明的一种基于双学习映射增量降维模型的人体运动形态估算方法能够较好的实现三维人体运动形态的估算,具有耗时少、估算准确、效率高的特点。
附图说明
此处所说明的附图用来提供对本发明的进一步理解,构成本申请的一部分,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。在附图中:
图1是使用四种模型对摆手形态1-1的估算结果分析图;
图2是使用四种模型对摆手形态1-2的估算结果分析图;
图3是使用四种模型对摆手形态2-1的估算结果分析图;
图4是使用四种模型对摆手形态2-2的估算结果分析图;
图5是使用四种模型对拳击形态1-1的估算结果分析图;
图6是使用四种模型对拳击形态1-2的估算结果分析图;
图7是使用四种模型对四种摆手形态和两种拳击形态的估算的平均误差的分析图;
图8是摆手形态1-1的真实转化的三维人体运动模型;
图9是摆手形态1-1的利用双学习映射增量降维模型估算出的三维人体运动模型;
图10是摆手形态1-1的利用退火粒子滤波模型估算出的三维人体运动模型;
图11是摆手形态1-1的利用高斯粒子滤波模型估算出的三维人体运动模型;
图12是摆手形态1-1的利用普通粒子滤波模型估算出的三维人体运动模型;
图13是摆手形态2-1的真实转化的三维人体运动模型;
图14是摆手形态2-1的利用双学习映射增量降维模型估算出的三维人体运动模型;
图15是摆手形态2-1的利用退火粒子滤波模型估算出的三维人体运动模型;
图16是摆手形态2-1的利用高斯粒子滤波模型估算出的三维人体运动模型;
图17是摆手形态2-1的利用普通粒子滤波模型估算出的三维人体运动模型;
图18是拳击形态1-1的真实转化的三维人体运动模型;
图19是拳击形态1-1的利用双学习映射增量降维模型估算出的三维人体运动模型;
图20是拳击形态1-1的利用退火粒子滤波模型估算出的三维人体运动模型;
图21是拳击形态1-1的利用高斯粒子滤波模型估算出的三维人体运动模型;
图22是拳击形态1-1的利用普通粒子滤波模型估算出的三维人体运动模型。
具体实施方式
下面结合具体实施方式,对本发明的技术方案作进一步的详细说明,但不构成对本发明的任何限制。
本发明的一种基于双学习映射增量降维模型的人体运动形态估算方法,包括以下步骤:
(1)对图像序列处理后进行矩阵拉直化运算,得到训练高维数据序列,把训练高维序列进行训练后获得低维数据序列和映射关系f1。其中,对图像序列进行处理的具体步骤为先降低图像序列的分辨率,再将其转化为灰度图像。
把训练高维序列进行训练后获得的低维数据序列的计数公式为:
其中,训练高维序列为Y,Y=[y1,...,yi,...,yN]T∈RN×D,yi∈RD;
低维数据序列为X,X=[x1,...,xi,...,xN]T∈RN×q,xi∈Rq;
核矩阵KY∈RN×N,
其核参数为
另一个核矩阵KX∈R(N-1)×(N-1);
其核参数为
W为尺度参数
X2:N=[x2,x3,..,xN]T,X1服从q维高斯分布,和满足和
映射关系f1的计数公式为:
如果低维数据空间到高维数据空间需要建立2个以上(即:f1,f2,…,),我们可以多训练式 (1),不过第二个映射开始,要固定第一个映射训练式所得到的低维数据。该映射关系f1,f2,…, 的建立可用梯度下降法,分别计算出偏数用SCG(Scale Conjugate Gradient)算法映射关系求法。
然后,增量降维映射关系可以通过下式建立:
X=ΦWD (5)
其中,Φ∈RN×Nk是径向基函数,WD∈RNk×q是权重矩阵,Nk≤N。代表最小二乘估计量WD,
其中,y*∈RD代表新的高维数据样本,x*∈RD代表相应的低维数据。如果b已知,从y*到x*的映射关系可以通过下式建立:
其中,Φ(y*)=[φ(y*,c1),φ(y*,c2),...,φ(y*,cNk)],然后,我们可以得到:
其中,e∈RN×Nk误差矩阵,令然后 可以进行分解,令是对角矩阵是可逆矩阵 然后,令 我们可以得出:
所以,式(8)可以被写成:
根据最小二乘法的性质,我们有:
(2)将训练高维数据序列与步骤(1)所得的低维数据序列再进行训练,获得映射关系 g。
其中,将训练高维序列与步骤(1)所得的低维数据序列进行训练的公式为:
该训练的公式等价于以下公式:
其中,和都是正交向量的集合,Sw是S′w的子集,S′w是向量的集合,为正交向量集合元素,
当满足且ε1为一个足够小的正数时,训练即可完成,这就是等价于选择尽可能少的向量即极小化Nk的值,来完成训练。
(3)使用图像序列对应的三维人体运动立体模型的高维数据样本与步骤(1)所得的低维数据序列进行训练,获得映射关系f2。
使用图像序列对应的三维人体运动立体模型的高维数据样本与步骤(1)所得的低维数据序列的计算公式为:
其中,图像序列对应的三维人体运动立体模型的高维数据样本为Y, Y=[y1,...,yi,...,yN]T∈RN×D,yi∈RD;
低维数据序列为X,X=[x1,...,xi,...,xN]T∈RN×q,xi∈Rq;
核矩阵KY∈RN×N,其核参数为
另一个核矩阵KX∈R(N-1)×(N-1);
其核参数为
W为尺度参数
X2:N=[x2,x3,..,xN]T,X1服从q维高斯分布,和满足和
映射关系f2的计数公式为:
(4)输入新的二维图像序列,重复步骤(1)的处理方法,得到新的二维图像高维数据序列,通过映射关系g生成新的低维数据,再通过映射关系f2把该低维数据转换新的三维人体运动立体模型的高维数据样本,从而完成估计。
试验例
获取人体摆手形态(摆手形态1-1、摆手形态1-2、摆手形态2-1和摆手形态2-2)和人体打拳击的运动图像序列(拳击形态1-1和拳击形态1-2)这6组运动图像序列,利用本发明的一种基于双学习映射增量降维模型(DLIDRM)的人体运动形态估算方法与其他一些常用的算法对这6组运动图像序列进行三维人体运动模型的估算,传统算法我们选用退火粒子滤波 (AnnealParticle Filter,APF),高斯粒子滤波(Gaussian Particle Filter,GPF),普通粒子滤波(Particle Filter,PF)算法,所测试的数据库采用Humaneva数据库。
1.估计误差的比较
利用双学习映射增量降维模型(DLIDRM)、退火粒子滤波模型(APF)、高斯粒子滤波模型(GPF)、普通粒子滤波模型(PF)估算出摆手形态1-1、摆手形态1-2、摆手形态2-1、摆手形态2-2、拳击形态1-1和拳击形态1-2这6组运动图像序列的测试结果分别如图1-图7 所示,从图1-图6所示的估计误差和最大误差的测试结果可知,在各算法中,双学习映射增量降维模型(DLIDRM)估计的最大误差最小,从图7的这四种模型对四种摆手形态和两种拳击形态的估算的平均误差的分析可知,双学习映射增量降维模型(DLIDRM)估计的平均误差最小,并且双学习映射增量降维模型(DLIDRM)在序列中每帧的估计误差总体最小。
2.估计所需运行时间的比较
利用双学习映射增量降维模型(DLIDRM)、退火粒子滤波模型(APF)、高斯粒子滤波模型(GPF)、普通粒子滤波模型(PF)估算出这6组运动图像序列的估算结果过程中,同时测试了各算法的运行时间,其测试结果如表1所示。
表1.各算法估计的运行时间比较(s)
从表1可以发现,双学习映射增量降维模型(DLIDRM)的运行时间最短。
3.视觉匹配效果的比较
利用双学习映射增量降维模型(DLIDRM)、退火粒子滤波模型(APF)、高斯粒子滤波模型(GPF)、普通粒子滤波模型(PF)估算出摆手形态1-1、摆手形态2-1和拳击形态1-1 这3组运动图像序列的估算结果过程中,同时测试了估算的视觉匹配效果,这两组运动图像的真实的三维人体运动模型以及各算法估算出的三维人体运动模型的比较结果如图9至图22所示。从比较结果可知,双学习映射增量降维模型(DLIDRM)的效果最好,其估计的三维人体运动模型是最接近真实数据。
因此,从以上的测试结果表明,双学习映射增量降维模型(DLIDRM)在所比较的算法中性能最佳。
以上所述仅为本发明的较佳实施例,凡在本发明的精神和原则范围内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (5)
1.一种基于双学习映射增量降维模型的人体运动形态估算方法,包括以下步骤:
(1)对图像序列处理后进行矩阵拉直化运算,得到训练高维数据序列,把训练高维序列进行训练后获得低维数据序列和映射关系f1;
(2)将训练高维数据序列与步骤(1)所得的低维数据序列再进行训练,获得映射关系g;
(3)使用图像序列对应的三维人体运动立体模型的高维数据样本与步骤(1)所得的低维数据序列进行训练,获得映射关系f2;
(4)输入新的二维图像序列,重复步骤(1)的处理方法,得到新的二维图像高维数据序列,通过映射关系g生成新的低维数据,再通过映射关系f2把该低维数据转换新的三维人体运动立体模型的高维数据样本,从而完成估计。
2.根据权利要求1所述的一种基于双学习映射增量降维模型的人体运动形态估算方法,其特征在于,在步骤(1)中,对图像序列进行处理的具体步骤为先降低图像序列的分辨率,再将其转化为灰度图像。
3.根据权利要求1所述的一种基于双学习映射增量降维模型的人体运动形态估算方法,其特征在于,在步骤(1)中,把训练高维序列进行训练后获得的低维数据序列的计数公式为:
其中,训练高维序列为Y,Y=[y1,...,yi,...,yN]T∈RN×D,yi∈RD;
低维数据序列为X,X=[x1,...,xi,...,xN]T∈RN×q,xi∈Rq;
核矩阵KY∈RN×N,
其核参数为
另一个核矩阵KX∈R(N-1)×(N-1);
其核参数为
W为尺度参数
X2:N=[x2,x3,..,xN]T,X1服从q维高斯分布,和满足和
映射关系f1的计数公式为:
4.根据权利要求1所述的一种基于双学习映射增量降维模型的人体运动形态估算方法,其特征在于,在步骤(2)中,将训练高维序列与步骤(1)所得的低维数据序列进行训练的公式为:
该训练的公式等价于以下公式:
其中,和都是正交向量的集合,Sw是S′w的子集,S′w是向量的集合,为正交向量集合元素,
当满足且ε1为一个足够小的正数时,训练即可完成。
5.根据权利要求1所述的一种基于双学习映射增量降维模型的人体运动形态估算方法,其特征在于,在步骤(3)中,使用图像序列对应的三维人体运动立体模型的高维数据样本与步骤(1)所得的低维数据序列的计算公式为:
其中,图像序列对应的三维人体运动立体模型的高维数据样本为Y,Y=[y1,...,yi,...,yN]T∈RN×D,yi∈RD;
低维数据序列为X,X=[x1,...,xi,...,xN]T∈RN×q,xi∈Rq;
核矩阵KY∈RN×N,其核参数为
另一个核矩阵KX∈R(N-1)×(N-1);
其核参数为
W为尺度参数
X2:N=[x2,x3,..,xN]T,X1服从q维高斯分布,和满足和
映射关系f2的计数公式为:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910519205.3A CN110415270B (zh) | 2019-06-17 | 2019-06-17 | 基于双学习映射增量降维模型的人体运动形态估算方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910519205.3A CN110415270B (zh) | 2019-06-17 | 2019-06-17 | 基于双学习映射增量降维模型的人体运动形态估算方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110415270A true CN110415270A (zh) | 2019-11-05 |
CN110415270B CN110415270B (zh) | 2020-06-26 |
Family
ID=68359145
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910519205.3A Active CN110415270B (zh) | 2019-06-17 | 2019-06-17 | 基于双学习映射增量降维模型的人体运动形态估算方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110415270B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111553935A (zh) * | 2020-05-14 | 2020-08-18 | 广东第二师范学院 | 一种基于增量降维投影位置优化的人体运动形态获取方法 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20060110029A1 (en) * | 2004-11-22 | 2006-05-25 | Masato Kazui | Pattern recognizing method and apparatus |
CN103310204A (zh) * | 2013-06-28 | 2013-09-18 | 中国科学院自动化研究所 | 基于增量主成分分析的特征与模型互匹配人脸跟踪方法 |
WO2014068567A1 (en) * | 2012-11-02 | 2014-05-08 | Itzhak Wilf | Method and system for predicting personality traits, capabilities and suggested interactions from images of a person |
CN104318046A (zh) * | 2014-08-18 | 2015-01-28 | 南京大学 | 增量式的高维数据转换为低维数据的系统及方法 |
CN104809475A (zh) * | 2015-05-06 | 2015-07-29 | 西安电子科技大学 | 基于增量线性判别分析的多类标场景分类方法 |
CN104978570A (zh) * | 2015-06-25 | 2015-10-14 | 西北工业大学 | 基于增量学习的行车视频中交通标志的检测和识别方法 |
CN105320764A (zh) * | 2015-10-26 | 2016-02-10 | 天津大学 | 一种基于增量慢特征的3d模型检索方法及其检索装置 |
CN107016359A (zh) * | 2017-03-24 | 2017-08-04 | 同济大学 | 一种复杂环境下基于t分布的人脸快速识别方法 |
CN108549876A (zh) * | 2018-04-20 | 2018-09-18 | 重庆邮电大学 | 基于目标检测和人体姿态估计的坐姿检测方法 |
-
2019
- 2019-06-17 CN CN201910519205.3A patent/CN110415270B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20060110029A1 (en) * | 2004-11-22 | 2006-05-25 | Masato Kazui | Pattern recognizing method and apparatus |
WO2014068567A1 (en) * | 2012-11-02 | 2014-05-08 | Itzhak Wilf | Method and system for predicting personality traits, capabilities and suggested interactions from images of a person |
CN103310204A (zh) * | 2013-06-28 | 2013-09-18 | 中国科学院自动化研究所 | 基于增量主成分分析的特征与模型互匹配人脸跟踪方法 |
CN104318046A (zh) * | 2014-08-18 | 2015-01-28 | 南京大学 | 增量式的高维数据转换为低维数据的系统及方法 |
CN104809475A (zh) * | 2015-05-06 | 2015-07-29 | 西安电子科技大学 | 基于增量线性判别分析的多类标场景分类方法 |
CN104978570A (zh) * | 2015-06-25 | 2015-10-14 | 西北工业大学 | 基于增量学习的行车视频中交通标志的检测和识别方法 |
CN105320764A (zh) * | 2015-10-26 | 2016-02-10 | 天津大学 | 一种基于增量慢特征的3d模型检索方法及其检索装置 |
CN107016359A (zh) * | 2017-03-24 | 2017-08-04 | 同济大学 | 一种复杂环境下基于t分布的人脸快速识别方法 |
CN108549876A (zh) * | 2018-04-20 | 2018-09-18 | 重庆邮电大学 | 基于目标检测和人体姿态估计的坐姿检测方法 |
Non-Patent Citations (4)
Title |
---|
JACK M. WANG ET AL;: "《Gaussian Process Dynamical Models for Human Motion》", 《IEEE TRANSACTIONS ON PATTERN ANALYSIS AND MACHINE INTELLIGENCE》 * |
WANYI LI ET AL;: "《Spatial Constraints-Based Maximum Likelihood Estimation for Human Motions》", 《IEEE》 * |
李万益 等;: "《基于高斯增量降维与流形Boltzmann优化的人体运动形态估计》", 《电子学报》 * |
李万益: "《基于隐变量概率统计模型的人体运动形态估计》", 《中国博士学位论文全文数据库信息科技辑》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111553935A (zh) * | 2020-05-14 | 2020-08-18 | 广东第二师范学院 | 一种基于增量降维投影位置优化的人体运动形态获取方法 |
CN111553935B (zh) * | 2020-05-14 | 2020-12-15 | 广东第二师范学院 | 一种基于增量降维投影位置优化的人体运动形态获取方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110415270B (zh) | 2020-06-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Cheng et al. | An analysis of generative adversarial networks and variants for image synthesis on MNIST dataset | |
Gaffney et al. | Trajectory clustering with mixtures of regression models | |
Oikonomidis et al. | Evolutionary quasi-random search for hand articulations tracking | |
CN104063886B (zh) | 一种基于稀疏表示和非局部相似的核磁共振图像重建方法 | |
CN107194378B (zh) | 一种基于混合字典学习的人脸识别方法及装置 | |
CN108765540B (zh) | 一种基于图像与集成学习的重光照方法 | |
CN109508740B (zh) | 基于高斯混合噪声生成式对抗网络的物体硬度识别方法 | |
CN111861924B (zh) | 一种基于进化gan的心脏磁共振图像数据增强方法 | |
CN104657999B (zh) | 一种基于核函数的数字图像相关方法 | |
CN103646256A (zh) | 一种基于图像特征稀疏重构的图像分类方法 | |
CN110197255A (zh) | 一种基于深度学习的可变形卷积网络 | |
Svoboda et al. | Generation of synthetic image datasets for time-lapse fluorescence microscopy | |
Easom-McCaldin et al. | Efficient quantum image classification using single qubit encoding | |
CN110751183A (zh) | 影像数据分类模型的生成方法、影像数据分类方法及装置 | |
US11769310B2 (en) | Combining three-dimensional morphable models | |
CN110363833B (zh) | 一种基于局部稀疏表示的完全人体运动参数化表示方法 | |
Yang et al. | Multiscale mesh deformation component analysis with attention-based autoencoders | |
CN111598822A (zh) | 一种基于gfrw与iscm的图像融合方法 | |
CN110415270B (zh) | 基于双学习映射增量降维模型的人体运动形态估算方法 | |
CN104376585B (zh) | 基于图像块结构属性策略的非凸压缩感知图像重构方法 | |
O'Reilly et al. | Pre-trained vs. random weights for calculating fréchet inception distance in medical imaging | |
CN104915935A (zh) | 基于非线性压缩感知与字典学习的压缩光谱成像方法 | |
CN108038467B (zh) | 一种镜像图与粗细层次结合的稀疏人脸识别方法 | |
CN110543845B (zh) | 一种三维人脸的人脸级联回归模型训练方法及重建方法 | |
CN109887023A (zh) | 一种基于加权梯度幅度的双目融合立体图像质量评价方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |