CC BY
2Muhammad al-Xorazmiy nomidagi TATU Farg'ona filiali "Al-Farg'oniy avlodlari" elektron ilmiy jurnali ISSN 2181-4252 Tom: 1 | Son: 2 | 2024-yil
"Descendants of Al-Farghani" electronic scientific journal of Fergana branch of TATU named after Muhammad al-Khorazmi. ISSN 2181-4252 Vol: 1 | Iss: 2 | 2024 year
Электронный научный журнал "Потомки Аль-Фаргани" Ферганского филиала ТАТУ имени Мухаммада аль-Хоразми ISSN 2181-4252 Том: 1 | Выпуск: 2 | 2024 год
INSON TANASI HARAKATLARINI TAHLIL QILISHDA ZAMONAVIY MODELLAR VA
ALGORITMLARNI QO'LLASHNI O'RGANISH
Kurbanov Abduraxmon Alishboyevich
Mirzo Ulug'bek nomidagi O'zbekiston Milliy universitetining Jizzax filiali tayanch doktoranti [email protected]
Annotasiya. Inson harakatini tahlil qilish - bu inson tanasining harakatini o'rganish va tushunishni o'z ichiga olgan modellar qurishdir. U sport, sog'liqni saqlash, robototexnika va animatsiya kabi turli sohalarni rivojlantirish uchun xizmat qiladi. Inson harakatini tahlil qilish orqali biz biomexanika bo'yicha qimmatli tushunchalarga ega bo'lishimiz, ish faoliyatini yaxshilashimiz, anormalliklarni aniqlashimiz mumkin. Ushbu maqolada biz inson harakatini tahlil qilishda ishlatiladigan turli modellar va algoritmlarni ko'rib chiqamiz.
Kalit so'zlar: Inson harakatini tahlil qilish, Harakatni suratga olish, Pozani baholash, Harakatni aniqlash, Imo-ishoralarni tushunish, Inson va kompyuter o'zaro ta'siri (HCI), Kompyuterni ko'rish, Mashinani o'rganish, Sun'iy intellekt (AI), Ehtimoliy grafik modellar (PGM), Yashirin Markov modellari ( HMM), Shartli tasodifiy maydonlar (CRF), Uzoq qisqa muddatli xotira tarmoqlari (LSTM), Konvolyutsion neyron tarmoqlari (CNN), Chuqur o'rganish, Generativ modellar, Xususiyatlarni ajratib olish, Tasniflash, Regressiya, Klasterlash
1. Kirish.
Inson harakatini tahlil qilish ko'plab sohalarda katta ahamiyatga ega. Sport sohasida sportchilarning harakatlarini tahlil qilishda, ularning faoliyat samaradorligini oshirish uchun zaruir bo'ldan tavsiyalarni ishlab chiqishda yordam beradi. Sog'liqni saqlash sohasi mutaxassislarga mushak-skelet tizimi kasalliklarini tashxislash va davolashda, reabilitatsiya jarayonini kuzatishda va harakat tahlilini olib borishda foydalanadi. Robototexnika va animatsiya sanoati robotlar va virtual belgilarda real va tabiiy harakatlar yaratish orqali inson harakatini tahlil qilishdan foydalaniladi. Harakatni suratga olish jarayoni inson harakatini tahlil qilishda kiruvchi ma'lumotlar sifatida qaraladi. Bu jarayon sensorlar, kameralar yoki maxsus kostyumlar yordamida shaxslarning harakatlarini yozib olish va kuzatishni o'z ichiga oladi. Ushbu sensorlar tananing turli qismlarining joylashuvi va yo'nalishini aniqlab oladi, bu esa odamning harakatini virtual muhitda qayta tiklash imkonini beradi. Ushbu texnologiya inson harakatini tahlil qilishda qo'llaniladigan ko'plab modellar va algoritmlar uchun ma'lumotlar manbayi bo'lib xizmat qildi. Inson tanasi harakatlarini tahlil qilish jarayonidagi yana bir affekt bu "pozani baholash (Pose estimation)" bo'lib, pozani
baholash 2D tasvirlar yoki videolardan tana bo'g'imlarining 3D pozitsiyalari va yo'nalishlarini baholash jarayonini anglatadi. U inson harakatlarini tahlil qilishda asosiy rolni o'ynaydi, chunki u tana harakatlarini tushunish uchun asosiy ma'lumot beradi. Pozani baholash algoritmlari bosh, elkalar, tirsaklar va tizzalar kabi tana bo'g'imlarini aniqlash va lokalizatsiya qilish uchun kompyuter ko'rish usullaridan foydalanadi. Ushbu ma'lumotlardan turli xil ilovalar, jumladan, harakatlarni aniqlash, imo-ishoralarni tushunish va inson va kompyuter o'zaro ta'sirida foydalanish mumkin. Pozani aniq baholash inson harakatining nozik tomonlarini tushunish va mazmunli tushunchalarni olish uchun zarurdir.
2. Metodologiya: Ushbu maqolada biz insonning tana harakatlarini tanib olish va tahlil qilish masalasini ko'rib o'tamiz. Harakatni tanib olish - bu video ketma-ketliklardan inson harakatlarini aniqlash va tasniflash jarayoni. Bu tana harakatlarining vaqtinchalik dinamikasi va fazoviy konfiguratsiyasini tahlil qilishni o'z ichiga oladi. Harakatlarni aniqlash algoritmlari video kadrlardan diskriminativ xususiyatlarni olish uchun chuqur o'rganish va konvolyutsion neyron tarmoqlar (CNN) kabi mashinani o'rganish usullaridan foydalanadi.
169
Muhammad al-Xorazmiy nomidagi TATU Farg'ona filiali "Al-Farg'oniy avlodlari" elektron ilmiy jurnali ISSN 2181-4252 Tom: 1 | Son: 2 | 2024-yil
"Descendants of Al-Farghani" electronic scientific journal of Fergana branch of TATU named after Muhammad al-Khorazmi. ISSN 2181-4252 Vol: 1 | Iss: 2 | 2024 year
Электронный научный журнал "Потомки Аль-Фаргани" Ферганского филиала ТАТУ имени Мухаммада аль-Хоразми ISSN 2181-4252 Том: 1 | Выпуск: 2 | 2024 год
Keyinchalik bu xususiyatlar yurish, chopish, sakrash yoki otish kabi turli harakatlarni taniy oladigan va tasniflay oladigan modellarni o'rgatish uchun ishlatiladi.
Yagona yashirin qatlamli oldinga yo'naltirilgan neyron tarmog'i boshqa nazariyalardan ko'ra soddaroq bo'lgan ekstremal mashinaviy o'rganish nazariyasi bilan hal qilinishi mumkin. Shuning uchun, inson harakatini tanish algoritmini loyihalash uchun ekstremal mashinaviy o'rganish tizimidan foydalanish samarali xisoblanadi. Keyinchalik, ekstremal mashinaviy o'rganish modeli ma'lum miqdordagi training namunalarini tasniflaydi va natijalarni minimallashtirish sifatida xatolikni minimallashtirish. Shu munosabat bilan ekstremal mashinaviy o'rganish yadrosi tenglamani quyidagicha tuzishimiz mumkin.
T J
f(xj) = [P(xj,x1) ... P(xpxn) + P)-1T (1)
Bunda C, Xj va T lar mos ravishda tartibga solish parametri, training xatolik vektori va haqiqiy harakat tasnifi. P yadro funktsiyasini bildiradi, j=1...n. (1) Tenglama, tahlil qilingan harakatni o'rgatish videosining tasniflash atributining ahamiyatini hisoblab chiqadi.
Ma'lumotlar sintezi algoritm ish faoliyatini yaxshilashga yordam berishini aniqladi. Shunga asoslanib, 4-rasmdan ekstremal mashinaviy o'rganish yadrosini tahlil qilish uchun ikki qismga ajratish mumkin.
Yakunij£ natjja
Qaror qabul qilish
4-rasm. Ekstremal mashinaviy o'rganish yadrosi tuzilishi.
Ekstremal mashinaviy o'rganish yadrosi birinchi navbatda tanlanadigan funksiya yadrosi va chuqur o'rganish xususiyat yadrosini birlashtiradi hamda chuqur o'rganish va sintez xususiyat yadrolarining ball vektorlarini (ballarini) bashorat qiladi. So'ngra neyron tarmog'ida o'qitilgan tasniflagich ballarni tasniflaydi.
(2) tenglama chuqur o'rganish xususiyatlari birlashtirish jarayonini ifodalaydi. (2) tenlama tanlanadigan va chuqur o'rganish xususiyatlarini birlashtirish jarayonini ko'rsatadi.
P(xi,xj) = b(xi)bT(xj) (2) Tenglama (2) videodagi umumiy qo'llanma va DL xususiyatlarini ifodalaydi, bu erda P(x i, x j ) p ning turli elementlari hisoblanadi. Tanlanadigan va chuqur o'rganish funksiya ballari sintez funksiyasi ballari sifatida o'rtachasi hisoblanadi, so'ngra chuqur o'rganish xususiyatlarining ballari baholanadi.
Keyinchalik, sintez operatsiyasi uchun uchta yadro ball vektorlari ishlatiladi. Neyron tarmoq strukturasi xususiyatlar ballari asosida yadro matritsasini hisoblab chiqadi. (3) tenglama xususiyat ballarini baholash uchun ishlatiladi va bu tenglama kvadrat eksponensial yadrosini ifodalaydi. Bu erda q videoni bashorat qilish ballini, p Gauss elementini va s erkin parametrni bildiradi.
P(qi,qj) = exp(-^) (3)
Trening ma'lumotlarining tarqalishiga qarshi, ushbu bo'lim IDT deskriptori uchun asosiy komponentlar tahlili (PCA) yordamida yangi mexanizmni taklif qiladi. PCA-ga asoslangan yangi mexanizm modelni o'rgatish uchun Gauss elementi P ni 256 ga o'rnatadi va ma'lumotlar to'plamini tasodifiy tanlab olingan 25 600 kichik to'plamga o'rgatadi. Nihoyat, IDT deskriptorining Fisher vektori olinadi. Bu erda deskriptorning chiziqli yadrosi mustaqil ravishda ishlab chiqilgan va tanlash funktsiyalarning tavsiflovchi yadrosi (4) tenglama bilan hal qilinadi.
pb=i^pi (4) (4) Tenglama tanlash funktsiyalarning yadro matritsasini ifodalaydi, bu erda n d 4 turdagi
170
Muhammad al-Xorazmiy nomidagi TATU Farg'ona filiali "Al-Farg'oniy avlodlari" elektron ilmiy jurnali ISSN 2181-4252 Tom: 1 | Son: 2 | 2024-yil
"Descendants of Al-Farghani" electronic scientific journal of Fergana branch of TATU named after Muhammad al-Khorazmi. ISSN 2181-4252 Vol: 1 | Iss: 2 | 2024 year
Электронный научный журнал "Потомки Аль-Фаргани" Ферганского филиала ТАТУ имени Мухаммада аль-Хоразми ISSN 2181-4252 Том: 1 | Выпуск: 2 | 2024 год
tavsiflovchini bildiradi. Ular pikselning mutlaq harakat xususiyatlari, tavsiflovchi statik xususiyatlar, nisbiy harakat xususiyatlari va traektoriyadir.
DL funksiyalarini loyihalash deskriptorlarni tartibga solish va qayta ishlash orqali yakunlanadi. DL xususiyatlarining deskriptorlari 4096 o'lchovli video deskriptorlariga o'rnatiladi va nihoyat, yadro matritsasi PD qayta ishlash orqali olinadi.
(5) Tenglamada keltirilgan tanlash funktsiyalari va chuqur o'rganish xususiyatlarini birlashtirish orqali quyidagiga ega bo'lamiz. Pd+Pd
P =
(5)
Asosan o'rtacha qiymatlarni birlashtirish orqali ifodalanadi.
CNN harakat ma'lumotlarining DL xususiyatlarini tavsiflash uchun ishlatiladi. Yuqorida aytib o'tilganidek, CNN vaqt andozalari asosida axborot xususiyatlarini o'rganish uchun ishlatiladi. 1-jadvalda DL algoritmlar majmuasining parametrlari keltirilgan.
1-jadval
Chuqur o'rganish Maxsus parametrlar
CNN Birlashtiruvchi qatlamda 2x2 xususiyatli yadro va konvolyutsiya qatlamida 5x5 xususiyat yadrosi
Rang kanali RGB
DL parametr sozlamalari.
Qabul qilingan CNN arxitekturasi 5C-2s-5c-2s ekanligini bildiradi, bu erda 2s maksimal birlashtiruvchi qatlam ostidagi xususiyat yadrolari soni 2 x 2 ekanligini ko'rsatadi. 5c konvolyutsiya qatlami ostidagi xususiyat yadrolari sonini ko'rsatadi, qaysi 5 x 5. Uch rangli kanal rejimi RGB rejimiga ishora qiladi.
Harakatni aniqlash inson harakatlarini tahlil qilishning asosiy komponenti bo'lib, bizga inson harakatlarini avtomatik ravishda tushunish va izohlash imkonini beradi. Imo-ishoralarni tushunish inson va kompyuter o'zaro ta'sirini osonlashtirish uchun inson imo-ishoralarini tan olish va talqin qilishga qaratilgan.
Bu nozik qo'l harakatlarini, tana holatini va yuz ifodalarini qo'lga kiritish va tahlil qilishni o'z ichiga oladi. Imo-ishoralarni tushunish algoritmlari ko'pincha video yoki sensor ma'lumotlaridan mazmunli ma'lumotlarni olish uchun kompyuterni ko'rish texnikasi va mashinani o'rganish modellaridan foydalanadi. Ushbu ma'lumotlardan o'yin, virtual haqiqat va robototexnika kabi turli ilovalar uchun tabiiy va intuitiv interfeyslarni ishlab chiqishda foydalanish mumkin. Inson imo-ishoralarini tushunish orqali biz odamlar va mashinalar o'rtasidagi bo'shliqni bartaraf etishimiz mumkin, bu esa yanada uzluksiz va interaktiv o'zaro ta'sirlarni ta'minlaydi. Kompyuterni ko'rish vizual ma'lumotlardan mazmunli ma'lumot olish uchun vositalar va usullarni taqdim etish orqali inson harakatini tahlil qilishda muhim rol o'ynaydi. Bu inson harakatining tuzilishi va dinamikasini tushunish uchun tasvirlar yoki videolarni qayta ishlash va tahlil qilishni o'z ichiga oladi. Kompyuter ko'rish algoritmlari pozani baholash, harakatni aniqlash va imo-ishoralarni tushunish kabi vazifalar uchun ishlatiladi. Ushbu algoritmlar vizual ma'lumotlardan tegishli ma'lumotlarni olish uchun turli xil usullardan, jumladan, xususiyatlarni ajratib olish, ob'ektni aniqlash va tasvir segmentatsiyasidan foydalanadi. Kompyuterni ko'rish kuchidan foydalangan holda, biz keng ko'lamli ilovalarda inson harakatini tahlil qilish imkoniyatlarini ochishimiz mumkin.
Inson harakatini tahlil qilishda yashirin Markov modellaridan keng foydalanish mumkin. Yashirin Markov modellari, ayniqsa, tana bo'g'imlari pozitsiyalarining vaqt seriyasi kabi ketma-ket ma'lumotlarni modellashtirish uchun ahamiyatlidir. Ular harakatning turli holatlari va kuzatilgan ma'lumotlarning emissiya ehtimoli o'rtasidagi o'tishlarni ushlaydi. Yashirin Markov modellari harakatni aniqlash, imo-ishoralarni aniqlash va harakatni bashorat qilish kabi vazifalarga muvaffaqiyatli qo'llanildi. Yashirin Markov modellaridan foydalanish orqali biz inson harakati dinamikasini samarali modellashtirishimiz va tushunishimiz mumkin. Shartli tasodifiy maydonlar tuzilgan bashorat vazifalarida ustunlik qiluvchi ehtimoliy grafik modellarning yana bir sinfidir. Shartli
171
2
Muhammad al-Xorazmiy nomidagi TATU Farg'ona filiali "Al-Farg'oniy avlodlari" elektron ilmiy jurnali ISSN 2181-4252 Tom: 1 | Son: 2 | 2024-yil
"Descendants of Al-Farghani" electronic scientific journal of Fergana branch of TATU named after Muhammad al-Khorazmi. ISSN 2181-4252 Vol: 1 | Iss: 2 | 2024 year
Электронный научный журнал "Потомки Аль-Фаргани" Ферганского филиала ТАТУ имени Мухаммада аль-Хоразми ISSN 2181-4252 Том: 1 | Выпуск: 2 | 2024 год
tasodifiy maydonlar, ayniqsa, pozani baholash va harakatni aniqlash kabi vazifalar uchun inson harakatini tahlil qilishda foydalidir. Ular tana bo'g'inlari yoki tana qismlari o'rtasidagi bog'liqlikni modellashtiradi va ular orasidagi kontekstni va o'zaro ta'sirni aniqlaydi. Shartli tasodifiy maydonlar foydalanish orqali biz inson harakatini tahlil qilish algoritmlarining aniqligi va mustahkamligini oshirishimiz mumkin.
Uzoq qisqa muddatli xotira tarmoqlari uzoq muddatli bog'liqliklar bilan ketma-ket ma'lumotlarni modellashtirishda ustun bo'lgan takroriy neyron tarmoq turidir. Uzoq qisqa muddatli xotira tarmoqlari harakatni aniqlash, harakatni bashorat qilish va imo-ishoralarni tushunish kabi vazifalar uchun inson harakatini tahlil qilishda keng qo'llanilgan. Ular inson harakatlarining vaqtinchalik dinamikasini qo'lga kiritishlari va vaqt o'tishi bilan murakkab naqshlarni o'rganishlari mumkin. Uzoq qisqa muddatli xotira tarmoqlari inson harakatini tahlil qilish algoritmlarining ish faoliyatini sezilarli darajada yaxshiladi va yanada ilg'or ilovalar uchun yo'l ochdi.
3. Muhokama: Xususiyatlarni ajratib olish inson harakatini tahlil qilishning asosiy bosqichi bo'lib, u xom ma'lumotlarni yanada ixcham va vakillik shakliga aylantirishni o'z ichiga oladi. Xususiyatlarni ajratib olish usullari inson harakatining muhim va kamsituvchi xususiyatlarini qo'lga kiritishga qaratilgan. Bu xususiyatlar qo'shma pozitsiyalar, tezliklar, tezlanishlar yoki burchaklar kabi turli xil usullarga asoslangan bo'lishi mumkin. Asosiy komponentlar tahlili, to'lqinli transformatsiyalar va yo'naltirilgan gradientlar gistogrammasi kabi xususiyatlarni ajratib olish usullari inson harakatini tahlil qilishda keng qo'llanilgan. Xususiyatlarni aniqlashning samarali usullaridan foydalangan holda, biz ma'lumotlarning o'lchamini kamaytirishimiz va keyingi tahlil qilish uchun mazmunli ma'lumotlarni olishimiz mumkin. Tasniflash usullari inson harakatlarini tahlil qilishda har xil turdagi inson harakatlarini tasniflash va belgilash uchun qo'llaniladi. Ushbu usullar harakatlar, imo-ishoralar yoki pozalarni taniy oladigan va tasniflay oladigan modellarni o'rgatish uchun mashinani o'rganish algoritmlaridan
foydalanadi. Qo'llab-quvvatlash vektor mashinalari, tasodifiy o'rmonlar va k-eng yaqin qo'shnilar kabi tasniflash usullari inson harakatini tahlil qilishda keng qo'llanilgan. Tasniflash usullaridan foydalanib, biz inson harakatlarini avtomatik ravishda toifalarga ajratishimiz va belgilashimiz mumkin, bu bizga mazmunli tushunchalarni olish va turli vazifalarni avtomatlashtirish imkonini beradi. Regressiya usullari qo'shma burchaklar, qo'shma pozitsiyalar yoki harakat traektoriyalari kabi uzluksiz o'zgaruvchilarni bashorat qilish uchun inson harakatini tahlil qilishda qo'llaniladi. Ushbu usullar kirish xususiyatlari va chiqish o'zgaruvchilari o'rtasidagi asosiy aloqani o'rganishga qaratilgan. Chiziqli regressiya, neyron tarmoqlar va Gauss jarayonlari kabi regressiya usullari inson harakatini tahlil qilishda harakatni bashorat qilish, pozani baholash va harakat tahlili kabi vazifalar uchun qo'llanilgan. Regressiya usullaridan foydalanib, biz inson harakatining kelajakdagi holatini taxmin qilishimiz va bashorat qilishimiz mumkin, bu bizga real vaqt rejimida harakatlarni oldindan bilish va ularga munosabat bildirish imkonini beradi. Klaster algoritmlari inson harakatlarini tahlil qilishda o'xshash inson harakatlarini guruhlash orqali hal qiluvchi rol o'ynaydi. Ushbu algoritmlar ma'lumotlar to'plamidagi naqshlar, o'xshashliklar va klasterlarni aniqlashga qaratilgan. Klasterlash usullari, ya'ni K-o'rtachalar, ierarxik klasterlar va Gauss aralashmasi modellari inson harakatini tahlil qilishda keng qo'llanilgan. Klasterlash algoritmlari bizga o'xshash inson harakatlarini toifalarga ajratish va guruhlash imkonini beradi, harakat segmentatsiyasi, harakatni qidirish va harakat sintezi kabi vazifalarni osonlashtiradi. Klasterlash algoritmlarini qo'llash orqali biz inson harakati ma'lumotlaridagi yashirin naqsh va tuzilmalarni ochib bera olamiz.
Natija: Keltirilgan model asosida Python dasturlash tilida masalani quyidagicha yechganmiz.
import tensorflow as tf
import numpy as np
import cv2
from PIL import Image
172
Muhammad al-Xorazmiy nomidagi TATU Farg'ona filiali "Al-Farg'oniy avlodlari" elektron ilmiy jurnali ISSN 2181-4252 Tom: 1 | Son: 2 | 2024-yil
"Descendants of Al-Farghani" electronic scientific journal of Fergana branch of TATU named after Muhammad al-Khorazmi. ISSN 2181-4252 Vol: 1 | Iss: 2 | 2024 year
Электронный научный журнал "Потомки Аль-Фаргани" Ферганского филиала ТАТУ имени Мухаммада аль-Хоразми ISSN 2181-4252 Том: 1 | Выпуск: 2 | 2024 год
path =
"models/posenet_mobilenet_v1_100_257x257_multi_ kpt_stripped.tflite "
template _path = "example.jpg" interpreter = tf.lite.Interpre ter(model_path =path) interpreter.allocate_tensors() inputdetails = interpreter.get_input_details() outputdetails = interpreter.get_output_details()
height = input_details[0]['shape'][1] width = input_details[0]['shape'][2] templateimagesrc = cv2.imread(template _path)
src_tepml_width, srctemplheight, _ = templateimagesrc.shape templateimage = cv2.resize(template_image_src, (width, height)) cv2_imshow(template_image)
# tayyorlangan modelga mos bo'lgan tasvir o'lchovlarini o'rnatamiz
templateinput = np.expand_dims(template_image.copy(), axis=0)
floatmodel = input_details[0]['dtype'] == np.float32
iffloatmodel: templateinput = (np.float32(template_input) - 127.5) /127.5
# kiritish qiymatlarini o'rnatish interpreter.set_tensor(input_details[0]['index ]
, template input) # Run the calculations
interpreter.invoke() # Extract output data from the interpreter
templateoutputdata = interpreter.get_tensor(output_details[0]['index'])
templateoffsetdata = interpreter.get_tensor(output_details[1]['index'])
templateheatmaps = np.squeeze(templateoutputdata)
templateoffsets = np.squeeze(templateoffsetdata)
def draw_kps(show_img, kps, ratio=None): for i in range(5,kps.shape[0]): if kps[i,2]:
if isinstance (ratio, tuple): cv2.circle(show_img,(int(round(kps[i,1]*ratio [1])),int(round(kps[i,0] *ratio[0]))),2,(0,255,255),rou nd(int(1*ratio[1])))
continue
cv2.circle(show_img,(kps[i,1],kps[i,0]),2,(0,255,255), -1)
return show img defparse_output(heatmap_data,offset_data, threshold):
jointnum = heatmap_data.shape[-1] pose_kps = np.zeros((joint_num,3), np.uint32)
for i in range(heatmap_data.shape[-1]): jointheatmap = heatmap_data[...,i] max_val_pos = np.squeeze(np.argwhere(joint_heatmap==np.max(joi ntheatmap)))
remap_pos = np.array(max_val_pos/8*257,dtype =np.int32)
pose_kps[i,0] = int(remap_pos[0] + offset_data[max_val_pos[0],max_val_pos[1],i]) pose_kps[i,1] = int(remap_pos[1] + offset_data[max_val_pos[0],max_val_pos[1],i+joint_ num])
max_prob = np.max(jointheatmap) if max_prob > threshold: if pose_kps[i,0] < 257 andpose_kps[i,1]
< 257:
pose_kps[i,2] = 1 return posekps templateshow = np.squeeze ((template_input.copy()*127.5+127.5)/255 .0)
templateshow = np.array(template_show*255,np.uint8) template_kps =
parse_output(template_heatmaps,template_offsets,0.3 )
cv2.imshow("Image with drawn joints", draw_kps(template_show.copy(), templatekps))
cv2.waitKey(0) # waits until a key is pressed
173
Muhammad al-Xorazmiy nomidagi TATU Farg'ona filiali "Al-Farg'oniy avlodlari" elektron ilmiy jurnali ISSN 2181-4252 Tom: 1 | Son: 2 | 2024-yil
"Descendants of Al-Farghani" electronic scientific journal of Fergana branch of TATU named after Muhammad al-Khorazmi. ISSN 2181-4252 Vol: 1 | Iss: 2 | 2024 year
Электронный научный журнал "Потомки Аль-Фаргани" Ферганского филиала ТАТУ имени Мухаммада аль-Хоразми ISSN 2181-4252 Том: 1 | Выпуск: 2 | 2024 год
cv2.destroyAlWindows() # destroys the window showing image
Xulosa. Xulosa qilib aytganda, inson harakatini tahlil qilish ko'p tarmoqli soha bo'lib, u inson harakatlarini tushunish va tahlil qilish uchun kompyuter ko'rish, mashina o'rganish va biomexanikani birlashtiradi. Ehtimoliy grafik modellar, yashirin Markov modellari, chuqur o'rganish va klasterlash kabi modellar va algoritmlardan foydalanish orqali biz inson harakati haqida qimmatli tushunchalarga ega bo'lishimiz va aqlli tizimlarni rivojlantirishimiz mumkin. Inson harakati tahlilining kelajagi katta va'da beradi, texnologiya va algoritmlardagi yutuqlar bizga yuqori aniqlik, real vaqt tahlili va yanada tabiiy o'zaro ta'sirlarga erishish imkonini beradi. Ushbu sohada izlanish va innovatsiyalarni davom ettirish orqali biz inson harakati tahlilining to'liq salohiyatini ochib, sportning sog'liqni saqlash, robototexnikadan animatsiyagacha bo'lgan turli sohalarida keng qo'llashimiz mumkin.
Foydalanilgan adabiyotlar
1. Liangchen Song, Gang Yu, Junsong Yuan, Zicheng Liu "Human pose estimation and its application to action recognition: A survey". Journal of Visual Communication and Image Representation Volume 76, April 2021
2. Zhaozong Meng, Mingxing Zhang, Changxin Guo, Qirui Fan, Hao Zhang, Nan Gao, Zonghua Zhang "Recent Progress in Sensing and Computing Techniques for Human Activity Recognition and Motion Analysis". Electronics 2020
3. Hao, Z., Niu, J., Dang, X., and Qiao, Z. (2022). WiPg: contactless action recognition using ambient wi-fi signals. Sensors. 22, 402. doi: 10.3390/s22010402
4. Dong, B., Zhang, Z., Shi, Q., Wei, J., Ma, Y., and Xiao, Z. (2022). Biometrics-protected optical communication enabled by deep learning-enhanced triboelectric/photonic
synergistic interface. Sci. Adv. 8, eabl9874. doi: 10.1126/sciadv.abl9874
5. Kang, S., Jang, M., and Lee, S. (2021). Identification of human motion using radar sensor in an indoor environment. Sensors. 21, 2305. doi: 10.3390/s21072305
6. Sedmidubsky, J., Elias, P., Budikova, P., and Zezula, P. (2021). Content-based management of human motion data: survey and challenges. IEEE Access. 9, 64241-64255. doi: 10.1109/ACCESS.2021.3075766
7. Sarma, M. S., Deb, K., Dhar, P. K., and Koshiba, T. (2021). Traditional Bangladeshi sports video classification using deep learning method. Appl. Sci. 11, 2149. doi: 10.3390/app11052149
8. Liu, Y., and Ji, Y. (2021). Target recognition of sport athletes based on deep learning and convolutional neural network. J. Intellig. Fuzzy Syst. 40, 2253-2263. doi: 10.3233/JIFS-189223
9. S. Kettebekov, R. Sharma. "Understanding gestures in multimodal human computer interaction". International Journal on Artificial Intelligence ToolsVol. 09, No. 02, pp. 205-223 (2000)
10.G. Panahandeh, N. Mohammadiha, A. Leijon and P. Händel, "Continuous Hidden Markov Model for Pedestrian Activity Classification and Gait Analysis," in IEEE Transactions on Instrumentation and Measurement, vol. 62, no. 5, pp. 1073-1083, May 2013, doi: 10.1109/TIM.2012.2236792
11.Behrooz Mahasseni, Sinisa Todorovic. "Regularizing Long Short Term Memory With 3D Human-Skeleton Sequences for Action Recognition". Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (CVPR), 2016, pp. 3054-3062
12.Imed Bouchrika, Mark S. Nixon. "ModelBased Feature Extraction for Gait Analysis and Recognition" Computer Vision/Computer
174
Muhammad al-Xorazmiy nomidagi TATU Farg'ona filiali "Al-Farg'oniy avlodlari" elektron ilmiy jurnali ISSN 2181-4252 Tom: 1 | Son: 2 | 2024-yil
"Descendants of Al-Farghani" electronic scientific journal of Fergana branch of TATU named after Muhammad al-Khorazmi. ISSN 2181-4252 Vol: 1 | Iss: 2 | 2024 year
Электронный научный журнал "Потомки Аль-Фаргани" Ферганского филиала ТАТУ имени Мухаммада аль-Хоразми ISSN 2181-4252 Том: 1 | Выпуск: 2 | 2024 год
Graphics Collaboration Techniques, 2007, Volume 4418. ISBN : 978-3-540-71456-9
13.Lorena Gril, Philipp Wedenig, Chris Torkar, Ulrike Kleb. "A Tensor-based Regression Approach for Human Motion Prediction". Special Issue:THE ENBIS-21 QUALITY AND RELIABILITY ENGINEERING INTERNATIONAL. Volume39, Issue2. March 2023. Pages 481-499
14. KURBANOV A.A. Multimodal emotion recognition: a comprehensive survey with deep learning. Journal of Research and Innovation, pp. 43-47. 2023
15.Kurbanov Abdurahmon Alishboyevich. A Methodological Approach to Understanding Emotional States Using Textual Data. Journal of Universal Science Research. 2023
16.Kurbanov Abdurahmon. AI MODELS OF AFFECTIVE COMPUTING. International Conference of Contemporary Scientific and Technical Research. 2023
17.Kurbanov Abdurahmon Alishboyevich. USING AFFECTIVE COMPUTING SYSTEMS IN MODERN EDUCATION. Journal Science and innovation. 2023
18.Kurbanov Abdurahmon Alishboyevich. Methods of evaluating a person's emotional state based on the analysis of textual data. Journal of actual problems of modern science, education and training, pp 32-40. 2023.
175
