摘要：在康复医学中采用肢体运动进行功能评估与客观化训练设计是研究热点[1];借助非侵入式的人体运动解析来优化康复过程与效果已成趋势;相关研究通常采取行为捕捉与追踪技术,可分为基于视频人形骨架点与惯性传感器两类,已广泛应用于上肢康复、平衡评估与步态分析等方面[2-5]。基于惯性传感器的方式虽准确性高但存在交互弱、成本高、体感不适、隐私泄露等问题[6]。而视频捕捉人体骨架点的方式恰可以解决上述问题,该方法通常采用的是Kinect或OpenPose技术。

摘要：针对用深度图进行人体姿势估计算法中随机森林训练模块的资源消耗大、训练时间长等问题,提出在小规模的集群服务器上用消息传递接口技术对随机森林算法进行并行化加速,并结合算法进行优化以降低存储消耗和占用带宽等,进一步提高训练速度。实验结果表明,在小型集群服务器上不到一天时间完成一次训练,速度相比原来提升约30倍,分类器的像素识别率超过80%,骨架节点的实际误差也足够小,经加速后可以及时进行多次训练,从而完成对训练参数的调整和测试。

摘要：为进一步探究人体姿势估计方面的准确度提升路径,本文以深度卷积神经网络为核心,首先,设计其整体框架;其次,综合考虑效率和准确度要求,从全局和细节两个层面着手设计模型;最后,初步测试该模型。测试结果表明,相较于当前主流的几种模型,该模型在准确度上具有一定优势。

摘要：为了提高卷积神经网络在人体姿势估计任务上的精度,提出了一种基于均方损失函数(Mean Squared Error,MSE)的改进损失函数来处理网络学习中回归热点图的前景(高斯核)和背景之间像素点不均衡问题,根据前景与背景不同像素点值对损失函数赋予不同权重,并将其命名为聚焦均方损失函数(Focus Mean Squared Error,FMSE).与均方损失函数相比,我们提出的聚焦均方损失函数可以有效地减少前景和背景之间像素点不均衡对网络性能的影响,帮助网络定位关键点的空间位置,提升了网络性能,并使得训练阶段中损失函数收敛速度更快.并在公开数据集上进行实验,以验证我们所提出的聚焦均方损失函数的有效性.