全文总字数：1616字

1. 研究目的与意义及国内外研究现状

随着大数据时代的到来，移动互联网的飞速发展，区块链等颠覆性技术的出现，每天都会产生海量的图像、视频等信息。这些视觉信息的爆炸性增长，给计算机视觉提供了前所未有的发展机遇和挑战。虽然海量的数据为计算机视觉模型提供了大量的样本信息，但是如何高效准确的合理利用这些信息确实一个公认的难题。由于虚拟现实、无人驾驶、智能监控等技术的飞速发展，人体姿势识别技术在计算机视觉领域受到越来越多的关注。虚拟现实设备需要根据人体肢体的动作给出相应的指令，从而提供更好的沉浸式体验。无人驾驶汽车需要根据摄像头拍摄的照片识别出人体的姿势信息，进而预测人体行为，做出正确的判断。在智能监控领域，计算机需要根据摄像头拍摄的人体照片识别人体姿势信息，分析预测潜在的风险。因此，人体姿势识别的研究不仅具有重要的理论意义，还具有非常重要的现实意义。

国内外研究现状

人体姿势识别方法根据数据采集方式的不同，分为基于传感器（Sensor-based)、基于视觉（Vision-based)、基于无线射频（RF-based)三种。基于传感器的人体姿势识别是通过处理与分析传感器采集到的信息实现，这种方式采样数据量小、数据处理速度快。基于视觉的人体姿势识别是通过处理与分析摄像机拍摄的照片与视频来实现。微软的kinect体感摄像头致力于通过人体姿势动作来进行自然的人机交互。基于无线射频的人体姿势识别主要利用了无线电较强的的穿透力、不易受环境影响、可以非视距等特征，被广泛应用于安全监控、家庭医疗等领域。近些年，深度学习技术在众多领域取得成功。基于神经网络的人体姿势识别，能够实现复杂的非线性映射，有很强的抗干扰性、鲁棒性及自学能力，可以实现高精度分类。在诸多神经网络模型中，卷积神经网络（CNN）表现尤为突出，因为其结构层次化、具有局部区域等优点，能够逐层主动学习到合适的特征并进行分类，被广泛应用于手写识别、语音识别、动作识别等方面。

2. 研究的基本内容

（1）分析与研究人体姿势识别的关键流程，即数据采集、数据预处理、特征处理以及分类器。分析与研究典型的分类算法，即K-Means算法、朴素贝叶斯算法、决策树算法以及支持向量机算法。

（2）设计神经网络模型，这里主要使用卷积神经网络，对原始输入数据（人体姿势图片）进行较高准确度的分类，与传统算法进行对比分析，作出调整与改进。

3. 实施方案、进度安排及预期效果

实施方案：在学习研究人体姿势算法的基础上，对人体姿势图像中人体骨骼关键点进行标注，提取人体姿势信息，设计卷积神经网络准确识别人体姿势。

进度安排：

4. 参考文献

【1】georgios pavlakos, luyang zhu, xiaowei zhou, kostas daniilidis，learning to estimate 3d human pose and shape from a single color image，2018.

【2】王冉，基于深度卷积神经网络的人体姿势估计研究[d].电子科技大学，2016.

【3】邱雨，基于静态图像的人体姿态估计研究[d].电子科技大学，2018