基于视觉传感器的人体运动位姿识别技术开题报告

峰值，得到所有的关节点检测结果后使用PAFS判断两两关节点是否可以相连，最后使用关节点聚类并连线。

训练中每个关节点的置信度为：

其中，x_i是图像中行人的第i个身体关节点的真实位置，m点处的置信度为m点到真实关节点的高斯距离，σ控制波峰的扩散。

图1 人体关节点示意图

行人的15个关节点的示例如图1所示，其中，0表示头，1表示颈部，2表示肩部，3表示右肘部，4表示右手腕部，5表示左肩部，6表示左肘部，7表示右手腕部，8表示右髋部，9表示右膝，10表示右脚踝，11表示左髋部，12表示左膝盖，13表示左脚踝，14表示中心点。

2.选取训练数据集可以考虑MPII、MSCOCO或者AI Challenge数据集，其中，MPII数据集样本大小为25K，关节点个数为16，由大约25k个图像组成，为多人提供注释，提供40k注释样本。MSCOCO汇集了超过30w的样本数量，有18个关节点，包括全身图像以及多人图像。AI Challenge在样本数量上与MSCOCO相似，关节点个数设置了14个。

3.卷积神经网络是一类包含卷积计算且具有深度结构的前馈神经网络，是深度学习的代表算法之一。卷机神经网络具有表征学习能力，能够按其阶层结构对输入信息进行平移不变分类，因此也被称为“平移不变人工神经网络”。

卷积神经网络主要由五种结构组成，包括输入层、卷积层、池化层、全连接层、Softmax层。卷积神经网络结构框架如下图所示：

图2 卷积神经网络架构图

卷积神经网络处理数据集的过程如下图所示：

图3 卷机神经网络学习过程

4.TensorFlow是一个采用数据流图（data flow graphs），用于数值计算的开源软件库。节点（Nodes）在图中表示数学操作，图中的线（edges）则表示在节点间相互联系的多维数据数组，即张量（tensor）它灵活的架构让你可以在多种平台上展开计算，例如台式计算机中的一个或多个CPU（或GPU），服务器，移动设备等等。

TensorFlow不是一个严格的“神经网络”库。只要你可以将你的计算表示为一个数据流图，你就可以使用TensorFlow。你来构建图，描写驱动计算的内部循环。我们提供了有用的工具来帮助你组装“子图”（常用于神经网络），当然用户也可以自己在TensorFlow基础上写自己的“上层库”。

最终的模型训练过程都将通过TensorFlow来完成。