基于人工智能的智能运动训练系统和大数据

文摘

所有活动在培训领域是运动员竞技能力的提高。运动训练系统是一个组织系统,实现共同目标。竞争能力的培训体系的演变的主要表现。随着计算机技术的快速发展,人们已经开始结合虚拟现实和其他技术来实现科学sports-assisted训练消除传统体育训练,纯粹依赖经验。姿势估计得到的位置、角度和关于人体的附加信息的图像在一个二维平面或三维空间之间的映射关系建立人体功能和人体姿态。这篇文章演示了一个golf-assisted训练系统实现转换从一个经验体育训练方法,人体运动分析方法,利用人工智能和大数据。摇摆的姿态参数得到教练和教练使用的人体姿态估计。基于这些信息,构建一个辅助训练系统。两个参数的关节角轨迹和姿态相似比较运动鞋作为辅助指标。关节角轨迹分析,教练指导基于相似性的姿势。

1。介绍

现代培训理论认为,运动员的训练过程是一个系统工程,它是一个多学科整合的过程因素的“最好”的组合。因此,掌握竞争职业运动员的过程(1),有必要清楚地理解运动员的成长过程和运动员的训练系统的条件(2- - - - - -4形式和发展。它是运动员的多年系统训练的基本先决条件成为“科学”(5- - - - - -7]。

今天的多样化和专业发展的竞技体育运动训练(8,9)一个独特的人类活动,日益丰富和复杂。运动训练实践的发展和深化人民对运动训练的内涵和外延的理解,越来越多的人逐渐认识到,现代运动训练是一个专业运动员训练的过程,从而不断提高性能。这是一个过程,竞争力是其主要目标(10,11]。参与竞争,运动员训练达到峰值的个人竞争培训通过系统的培训,这是一个分阶段、连续、完整的培训过程。这个培训过程通常持续超过十年,甚至更长时间。在这个常年系统训练,提高运动员的运动能力在一个特定的阶段,不仅涉及到很多人,而且涉及到的学科很多。的合作和运营这些因素构成了运动员训练系统。其中,人员包括教练员、科研人员、管理人员和服务人员。人事调节运动员睡风格、饮食和可穿戴设备、培训方法、培训频率。他们可能参与了设计和施工的设施运动员完成训练(12]。现代竞技体育的竞争正变得越来越激烈,和运动员的成功往往取决于细节。“它需要不同人员小心在他们的领域的责任,以确保顺利提高运动员的竞技能力,这样多学科知识可以完全插入到运动训练过程中,形成一个复杂的系统与多个因素。一个多学科的系统是一个组织系统,达到共同的目标,和任何此类系统具有一定的组织目标和组织管理问题。它的目标是使运动员的竞技能力发展的理想状态13]。

在传统的运动训练(14,15),训练方法基于视觉观察通常采用。随着计算机视觉的发展(1,2),人们开始使用相机来捕捉和分析运动员的运动。在运动训练中,运动的运动员进行了分析和跟踪视频图像序列。比较运动员的姿势是通过科学的定量分析运动员的运动特点,然后结合人类生理和物理原理提出改善体育运动。帮助运动员训练方法摆脱传统体育训练纯粹依靠经验,实现直观的运动分析和指导,科学提高运动员的水平和性能。

以人为本科技(16- - - - - -18)和产品设计一直是科研人员和科研机构的关注。计算机视觉技术的应用在体育训练才刚刚开始。本文致力于应用人工智能(19- - - - - -21)和大数据技术在体育领域的培训。各种培训建议提供给检测和跟踪人体运动视频中并分析运动姿态。我们使用基于计算机视觉的人体运动分析。根据本文的分析,可以看出,辅助运动训练系统的研究具有重大的理论研究价值和实际工程意义和广阔的应用前景。本文的主要贡献如下:(1)本文使用Kinect传感器插件OpenNI代码自动提取三维人体数据15联合点。最后,手动提取的姿态数据进行比较与姿态基于Kinect三维传感器获得的数据来完成其准确性验证。(2)本文提出一种基于氛围的背景建模算法建模,利用邻域像素创建一个背景模型。实验表明,该方法克服了传统方法的缺点,可以获得更好的检测结果对动态背景。(3)根据基于模型的人体姿态估计算法和模范自由姿态估计算法,提出了一种基于轮廓特征的人体姿态估计方法与图像处理相结合。边缘检测是进行二进制目标探测得到的等值线图,并进行水平扫描。图像处理方法,如人体长度比例约束已经意识到人类关节的姿态估计。实验表明,该方法可以更精确地提取人体的主要联合数据。

本文组织如下。讨论了相关工作2。拟议的方法讨论了部分3。在部分实验结果阐述了4。最后,我们得出结论本文并提供未来研究方向5。

2。相关工作

在本节中,我们讨论了与我们的方法有关的相关工作。首先,我们讨论运动员训练系统的概念,其次是竞争的影响运动员训练系统、辅助训练系统和人体姿态估计。我们认为,全面审查将为我们建议的工作提供一个坚实的基础。

2.1。运动员训练系统的概念

有三个主要区别运动员训练系统和传统的培训体系。首先,运动员训练系统是整个培训体系的一部分,和资源,环境,和其他因素,这两个在某种程度上是相同的。不过,运动员训练系统所涉及的因素是整个培训体系的一部分。然而,并不是所有的这些因素都包含在培训体系在运动员的训练。第二,运动员训练系统的存在是基于运动员竞技能力的存在。例如,考虑这样一种情况,当运动员退出竞技体育事业(22]。在这种情况下,围绕运动员的训练系统将不再存在,而因为竞技体育训练系统总是存在。最后,运动员训练系统是整个竞技体育训练体系的一部分。运动员训练系统突出了运动员在训练中突出的位置,以运动员的竞争力为状态参数的进化训练系统(23]。

2.2。竞争对运动员的训练系统的影响

在运动员的培训系统,所有培训活动都围绕提高运动员的竞技能力。所有运动员参与比赛创造理想的运动性能。竞争能力是运动员必须具备的能力参与竞争比赛。有一个竞争不可避免地需要运动员有特定的竞争能力。只有这样他们才能显示更高的概念,更快,更强的竞技体育。因此,运动员训练系统的产生和发展都必须密切相关的竞争和继续发展和解决竞争水平的变化。竞争起着指导的作用在运动员的训练系统的发展24]。

2.3。辅助训练系统

高尔夫已经成为更受欢迎和重视的人,许多辅助训练设备近年来有关高尔夫球出现了。随着计算机技术在运动训练中的应用,一个集团公司,致力于帮助高尔夫培训系统的研究已成为世界范围内,取得了显著的成果。目前使用的主要方法是图像方法,图形分析方法,和便携式传感器的方法。成像方法捕捉运动员的运动在swing通过图像采集设备,然后分析和评估运动基于过去的经验。视频辅助高尔夫训练系统中采用的方法是使用高尔夫运动分析软件“MotionCoach”由加拿大媒体Vention软件开发公司。高尔夫球挥杆分析系统研究了美国体育加里·布鲁克斯和软件开发公司开发的DartGoffer瑞士软件开发公司DartFish [25]。MotionCoach过程视频手动校准和结合了高尔夫专家校准的培训意见和分类评估过程,为学员提供更多的科学和有意义的培训指导。

图表分析方法再加工图形信息。它提取物理参数基于收集的图像信息运动员摆动过程和比较其与标准模板的参数实现数字化的分类评价。图表分析方法用于golf-assisted培训体系主要包括golf-assisted摇动分析仪由朝鲜体育GOLFZON软件开发公司,高尔夫运动分析和教学体系MATT-T由北美公司开发TaylorMade和辅助Focaltron加拿大开发的软件公司。MATT-T教学系统采用高速相机捕捉每个接合点的物理参数在运动员的摇摆和使用电脑画这些共同的物理参数点,与分析软件分析数据,给运动员合理的建议。

便携式传感器方法是一个特定的传感器设备由运动员。设备实时捕获关键姿态数据在摇摆和结合数据分析算法提供科学指导。泽普科技有限公司推出了世界上第一个便携式高尔夫action-assisted培训体系,公司叫GolfSense。公司的先进的图像捕获设备和数据分类算法的组合使GolfSense获得几个高尔夫挥杆的关键摇摆数据准确。它还可以为学员提供更准确的结果基于其健壮的数据库和科学运动分析。完全理解你的摇摆,最直观的视觉反馈和培训建议参考价值。

2.4。人体姿态估计

辛格et al。26)提出了一个解决方案来估计二维正面上半身的姿势。这种方法主要是针对人体只有上半身可见,如站在花,坐在沙发上,被一艘游艇。这种方法也可以用来扩展到整个身体姿态的估计。基于上述文献,Ibrar等人优化人体的各个部分的检测过程和简化的一些初始化需求(通过添加一些约束条件27]。手上的皮肤颜色是类似于脸的肤色。穿裤子的腿是相同的,从而改善人体姿态估计的速度和算法的准确性。Andriluka使用现有的单帧图像二维姿态估计作为一个过渡到估计序列图像的三维人体姿态。他们建立了一个人类联合树模型的单帧图像和估计的姿态和位置联合树模型基于图像的结构模型。最后,基于贝叶斯最大后验概率,联合树模型的二维态势信息是评估。投影操作被用来估计三维姿态数据。Daubney基于图像结构模型的使用方法恢复人体的三维姿态。他们建立了人体特征之间的映射关系的图像和三维空间。根据这一映射关系,人体的姿势可以直接估计在三维空间中没有二维姿态估计。 Sinh et al. used the segmentation plus pose matching method to realize the local pose estimation of the hand and leg limbs in the image.

3所示。方法

在本节中,我们讨论我们提出方法。首先,简要概述了图像采集和数据提取的姿势之后,我们的算法估计人体姿势。最后,我们讨论了辅助训练系统,依靠我们的算法。

3.1。图像采集和姿态数据提取

3.1.1。Kinect为图像采集传感器

在本节中,Kinect三维传感器编码用于实现图像采集和数据提取人体15联合点。开发环境是Win10x86 + VS2018 + Kinect + OpenNI 1.5.2 + OpenCV 4.2.4, Kinect的司机是在这个平台上写的。Kinect Xbox软件中使用时,传感器有一个实际的距离1.2米到3.5米的范围。Kinect可以捕获图像的平面范围每平方米6,57°水平的视野,一个垂直视场的43°。Kinect可以捕获每秒30帧的数据,和一个摆动完成约2秒。彩色图像数据和深度数据可以通过调用ColorMageSteam函数和DepthMageStream函数,分别生成的实时图像采集接口如图1。

3.1.2。Kinect传感器联合数据捕获

获得人类骨骼在OpenNI环境中,有必要使用UserGenerator生成器程序。这个函数的离职或外观检测字符通过注册分类列出的两个回调函数和LostUser。一旦字符出现在上述两种情况,人的离职或外观的状态检测和回调函数将被调用。两个回调函数,如分类列出和LostUser对应字符的出现和消失,分别。SkeletonCapability发电机UserGenerator的能力,可用于存储字符骨架信息。CalibrationStar CalibrationEnd作为两个回调函数在SkeletonCapability获得人类骨骼的校准工作,他们是用于校准的开始和结束,分别。坐标信息通过上述步骤是基于Kinect摄像头坐标系,并需要转换成坐标投影屏幕坐标系ControlRealWorldToProjective方法,以便它可以更直观地显示。ConvertRealWordToProjective0坐标数据转换的方法存储在skeletonPointsOut数组。

为了验证的准确性Kinect传感器,用于比较两组数据。一组是基于15接头的水平和垂直坐标点被Kinect传感器。一帧用于分析,如图2。基于人类共同点了Kinect,右图是基于手动标记联合点。

3.2。人体姿态估计算法

3.2.1之上。基于模型的人体姿态估计

基于模型的人体姿态估计方法与人类构造模型和相关运动的先验知识;也就是说,每个时刻的系统状态是由系统状态在前一刻,和人体的投影模型和人体的每一部分的特点在图像测量。可能之间找到最优匹配方法获取人体姿态参数。基于模型的姿态估计方法的过程通常是“预测、匹配和更新”;也就是说,首先建立人体模型(骨架模型、树形图模型、动态模型、等等),然后通过人体的前一帧基于动态模型的知识。姿态估计结果假设人体的姿态在当前帧。自初始帧没有前一帧的预测,姿势需要先初始化,最后提出人类姿态投射到实际图像平面上,结果是和姿势评估函数是用来修改假设的结果。下面将具体介绍三个重要组件的基于模型的方法:建立人体模型,选择一个观察匹配函数,并设计一种预测模型。

建立人体模型是基于模型的准备阶段。建立人体模型,基于先验知识,可以有效地限制特性变化空间,从而提高计算效率和减少匹配的搜索范围。人体结构模型分为一维、二维和三维模型。人体建模的过程中,常用的模型包括骨架模型轮廓模型,三维骨架模型和图形结构模型。骨架模型是最简单的方式来表示人体的结构。它主要由点和线段,代表联合点和骨头,分别如图3。骨架模型主要是由点和线组成的,代表联合分和人体的骨骼,分别。这是最简单的人体结构的表示方法,如图3(一)。

基于模型的人体姿态估计方法,观测过程是项目三维人体模型在图像平面上,找到最佳的人体姿势(参数)通过测量之间的可能性预测模型和真实的形象。在观察过程中常用的图像特性包括光学流,颜色,纹理,边缘和轮廓。

在基于模型的人体姿态估计方法中,预测过程的目的主要是减少可行和搜索空间的姿势。基于模型的人体姿态估计是一个过程的搜索和解决空间含有大量对获得最佳匹配当前图像构成的姿势。然而,由于三维构成人体的主要是一个高维连续变量,当前的挑战是什么?密集的搜索、取样中发现和解决高维空间。许多研究人员使用高斯过程来构建动态模型的基础上,人类运动理论是一个连续变化的过程和时序关系和最终实现预测搜索在低维空间。具体过程是使用低维子空间来表示大量的约束的过程中人体运动和使用各种降维方法来达到降低姿态向量的维数的目的。

3.2.2。人体姿态估计基于轮廓边缘特性

基于模型的人体姿态估计方法的使用必须在高维空间中搜索。优化速度慢,难以实现实时处理。它适应性强,模范自由人类造成评估方法基于统计学习,结果是准确的。然而,算法更加复杂,成本和时间建模和训练样本的劳动力成本相对较高。基于匹配的模范自由人体姿态估计方法,它大大影响样本集的容量,和选择的图像特征相对依赖,和准确性并不是太高,所以结合高尔夫运动的主题对象,提出了一种基于边缘轮廓的人体姿态估计算法与图像处理相结合。通过该算法,接合点的人体图片可以自动标记,可以获得和姿态数据。原理图如图4。

首先,精明的边缘检测算法获取它的轮廓边缘,然后粗糙的图像处理方法,如水平线扫描和人体长度比例限制使用,这样人体关节的坐标点是获得实现姿态估计的目的。具体内容包括以下部分。首先,使用高斯滤波器平滑图像。图像的高斯滤波可以通过两种方式实现:两个一维高斯内核加权两次,分别和一个二维高斯核的卷积。一维高斯核函数的方程如下:

决心要得到一维内核的参数向量。二维高斯核函数的方程如下:

决心要得到一个二维的内核的参数向量。接下来,两个矩阵的偏导数x和y图像的方向可以由一阶偏导的有限差分计算,并可以使用一阶差分近似图像灰度值的梯度。图像灰度值梯度的方程(包括振幅和方向)显示如下:

卷积运算符用于精明的算法是相对简单的。例如,在表达,和和和代表边缘梯度的大小和方向,分别。

边缘的位置不能完全确定基于全球梯度,和nonmaximum抑制梯度幅值需要强调真正的优势。这个过程对边缘检测是一个重要的步骤。nonmaximum抑制的原理描述如下(如图5)。

点的梯度方向是蓝线所示,其最大局部灰度在这条直线上。eight-valued领域的交集点和梯度方向和 。比较点的灰度值在第八是否有局部极大值的字段,它可以判断是否点是一个边缘点。如果点的灰度值小于任何一个吗和 ,这意味着点不是一个局部最大值点不是一个边缘点。设置其灰度值为0。

最后,双阈值方法可以减少虚假的边缘。选择两个阈值:一个高阈值和阈值较低。根据这两个阈值,分别得到两个阈值图像。高阈值图像得到的边缘图像一些虚假的边缘,然后低阈值图像是用来连接高阈值处理边缘图像边缘轮廓,使所有差距都关门了。

3.3。辅助训练系统基于人体姿态估计算法

传统体育训练通常依赖于人工经验指导,无法给准确的数值分析关键动作。本文将建立一个辅助训练系统基于人体姿态估计的方法对高尔夫球。系统需要教练和教练的摇摆大数据作为输入,并使用了五个关节角轨迹对比图和教练和教练的姿势相似作为输入。辅助培训指标结合人工智能技术(3,4)输出姿态预测结果。辅助运动训练系统的框架图构建本文图所示6。

辅助运动训练系统功能需要大数据图像序列的教练和教练的秋千作为输入,并将5关节角轨迹对比图的教练和教练,每一帧的姿势相似变化图表辅助训练指标,比较不同的关节角教练和教练,同时采用人工智能技术修改根据教练的动作姿态的相似性分析的目的,实现运动姿态和提供培训建议。

4所示。实验

在本部分中,首先,我们讨论我们的实验环境,包括实时部署之后,获得的实现步骤和实验结果。

4.1。实验环境

硬件和软件组件部署的环境如表所示1。

4.2。实现步骤

步骤1。大图像数据或其他培训使用Kinect传感器收集的图像作为输入的辅助训练系统步骤2。教练和教练的摇摆的姿态数据通过目标检测是基于人工智能和人体姿态估计方法基于边缘特征的人体与图像处理相结合步骤3。5关节角的天使(头部、颈部和胸部),Angel2(左左肩、左手肘和手腕),Angel3(右肩,对小时,右手腕),Angel4(左骨髓、左膝和左足),和Angle5(右臀部、膝盖和右脚)采用并被用作系统指数,选择和欧氏距离的相似性度量的态度

4.3。实验结果

摇摆的48帧的图像选择教练和教练作为系统的输入,并输出轨迹比较关节角和每一帧的相似性。下面是一个示范的辅助训练基于关节角轨迹。图7显示了五个关节角运动轨迹图。这里,蓝线代表了教练的关节角变化的图,和红色的线代表了运动员的关节角变化的图。从图可以看出7本文的算法取得了可喜的成果。我们也有与gc-lstm方法。数据8和9显示辍学对模型性能的影响和反映学习曲线的比较结果。在图8,策划反对使用辍学对模型性能的影响,而在图9针对不同的学习曲线,损失计算。

5。结论

基于人工智能和大数据技术,在本文中,人体姿态估计算法应用于辅助训练系统。我们认为高尔夫作为这一目的的案例研究。人体姿态估计的方法已经完成建设的高尔夫辅助训练系统,将标准化的分析和量化运动训练指导。Kinect收集的大数据图像传感器作为输入使用的辅助训练系统,和摇摆的姿态数据的教练和教练通过目标探测等方法基于人工智能和姿态估计基于边缘特征的人体与图像处理相结合。最后,该系统使用两个辅助指标五个关节角轨迹和姿态相似性作为输出。通过比较关节角轨迹教练和教练,大量直观的分析执行的姿势相似。在未来,我们的目标是我们的算法申请各种体育赛事看到它的性能在大规模动态有多样化的自然。

数据可用性

使用的数据来支持本研究的结果包括在本文中。

的利益冲突

作者宣称没有利益冲突。

确认

这项工作是支持的德州大学科学研究基金项目(2019 xgrc55)和山东省社会科学规划项目(16 ctyj210)。

引用

1. h·k·l·p·库恩,原意“职业发展的关键因素和转换在德国精英战斗体育运动员,”武术的研究7卷,19-35,2018页。视图:出版商的网站|谷歌学术搜索
2. t·a·巴克利,b . a . Munkasy和b . p . Clouse”修改平衡误差的敏感性和特异性评分系统在有脑震荡的大学学生运动员,”临床运动医学杂志》上,28卷,不。2、174 - 176年,2018页。视图:出版商的网站|谷歌学术搜索
3. a . e . Jeukendrup“肠道为运动员的训练,”运动医学卷,47号1,第110 - 101页,2017。视图:出版商的网站|谷歌学术搜索
4. o . a . Volodchenko l . v . Podrigalo s . s . Iermakov m . t .Żychowska和w·Jagiełło”执行生化测试的有效性的唾液跆拳道运动员在动态的训练,”生物医学研究的国际卷,2019篇文章ID 2014347, 7页,2019。视图:出版商的网站|谷歌学术搜索
5. f . Sessa g·梅西纳,a Valenzano et al .,“运动训练和自适应变化,”运动对健康科学,14卷,不。3、705 - 708年,2018页。视图:出版商的网站|谷歌学术搜索
6. s . j .迈凯轮t·w·麦克弗森,a . j . Coutts c·赫斯特,i r·斯皮尔斯和m·韦斯顿”的内部和外部的措施之间的关系在团队运动训练负荷和强度:一个荟萃分析,“运动医学,48卷,不。3、641 - 658年,2018页。视图:出版商的网站|谷歌学术搜索
7. c, d . Li易,y顾,“大学体育教育和运动训练研究基于虚拟现实技术,”数学问题在工程卷,2021篇文章ID 6625529、8页,2021。视图:出版商的网站|谷歌学术搜索
8. a . Nassi a . Ferrauti t·梅耶,m·菲佛和m . Kellmann“心理测验工具用于监控训练反应的运动员,”性能增强与健康,5卷,不。4、125 - 133年,2017页。视图:出版商的网站|谷歌学术搜索
9. n . Vysochina a . Vorobiova m . Vasylenko, f . Vysochin”运动员的意志品质和对竞争的影响活动,“体育教育和体育杂志》上,18卷,不。1,第234 - 230页,2018。视图:出版商的网站|谷歌学术搜索
10. n .广域网和l . Wan”在学校业余体育训练方法依赖于时间序列数据,”学报2019年11日测量技术和机电一体化自动化国际会议上(ICMTMA)IEEE,页606 - 609年,齐齐哈尔,中国,2019年4月。视图:出版商的网站|谷歌学术搜索
11. m . Filchenko比较电子竞技和传统体育加利福尼亚州圣何塞,圣荷西州立大学,美国,2018年。
12. a·莫里斯·l·Allienne萎靡,s . Ivaldi”伦理和社会考虑在工作中引入以人为本的技术,”学报2018年IEEE车间先进的机器人技术和它的社会影响(ARSO)IEEE,页131 - 138年,热那亚,意大利,2018年9月。视图:谷歌学术搜索
13. w·徐”向以人为中心的人工智能:集中AI:人机交互的角度来看,“的相互作用,26卷,不。4,42-46,2019页。视图:出版商的网站|谷歌学术搜索
14. j·E·穆尼奥斯a . Goncalves E。卢比奥戈维亚、m . s . Cameirao和s贝穆德斯我十二月,“游戏化的经验教训功能性训练通过以人为中心的设计方法在老年人中,“游戏对健康杂志,8卷,不。6,387 - 406年,2019页。视图:出版商的网站|谷歌学术搜索
15. c c。陈”,社会支持、职业信仰和职业自我效能测定台湾大学生运动员的职业发展”,《酒店、休闲、体育和旅游教育ID 100232条,卷。26日,2020年。视图:出版商的网站|谷歌学术搜索
16. m . s . Messo和s . k .重新检查和培训系统的进化产生教师有能力面对21世纪教育的挑战,”基层,51卷,不。1,2017。视图:谷歌学术搜索
17. m . Roztorhui a . Perederiy y Briskin, o . Tovstonoh”与disabilitiesstrengthsports运动员的训练系统”,Sportlogia,14卷,不。1,2018。视图:出版商的网站|谷歌学术搜索
18. t . Guzsvinecz诉Szucs, c . Sik-Lanyi“Kinect传感器的适用性和跳跃运动控制器进行文献回顾,“传感器,19卷,不。5、文章ID 1072, 2019。视图:出版商的网站|谷歌学术搜索
19. x x, y, z Li Ning, y秦,和w·蔡”一种改进encoder-decoder网络基于地带池方法应用于农田空置领域的细分,“熵,23卷,不。4 p。435年,2021年。视图:出版商的网站|谷歌学术搜索
20. y, w . Li l .张x Ning, l .太阳和y,“AGCNN:自适应伽柏的接受域卷积神经网络与静脉生物特征识别,”并发性和计算:实践和经验2020年,文章ID e5697。视图:出版商的网站|谷歌学术搜索
21. l .张x, x, l .太阳,w . Cai和x宁,”手指静脉图像增强基于引导tri-Gaussian过滤器,”ASP交易模式识别和智能系统,1卷,不。1,17-23,2021页。视图:出版商的网站|谷歌学术搜索
22. 诉法拉利、m . Marin-Jimenez和a . Zisserman”构成搜索:检索人使用他们的姿势,”学报2009年IEEE计算机视觉与模式识别会议,页1 - 8,IEEE,迈阿密,佛罗里达,美国,2009年6月。视图:出版商的网站|谷歌学术搜索
23. m . Eichner诉法拉利,苏黎世,“更好的图形结构,外观模型”《BMVC,卷2,不。2009年9月5日,英国伦敦,。视图:出版商的网站|谷歌学术搜索
24. m . Andriluka美国罗斯,b . Schiele“单眼3 d姿势估计和跟踪检测,”2010年IEEE计算机学会学报计算机视觉与模式识别会议IEEE,页623 - 630年,旧金山,美国,2010年6月。视图:出版商的网站|谷歌学术搜索
25. b . Daubney、d·吉布森和n·坎贝尔,“单眼3 d人体姿态估计使用稀疏的运动特性,”学报2009年IEEE国际会议12日在计算机视觉工作室,ICCV研讨会IEEE,页1050 - 1057年,京都,日本,2009年9月。视图:出版商的网站|谷歌学术搜索
26. m·辛格·m·Mandal, a·巴苏,“使用拉东变换姿势识别,”美国中西部48研讨会上电路和系统IEEE,页1091 - 1094年,卡温顿,肯塔基州,美国,2005年8月。视图:出版商的网站|谷歌学术搜索
27. a . m . Ibrar l . Wang阿克巴et al .,“3-D-SIS: 3 d社交标识符结构基于协作计算边缘社会物联网”IEEE计算社会系统,1 - 11,2021页。视图:出版商的网站|谷歌学术搜索

版权

版权©2021 Chunguang李,崔Jianbiao。这是一个开放的分布式下文章知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。