精华内容
下载资源
问答
  • 人脸识别与人体动作识别技术应用.pdf
  • 人脸识别与人体动作识别技术应用 曹林 2015/8/1 电子工业出版社 一、绪论 1、国内外人脸库介绍: 1)、FERET人脸数据库:美军建立,在不同姿态、表情、光照条件下采集,西方人构成,人种单一 2)、CMU-PIE人脸...

    人脸识别与人体动作识别技术及应用
    曹林 2015/8/1 电子工业出版社

    一、绪论
    1、国内外人脸库介绍:
    1)、FERET人脸数据库:美军建立,在不同姿态、表情、光照条件下采集,西方人构成,人种单一
    2)、CMU-PIE人脸数据库:美卡梅隆大学建立,对姿态光照进行了严格控制
    3)、YALE人脸数据库:耶鲁大学建立,15名志愿者
    4)、OLR人脸数据库:剑桥大学AT&T实验室建立,常用研究数据库之一
    5)、MIt人脸数据库:麻省理工大学建立,16名志愿者
    6)、CAS-PEAL人脸数据库:中科院建立,对应不同表情、光照、年龄、饰物等条件下
    7)、BJUT—3D 3D人脸数据库:北京工业大学建立
    8)、CHUK素描人脸数据库:香港大学建立

    2、对人脸识别技术的影响的因素:
    光照: 
    解决办法:a、通过算法进行光照补偿处理,成本低但效果不好
    b 、通过外部条件补光,效果好,成本大
    姿态:
    解决办法:a、加入其他类型姿态的人脸,比较麻烦
    b 采用3D人脸,可旋转改变姿态
    目标图像的分辨率:(分辨率高保留图像的信息高)
    解决办法: a、增强监控设备
    b利用图像超分辨率算法重建

    3、图像超分辨率的介绍:
    利用软件的方法将一幅或多幅低分辨率的图像重建成一幅高分辨率的图像
    应用前景:
    公共安全领域、医疗图像领域、卫星遥感图像领域、军事应用领域、数字电视领域、历史以及人文照片的复原
    发展前景:
    证件识别(护照等。。。)、刑侦破案、重要地方的监控系统、高清视频会议、人脸表情分析

    4、低分辨率图像退化模型
    退化模型:L(k)=DB(k)M(k)*H+n(k) (k是下标)

    组成:运动形变、模糊、下采样、噪声
    运动形变:实景与设备之间的相对运动
    模糊:主要影响伊因素是光照
    下采样:下采样会丢失图像部分信息
    噪声:噪声对人的影响噪声可以理解为“ 妨碍人们感觉器官对所接收的信源信息理解的因素”。而图像中各种妨碍人们对其信息接受的因素即可称为图像噪声 。

    5、计算机视觉技术
    目的:让计算机能对外界获取的信息进行智能化的分析与处理,模拟人脑功能
    用途:提高视频监控、安防系统等智能化程度,以便充分发挥视频监控系统的主动监督作用、及时报警预防安全事故发生

    6、人体行为视频数据库
    Weizmann人体行为数据库:以色列科学院采集,在背景、拍摄角度不变情况下,采集10种不同动作

    KThan人体行为数据库:瑞典皇家理工学院采集,背景相对静止,镜头有拉近、远的操作,采集6种不同动作

    中科院人体行为数据库:中科院建立,拍摄角度为斜视、俯视、平视,包含单人以及多人交互行为,8中单人行为,多人交互行为有劫持、打架等

    二、人脸图像配准和人脸检测跟踪
    1、人脸配准
    定义:将人脸图像分辨率变为一致,各个关键特征部位的坐标尽量接近

    2D人脸配准:(信息量少,特征点不多,配准比较容易,算法也比较成熟)
    手动标定:直接手动操作得到各个特征点坐标再使用线性变换得到配准
    利用人眼检测手段:寻找图像特征点再进行配准 (人眼滤波器)
    两者之间:少量人眼检测需要进行手动校正:

    3D人脸配准:
    除了颜色信息、位置信息,3D人脸配准还多了深度
    将3D转化为2D图像处理:

    步骤:
    1、获取纹理图像:将3D图像投射到XOY平面
    2、检测特征点:利用人眼滤波器找到人眼位置,使用边缘检测找到人脸的大概位置
    3、细化特征点位置:算法:ASM算法、VOSM算法(ASM算法的改进)
    ASM算法原理:先建立形状模型、在局部灰度模型、后获得局部灰度特征模板

    2、人脸检测
    指对输入的视频或图片中,确认是否有人脸的存在,若有则将人脸位置框出的过程,各个类型的人脸种类越多,人脸检测算法的鲁棒性越好

    人脸检测的两大类:非学习检测方法与学习检测方法
    非学习检测方法:针对人脸的形状、肤色已经运动轨迹等进行检测(算法:Gobor图形检测,肤色检测),检测率不理想
    学习检测方法:即机器学习的方法,
    又可分为2类:非监督学习(错误与正确分类样本不予区分)
    监督学习(在下一轮学习中会更多注意上一轮错分的样本)

    ** 机器学习的方法过程:**
    1、将样本分类(正负样本)
    2、以某个样本的特征进行分类,得到分类器
    3、对各类特征进行循环处理,对特征进行组合,直到得到最好检测率,得到最终分类器

    人脸检测的重要算法:
    神经网络、支持向量机(SVM)、AdaBoost算法
    神经网络:
    支持向量机(SVM):
    AdaBoost算法:

    转载于:https://www.cnblogs.com/xulinmei/p/7381757.html

    展开全文
  • 这些因素相互作用,共同决定了每一个单词的声音,而一个语音识别系统检测的声音(可以观察的状态)是人体内部各种物理变化(隐藏的状态、引申一个人真正想表达的意思)产生的。 某些语音识别设备把内部的发音机制...

    一.人脸检测与跟踪

    人脸检测算法:Haaradaboost算法检测

    视频跟踪算法:粒子滤波器跟踪(改进均值权重粒子滤波器)

    目标出现:何时需要跟踪一个新目标

    目标消失:何时需要移除一个已经跟踪的目标

    目标修正:什么时候跟踪系统的跟踪结果出现错误,如何修正错误。

    a)假设人脸检测系统在第n帧检测到人脸,检测位置为LDn。

    b)使用均值权重粒子滤波器,对检测到的目标进行跟踪。

    c)for j=n:m,在j表示目标被跟踪的帧数,m表示目标能被跟踪的最后帧数。

    (1)跟踪系统跟踪目标,且目标在每一帧的位置为LTj。

    (2)检测系统检测每一帧是否有人脸,若检测到没有人脸,则返回步骤a,若有则记录检测到的人脸的位置LDj。

    (3)计算LTj和LDj的欧式距离,若距离小D0,则更新LTj,LTj=LDj,同时,在更新的LTj区域进行粒子重采样,其中D0为自己设定的距离阈值。若距离大于D0,则返回步骤(2),认为有新的人脸进入,进行跟踪。

    d)在目标离开检测区域时,保存人脸截图,并释放这个跟踪目标区域。

      这样就在跟踪的同时利用了检测系统对跟踪结果进行修正,并在修正的同时重新散步了粒子,避免了粒子的衰减问题。

    人脸识别:分为人脸身份识别(一对多)和人脸验证(一对一)判断是否是指定的某人。可以使用SIFT特征匹配算法。粒子群算法的视频跟踪与SIFT算法的区别。

     

    二.基于Gabor和PCA特征提取的HMM人脸识别

    人脸识别算法有特征脸(Eigenface)、Gabor、SVM,HMM,BLP,PCA结合LDA以及以上算法的改进算法。

    特征提取算法:Gabor和PCA特征提取

    识别决策:HMM算法。

    隐马可夫模型是一种用参数表示的,用于描述随机过程统计特性的概率模型,由两部分组成:一个是隐含的马尔可夫链,称为隐含层;另一个是实际的观测量,称为观测层。

    (1)  隐含状态数

    (2)  观测符号集(可见状态链)

    (3)  (隐含层的)转换概率

    (4)  观测层的概率分布矩阵(输出概率)

    (5)  初始状态概率分布

    参考http://www.cnblogs.com/skyme/p/4651331.html掷骰子事件为例。

    假设我手里有三个不同的骰子。第一个骰子是我们平常见的骰子(称这个骰子为D6),6个面,每个面(1,2,3,4,5,6)出现的概率是1/6。第二个骰子是个四面体(称这个骰子为D4),每个面(1,2,3,4)出现的概率是1/4。第三个骰子有八个面(称这个骰子为D8),每个面(1,2,3,4,5,6,7,8)出现的概率是1/8。

    假设我们开始掷骰子,我们先从三个骰子里挑一个,挑到每一个骰子的概率都是1/3。然后我们掷骰子,得到一个数字,1,2,3,4,5,6,7,8中的一个。不停的重复上述过程,我们会得到一串数字,每个数字都是1,2,3,4,5,6,7,8中的一个。例如我们可能得到这么一串数字(掷骰子10次):1 6 3 5 2 73 5 2 4

    这串数字叫做可见状态链。但是在隐马尔可夫模型中,我们不仅仅有这么一串可见状态链,还有一串隐含状态链。在这个例子里,这串隐含状态链就是你用的骰子的序列。比如,隐含状态链有可能是:D6 D8 D8 D6 D4 D8 D6 D6 D4 D8

    一般来说,HMM中说到的马尔可夫链其实是指隐含状态链,因为隐含状态(骰子)之间存在转换概率(transition probability)。在我们这个例子里,D6的下一个状态是D4,D6,D8的概率都是1/3。D4,D8的下一个状态是D4,D6,D8的转换概率也都一样是1/3。这样设定是为了最开始容易说清楚,但是我们其实是可以随意设定转换概率的。比如,我们可以这样定义,D6后面不能接D4,D6后面是D6的概率是0.9,是D8的概率是0.1。这样就是一个新的HMM。

    同样的,尽管可见状态之间没有转换概率,但是隐含状态和可见状态之间有一个概率叫做输出概率(emission probability)。就我们的例子来说,六面骰(D6)产生1的输出概率是1/6。产生2,3,4,5,6的概率也都是1/6。我们同样可以对输出概率进行其他定义。比如,我有一个被赌场动过手脚的六面骰子,掷出来是1的概率更大,是1/2,掷出来是2,3,4,5,6的概率是1/10。

    再例如,一个隐居的人可能不能直观的观察到天气的情况,但是民间传说告诉我们海藻的状态在某种概率上是和天气的情况相关的。在这种情况下我们有两个状态集合,一个可以观察到的状态集合(海藻的状态)和一个隐藏的状态(天气状况)。我们希望能找到一个算法可以根据海藻的状况和马尔科夫假设来预测天气的状况。

      一个更现实的例子是语音识别,我们听到的声音是声带、喉咙和一起其他的发音器官共同作用的结果。这些因素相互作用,共同决定了每一个单词的声音,而一个语音识别系统检测的声音(可以观察的状态)是人体内部各种物理变化(隐藏的状态、引申一个人真正想表达的意思)产生的。

    某些语音识别设备把内部的发音机制作为一个隐藏的状态序列,把最后的声音看成是一个和隐藏的状态序列十分相似的可以观察到的状态的序列。在这两个例子中,一个非常重要的地方是隐藏状态的数目和可以观察到的状态的数目可能是不一样的。在一个有3种状态的天气系统(sunny、cloudy、rainy)中,也许可以观察到4种潮湿程度的海藻(dry、dryish、damp、soggy)。在语音识别中,一个简单的发言也许只需要80个语素来描述,但是一个内部的发音机制可以产生不到80或者超过80种不同的声音。

    在上面的这些情况下,可以观察到的状态序列和隐藏的状态序列是概率相关的。于是我们可以将这种类型的过程建模为有一个隐藏的马尔科夫过程和一个与这个隐藏马尔科夫过程概率相关的并且可以观察到的状态集合。这就是本文重点介绍的隐马尔可夫模型。

    隐马尔可夫模型 (Hidden Markov Model) 是一种统计模型,用来描述一个含有隐含未知参数的马尔可夫过程。其难点是从可观察的参数中确定该过程的隐含参数,然后利用这些参数来作进一步的分析。下图是一个三个状态的隐马尔可夫模型状态转移图,其中x 表示隐含状态,y 表示可观察的输出,a 表示状态转换概率,b 表示输出概率。

    将HMM应用到实际中,必须解决三个基本问题,分别如下:

     

     


    三.人脸图像超分辨率重建

    基于PCA的人脸超分辨率重建

    原理:低分辨率图像使用PCA算法重建思想根据提取的特征向量维数的增大从而得到分辨率增大的图像。

    四.文中出现的算法

    PCA、LDA、LBP、SVM、HMM、Gabor、粒子群、K-mean、尺度不变特征SIFT(Scale-Invariant Feature Transform,SIFT)、基于Haar特征的adaboost算法,神经网络算法(可想到BP,卷积神经网络(CNN),深度神经网络(DNN))。
    展开全文
  • 视频中人体动作识别主要涉及计算机视觉、图像处理、模式 识别、计算机图形学、数据挖掘等多学科领域,是一个以计算机视觉技术为核心、 学科交叉、相互融合的研究方向[1]。而视觉是人类认知外界、获取信息的主要来源...

    重庆大

    重庆大学硕士学位论文

    英文摘要

    PAGE

    PAGE IV

    Key words: human action recognition, spatio-temporal interest point, K-means clustering, bag-of-words model, support vector machine

    重庆大学硕

    重庆大学硕士学位论文

    目录

    中文摘要I

    英文摘要 II

    1 绪 论 1

    1.1 课题研究背景与意义 1

    1.2 国内外研究现状 2

    1.2.1 序列图像法 3

    1.2.2 时空整体法 5

    1.2.3 现有识别方法的不足 6

    1.3 本文研究内容与章节安排 7

    2 时空兴趣点检测 9

    2.1 常用时空兴趣点检测算法 9

    HYPERLINK \l "_TOC_250005" Cuboid 检测器9

    HYPERLINK \l "_TOC_250004" Hessian 检测器 10

    2.1.3 密集采样检测器 10

    HYPERLINK \l "_TOC_250003" 2.1.4 3-D Harris 角点检测器 10

    HYPERLINK \l "_TOC_250002" 2.2 二维 Harris 角点检测 11

    HYPERLINK \l "_TOC_250001" 2.3 三维时空 Harris 角点检测 13

    2.4 多尺度角点检测 15

    HYPERLINK \l "_TOC_250000" 2.5 三维 Harris 角点检测实验结果 15

    2.6 本章小结 17

    3 局部特征描述子提取 18

    3.1 常用局部特征描述子 18

    Cuboid 描述子 18

    HOG/HOF 描述子 18

    三维 SIFT 描述子 19

    3-D HOG 描述子 19

    3.2 3-D HOG 描述子建立 19

    3.2.1 时空梯度计算 21

    3.2.2 梯度方向量化 21

    3.2.3 直方图建立 22

    3.2.4 描述子建立实验结果 22

    3.3 人体动作表征 25

    3.3.1 视觉词袋模型 26

    3.3.2 K-means 聚类算法 27

    3.3.3 初始聚类中心选择的改进 27

    3.3.4 动作表征实验结果 31

    3.4 本章小结 34

    4 人体动作分类识别 35

    4.1 k 近邻分类器35

    4.2 支持向量机 36

    4.2.1 最优分类超平面 36

    4.2.2 核函数 39

    4.2.3 SVM 之多类分类41

    4.3 本章小结 42

    5 实验结果与分析 43

    5.1 视频库介绍 43

    5.2 人体动作识别实验结果 44

    5.2.1 基于 Weizmann 视频库的实验结果44

    5.2.2 基于 KTH 视频库的实验结果47

    5.2.3 实验结果比较 50

    5.3 本章小结 52

    6 总结与展望 53

    6.1 全文总结 53

    6.2 工作展望 54

    致谢 55

    参考文献 56

    重庆大学

    重庆大学硕士学位论文

    1 绪 论

    PAGE

    PAGE 10

    1 绪 论

    1.1 课题研究背景与意义

    在科学技术飞速发展的今天,各种前沿的科学研究和面向现实需求的技术应用 层出不穷,特别是在现代生活信息化、自动化、智能化的时代背景下,计算机视 觉成为了科学界研究热点领域之一,而人体动作识别又是近年来具有挑战性又极 其重要的研究课题。视频中人体动作识别主要涉及计算机视觉、图像处理、模式 识别、计算机图形学、数据挖掘等多学科领域,是一个以计算机视觉技术为核心、 学科交叉、相互融合的研究方向[1]。而视觉是人类认知外界、获取信息的主要来源, 人体通过视觉获取的信息占人类通过眼睛、耳朵、鼻子等感官器官获取的总信息 量的 60%之多,视觉除了对光信号具有感知能力外,也包括对信息的获取、传输、 处理、存储和理解的整个过程,由此可见,视觉是人类认知世界的一个重要的渠 道。

    研究人员依据动作的复杂程度将与人体相关的待识别的动作模式分为四个层 次:人体姿态、单人动作、双人交互、群体行为。目前大部分的研究工作仍主要 集中于前两个层次,而较为复杂的后两个层次的研究是以人体基本动作的识别为 基础的,单个人体动作的稳定、准确识别是人体复杂行为理解需要解决的核心问 题,是现代智能视觉系统能否有效处理现实生活中多种多样的人类活动的前提。 所以,针对人体简单、基本动作的识别成为了近年来的研究热点。

    人体动作识别在智能监控、人机交互、视频检索以及行为分析等领域有广泛的 应用[2]。例如医院常常采用的看护系统,使用摄像头对看护现场采集视频信息,计 算机通过分析识别出观察到的人体动作,判断出看护对象的潜在意图,

    展开全文
  • 传统人体动作识别分类器对异常值比较敏感,容易受固有噪声影响,这会导致严重的类失衡问题,所以相似的人体行为可能存在很大类内差异。提出一种基于能量的最小二乘双分界面支持向量机(ELS-TSVM)的人体动作识别算法...
  • 人工智能赋能体育:计算机视觉在人体运动动作识别中的应用.pdf
  • 针对现有基于深度学习的人体动作识别模型参数量大、网络过深过重等问题,提出了一种轻量型的双流融合深度神经网络模型并将该模型应用人体动作识别。该模型将浅层多尺度网络和深度网络相结合,实现了模型参数量的...
  • 基于kinect v2的人体动作识别,配套博客(http://blog.csdn.net/baolinq/article/),基于mfc,可以识别左移右移、上蹦下跳等,也可以自己自定义其他动作,加一些判定代码即可。使用的时候可能需要自己新建一个工程...
  • 人体动作识别是计算机视觉和模式识别中一个非常活跃的领域,并且在自然人机交互、虚拟现实、智能视频监控和多媒体搜索领域中有很多潜在的应用
  • 人体动作识别(一)

    万次阅读 2015-11-05 07:57:12
    人体动作识别应用主要应用于公共场所、医院、安全等方面;手势识别的应用大部分应用于智能家居的控制、感知方面的应用,教育学习、非能力限制的人员的表达等。最十几年来,这个课题的研究一直比较认们,并且取得了...

           最近几个月来,一直在研究人体动作识别和手势识别的课题。对于人体动作和手势的识别,本质上就是粗粒度和细粒度的识别。人体动作识别的应用主要应用于公共场所、医院、安全等方面;手势识别的应用大部分应用于智能家居的控制、感知方面的应用,教育学习、非能力限制的人员的表达等。最十几年来,这个课题的研究一直比较认们,并且取得了不错的研究成果。

          本文首先给出一个概括性的总结,即目前一直使用的方法以及最近新出现的方法等。一般来说,人体动作的识别,是通过视频或图像的形式获取进而识别,接着随着科学技术的发展,以及电子行业的发展,开始利用穿戴传感器设备来对人体动作进行识别;随着无线技术的发展和覆盖的扩大,WiFi信号被用来对人体动作识别,并且取得了较好的成果。目前WiFi识别人体动作的课题研究是最新的研究动向。

          一般处理人体动作识别,都是采用以下流程:首先收集数据,接着对收集到的数据进行去噪或处理,接着提取出特征量,然后训练和分类,最后实现人体动作的识别。几乎所有的研究团队都是依据这样的一般流程来实现人体动作的识别。在这五个部分中,数据去噪和提取出特征量是关键的两个环节。研究人员都在深入的对这两个环节进行不断的改进和发展,提高了识别精确度。



    展开全文
  • 近年来,随着低成本传感器的应用,基于三维人体骨架的动作识别得到广泛研究。在对两种最新的识别方法的优缺点进行研究的基础上提出一种新的动作描述符,该描述符是通过对运动姿态向量序列求协方差得到的,而运动姿态...
  • 基于特征相似度的人体动作识别,朱洋达,张建忠,基于智能手机的人体动作识别在移动情景感知、惯性定位等方面有着非常广泛的应用。与传感器位置固定的动作识别相比,基于智能手机
  • 针对现有的动作识别算法的特征提取复杂、识别率低等问题,提出了基于批归一化变换(batch normalization)与GoogLeNet网络模型相结合的...实验结果表明,改进的网络架构在视频人体动作识别问题上具有较高的识别准确率。
  • 作者|李秋键出品|AI科技大本营(ID:rgznai100)引言伴随着计算机视觉的发展和在生活实践中的广泛应用,基于各种算法的行为检测和动作识别项目在实践中得到了越来越多的应用,并在相关领...
  • 用华为HMS ML kit人体骨骼识别技术,Android快速实现人体姿势动作抓拍 你有没有过这种体验,拍照时对着镜头,脑子一片空白、表情僵硬、手和脚无处安放,最后拍出来的照片很是奇怪。拍照软件中的固定姿势抓拍功能可以...
  • 为解决现有虚拟训练软件的人体动作输入设备沉浸感和训练效果不足的问题,采用DSP和微机电系统构建人体动作识别系统。该系统应用
  • 为提高多模式人体下肢动作识别的准确性,提出了一种基于简约支持向量机算法的下肢动作识别方法。通过动作分解将人体日常下肢动作行为分解为不同的动作片段以组成识别目标集;以下肢肌肉表面肌电信号为信息源,综合短...
  • beyes分类识别三、应用四、总结 一、软硬件环境 基于人体姿态的手语图像识别系统采用了软硬件相结合的方法。硬件部分主要是用于采集手语图像的单目摄像头。软件部分主要是通过ffmpeg对视频图像进行处理,然后在...
  • 基于3D关节点的人体动作识别综述

    万次阅读 2017-12-04 21:56:14
    文基于3D关节点的人体动作识别综述 原文:2016,Pattern Recognition: 3D skeleton-based human action classification: A survey 摘要 近年来,基于深度序列的人体动作分类的研究越来越多,出现了基于不同...
  • 姿态估计与人体动作识别的多任务深度学习模型

    万次阅读 多人点赞 2018-04-13 18:08:14
    最近在做一个人体康复训练的项目,一开始考虑到人体康复训练需要肢体的细微动作,所以先使用人体姿态估计识算法提取骨骼点,再根据人体骨骼点来识别动作(后来发现也不一定这样),并组合成一个端对端的模型,正好...
  • 该代码是一个安卓小项目,应用卷积神经网络访问手机加速度计进行的人体动作姿态识别算法的安卓端开发。开发时需要借助Android Studio.
  • 典型的 part-based 方法,将人体骨架分为多个子图,定义了子图内部和子图之间的信息传播方式,这样便能更好的抽取局部关节信息,同时加快信息传播速度。 数据增强 何(geometric)特征与动力学(kinematic)特征 这里的...
  • 1)应用了一个固定的hardwired的核去对原始的帧进行处理,产生多个通道的信息,然后对多个通道分别处理。最后再将所有通道的信息组合起来得到最终的特征描述。这个实线层实际上是编码了我们对特征的先验知识,这比...
  • 为了推广神经网络在人体动作识别中的应用,设计了一种基于分层识别框架和增强算法的动作识别系统,该系统融合了光流直方图、有向梯度直方图、Hu的矩特征、分块剪影和自相似矩阵等多种特征.为了与反向传播网络的增强...
  • 视频人体动作捕捉技术

    千次阅读 2020-08-31 15:57:18
    人体动作捕捉技术(简称人体动捕技术)是影视游戏行业中常用的技术,其可以实现精确的人体姿态,运动捕捉,但是用于此的设备昂贵,很难在日常生活中广泛应用。视频人体动作捕捉技术指的是输入视频片段,捕捉其中场景...
  • 摘要:以人类行为识别为基础的环境辅助生活(AAL)系统...本文介绍了红外摄像机在AAL领域的应用,并讨论了红外摄像机在人体动作识别(HAR)中的性能。特别关注的是其中一个最关键的行动-下降。在这篇参考文献中,我们生...
  • 行为动作识别

    万次阅读 多人点赞 2019-05-23 15:48:56
    随着计算机学科与人工智能的发展和应用,视频分析技术迅速兴起并得到了广泛关注。视频分析中的一个核心就是人体行为识别,行为识别的准确性和快速性将直接影响视频分析系统后续工作的结果。因此,如何提高视频中人体...

空空如也

空空如也

1 2 3 4 5 ... 20
收藏数 9,372
精华内容 3,748
关键字:

人体动作识别技术应用