關(guān)節(jié)點(diǎn)
- 基于網(wǎng)格劃分骨骼的行為預(yù)測(cè)
劃分并提取相應(yīng)關(guān)節(jié)點(diǎn)的行為特征,對(duì)比前后幀的行為特征,進(jìn)而判斷行人的運(yùn)動(dòng)方向及運(yùn)動(dòng)速度。2 行為預(yù)測(cè)(Action prediction)基于網(wǎng)格劃分骨骼的行為預(yù)測(cè)方法主要分為兩個(gè)部分:行人網(wǎng)格劃分和行人骨骼行為特征提取。具體來(lái)說(shuō),就是將行人進(jìn)行網(wǎng)格劃分和對(duì)行人骨骼進(jìn)行估計(jì),提取出網(wǎng)格特征、關(guān)節(jié)點(diǎn)角度及骨骼特征,將三者結(jié)合形成行人的行為動(dòng)作特征,通過(guò)前后幀的對(duì)比,計(jì)算下一幀行人動(dòng)作發(fā)生的概率?；诰W(wǎng)格劃分骨骼的行為預(yù)測(cè)方法的流程如圖1所示。圖1 基于網(wǎng)格劃
軟件工程 2023年6期2023-06-10
- 基于HRNet 的輕量化人體姿態(tài)估計(jì)網(wǎng)絡(luò)
接從圖像中預(yù)測(cè)關(guān)節(jié)點(diǎn)的位置，DeepPose［3］利用深度神經(jīng)網(wǎng)絡(luò)直接從圖像中回歸關(guān)鍵點(diǎn)坐標(biāo)，這種方法很難獲得精確的坐標(biāo)，而且網(wǎng)絡(luò)的收斂速度非常緩慢.Tompson 等人［4］使用馬爾可夫隨機(jī)場(chǎng)為每個(gè)關(guān)節(jié)點(diǎn)創(chuàng)建一個(gè)與其他關(guān)節(jié)點(diǎn)相關(guān)的圖模型（Graphical Model）結(jié)構(gòu)，并利用熱力圖表示關(guān)節(jié)點(diǎn)信息，熱力圖數(shù)值的大小表示該位置是關(guān)節(jié)點(diǎn)的概率大小，熱力圖中最大值的坐標(biāo)即為關(guān)節(jié)點(diǎn)的坐標(biāo).由于熱力圖可以通過(guò)卷積操作直接得到，因此，使用熱力圖表示關(guān)節(jié)點(diǎn)位置這一
- 矛盾轉(zhuǎn)化關(guān)節(jié)點(diǎn)視角下的新時(shí)代發(fā)展特質(zhì)與方向
矛盾轉(zhuǎn)化過(guò)程中關(guān)節(jié)點(diǎn)的地位和作用問(wèn)題，進(jìn)而創(chuàng)新矛盾轉(zhuǎn)化工作的思路，尋找到新時(shí)代發(fā)展的新特質(zhì)新路徑。一、矛盾轉(zhuǎn)化過(guò)程中關(guān)節(jié)點(diǎn)的含義和特質(zhì)唯物辯證法認(rèn)為，從哲學(xué)上看，事物的存在包括質(zhì)、量、度三方面。事物的量和質(zhì)在度的范圍之內(nèi)得到統(tǒng)一，每一個(gè)度都是一個(gè)特定大小的范圍，這個(gè)范圍中質(zhì)所規(guī)定的量的邊界就是不同矛盾統(tǒng)一體發(fā)生質(zhì)變與轉(zhuǎn)化的“關(guān)節(jié)點(diǎn)”。宇宙間的萬(wàn)事萬(wàn)物都處于運(yùn)動(dòng)變化與永恒發(fā)展之中，不同事物的轉(zhuǎn)化“關(guān)節(jié)點(diǎn)”首尾相連從而構(gòu)成了連綿不絕的事物發(fā)展變化的“轉(zhuǎn)化鏈”“
學(xué)習(xí)月刊 2022年6期2022-12-18
- 部位級(jí)遮擋感知的人體姿態(tài)估計(jì)
或視頻中的人體關(guān)節(jié)點(diǎn)，是計(jì)算機(jī)視覺(jué)中一項(xiàng)基本但極具挑戰(zhàn)性的任務(wù)，在運(yùn)動(dòng)康復(fù)、人機(jī)交互、自動(dòng)駕駛[1]等方面有著廣泛應(yīng)用.近年來(lái)，深度學(xué)習(xí)的發(fā)展使得人體姿態(tài)估計(jì)技術(shù)取得了突飛猛進(jìn)的進(jìn)步.然而，現(xiàn)有方法仍難以較好地處理現(xiàn)實(shí)環(huán)境中普遍存在的遮擋問(wèn)題.如何有效應(yīng)對(duì)遮擋問(wèn)題，進(jìn)而提升人體姿態(tài)估計(jì)方法的實(shí)用價(jià)值，是目前研究的重點(diǎn)和難點(diǎn).數(shù)據(jù)增強(qiáng)是處理遮擋問(wèn)題的常用方法之一.例如，Ke等人[2]通過(guò)從關(guān)節(jié)點(diǎn)周圍圖像背景中裁剪出正方形區(qū)域粘貼到關(guān)節(jié)點(diǎn)位置來(lái)模擬遮擋.Bin
計(jì)算機(jī)研究與發(fā)展 2022年12期2022-12-15
- 體育運(yùn)動(dòng)視頻人體關(guān)節(jié)點(diǎn)運(yùn)動(dòng)軌跡自動(dòng)識(shí)別方法
育運(yùn)動(dòng)視頻人體關(guān)節(jié)點(diǎn)運(yùn)動(dòng)軌跡自動(dòng)識(shí)別可以為大眾體育提供豐富的運(yùn)動(dòng)形式，加強(qiáng)落實(shí)我國(guó)體育教育基礎(chǔ)，促進(jìn)國(guó)家體育后備人才的培養(yǎng).國(guó)外針對(duì)人體關(guān)節(jié)點(diǎn)運(yùn)動(dòng)軌跡自動(dòng)識(shí)別方法研究較早，利用傳感器記錄人體關(guān)節(jié)運(yùn)動(dòng)序列，在此基礎(chǔ)上發(fā)明了侵入式運(yùn)動(dòng)捕捉設(shè)備[2].國(guó)內(nèi)針對(duì)該識(shí)別方法研究起步較晚，但已進(jìn)入高速發(fā)展的階段，高校科研人員已總結(jié)改進(jìn)得到了多種識(shí)別算法，為研究人體運(yùn)動(dòng)提供了很大的便利.1 體育運(yùn)動(dòng)視頻人體關(guān)節(jié)點(diǎn)運(yùn)動(dòng)軌跡自動(dòng)識(shí)別方法1.1 檢測(cè)體育運(yùn)動(dòng)視頻人體運(yùn)動(dòng)目標(biāo)體
商丘師范學(xué)院學(xué)報(bào) 2022年12期2022-12-07
- 基于關(guān)節(jié)點(diǎn)數(shù)據(jù)關(guān)注RGB視頻的雙人交互行為識(shí)別
紋理輪廓信息，關(guān)節(jié)點(diǎn)數(shù)據(jù)包含人體的三維骨架位置，二者既相互關(guān)聯(lián)又存在互補(bǔ)特性，這引起了智能監(jiān)控系統(tǒng)等領(lǐng)域研究者的關(guān)注，并將其引入雙人交互行為識(shí)別的研究中[2]?；赗GB視頻的雙人交互行為識(shí)別多以提取興趣點(diǎn)或局部描述符的方法開(kāi)展[3-4]，也有一些研究者引入長(zhǎng)短期記憶網(wǎng)絡(luò)對(duì)運(yùn)動(dòng)信息進(jìn)行時(shí)序建模[5]?；赗GB視頻的雙人交互行為識(shí)別可以表達(dá)出雙人交互的外觀信息和運(yùn)動(dòng)信息，但是由于遮擋等問(wèn)題，識(shí)別算法對(duì)于視角的適應(yīng)性較差。Kinect設(shè)備的推廣使基于關(guān)節(jié)點(diǎn)數(shù)
沈陽(yáng)航空航天大學(xué)學(xué)報(bào) 2022年3期2022-11-08
- 基于深度學(xué)習(xí)的二維人體姿態(tài)估計(jì)算法綜述①
有利于獲取人體關(guān)節(jié)點(diǎn)之間的聯(lián)系.二維人體姿態(tài)估計(jì)是在圖像中識(shí)別出人體關(guān)鍵點(diǎn),將關(guān)鍵點(diǎn)按順序連接形成人體骨骼圖.本文主要從單人目標(biāo)和多人目標(biāo)兩個(gè)方向?qū)ΧS姿態(tài)估計(jì)進(jìn)行梳理和分析,整理了相關(guān)數(shù)據(jù)集與評(píng)價(jià)指標(biāo),并對(duì)當(dāng)前所面臨的問(wèn)題和未來(lái)發(fā)展趨勢(shì)進(jìn)行了闡述.1 傳統(tǒng)算法傳統(tǒng)方法主要用于解決姿態(tài)估計(jì)問(wèn)題,大部分采用模板匹配的方法.基于Fischler 等人[7]提出的圖結(jié)構(gòu)模型,首先人體部件檢測(cè)器將人或物體表示為多個(gè)部件,并使用圖形模型確定部件之間的連通性.2005
計(jì)算機(jī)系統(tǒng)應(yīng)用 2022年10期2022-11-07
- 基于深度學(xué)習(xí)的人體行為識(shí)別方法研究
息，并將18個(gè)關(guān)節(jié)點(diǎn)簡(jiǎn)化為14個(gè)關(guān)節(jié)點(diǎn)。為增加樣本數(shù)量，本文采用數(shù)據(jù)增強(qiáng)的方式，對(duì)現(xiàn)有姿態(tài)估計(jì)結(jié)果進(jìn)行骨骼關(guān)節(jié)點(diǎn)位置微調(diào)，即加入隨機(jī)擾動(dòng)，這樣則能在保證姿態(tài)估計(jì)時(shí)間序列動(dòng)作語(yǔ)義不變的情況下實(shí)現(xiàn)數(shù)據(jù)增強(qiáng)，實(shí)現(xiàn)增加樣本數(shù)量的目的。由于身體部位的運(yùn)動(dòng)可以被廣泛地歸類為同心運(yùn)動(dòng)和偏心運(yùn)動(dòng)，距離脖子關(guān)節(jié)點(diǎn)越近，運(yùn)動(dòng)幅度越??；離脖子關(guān)節(jié)點(diǎn)越遠(yuǎn)，運(yùn)動(dòng)幅度大。根據(jù)這一運(yùn)動(dòng)特性，在進(jìn)行骨骼關(guān)節(jié)點(diǎn)微調(diào)的時(shí)候，對(duì)于較遠(yuǎn)的關(guān)節(jié)點(diǎn)給予較大的偏移范圍，較近的關(guān)節(jié)點(diǎn)給予較小的偏移范圍。
江蘇通信 2022年4期2022-09-08
- 時(shí)空?qǐng)D卷積網(wǎng)絡(luò)在人體異常行為識(shí)別中的應(yīng)用
算法來(lái)提取骨骼關(guān)節(jié)點(diǎn)，并與融合了圖注意力機(jī)制的行為識(shí)別算法相結(jié)合，進(jìn)行人體姿態(tài)行為分析，從而有效提高了行為識(shí)別準(zhǔn)確率。1 系統(tǒng)框架1.1 系統(tǒng)介紹基于時(shí)空?qǐng)D卷積網(wǎng)絡(luò)的人體異常行為識(shí)別系統(tǒng)的實(shí)現(xiàn)框架如圖1所示，主要包括人體行為獲取模塊、骨骼關(guān)節(jié)點(diǎn)檢測(cè)模塊和行為識(shí)別模塊這3個(gè)部分。該系統(tǒng)首先通過(guò)OpenPose算法對(duì)人體骨骼點(diǎn)進(jìn)行檢測(cè)，然后利用關(guān)節(jié)點(diǎn)數(shù)據(jù)進(jìn)行骨架拓?fù)鋱D結(jié)構(gòu)搭建，最后與改進(jìn)的時(shí)空?qǐng)D卷積行為識(shí)別算法相結(jié)合以實(shí)現(xiàn)人體異常行為識(shí)別。1.2 系統(tǒng)流程基于
計(jì)算機(jī)工程與應(yīng)用 2022年12期2022-06-23
- 融合層級(jí)注意力機(jī)制的二維骨架動(dòng)作識(shí)別方法
等采用了將人體關(guān)節(jié)點(diǎn)的旋轉(zhuǎn)量和人體姿態(tài)矩陣相融合的方法進(jìn)行動(dòng)作預(yù)測(cè)，此方法有效地避免了動(dòng)作類之間相似度干擾，提高了準(zhǔn)確度[11]。雖然上述方法擁有較高的時(shí)間效率，但是特征提取過(guò)程復(fù)雜，在復(fù)雜多變的環(huán)境下，模型的魯棒性較弱，適用范圍受到很大限制。隨著卷積神經(jīng)網(wǎng)絡(luò)(convolutional neural networks, CNN)[12]在圖像分類領(lǐng)域的成功應(yīng)用，研究者開(kāi)始考慮把CNN用于視頻分類：文獻(xiàn)[13]通過(guò)雙流卷積網(wǎng)絡(luò)提取不同的特征，然后將2個(gè)分支
西安工程大學(xué)學(xué)報(bào) 2022年2期2022-05-11
- 基于相似度函數(shù)的上肢關(guān)節(jié)點(diǎn)改進(jìn)閾值濾波方法及其應(yīng)用
模仿。為了減小關(guān)節(jié)點(diǎn)運(yùn)動(dòng)數(shù)據(jù)的異常值對(duì)人機(jī)交互運(yùn)動(dòng)的影響，研究并改進(jìn)上肢關(guān)節(jié)點(diǎn)的濾波方法[4-5]具有重要意義。人體上肢關(guān)節(jié)點(diǎn)的濾波方法有很多種，比較常見(jiàn)的有卡爾曼濾波[6-7]和粒子濾波[8-9]等。文獻(xiàn)[10]在解決移動(dòng)機(jī)械臂動(dòng)態(tài)抓取的問(wèn)題中，通過(guò)卡爾曼濾波對(duì)目標(biāo)物體位置進(jìn)行預(yù)測(cè)，對(duì)動(dòng)態(tài)目標(biāo)的滯后進(jìn)行了補(bǔ)償，提高了對(duì)目標(biāo)物體的跟蹤精度。文獻(xiàn)[11]提出了基于Beowulf機(jī)群中改進(jìn)的粒子濾波新算法，降低了粒子濾波的計(jì)算時(shí)間，并將該方法應(yīng)用于人體運(yùn)動(dòng)跟蹤
- 基于輕量級(jí)圖卷積網(wǎng)絡(luò)的校園暴力行為識(shí)別
，可以表征人體關(guān)節(jié)點(diǎn)和骨架變化與人體行為的關(guān)聯(lián)信息，但基于骨架數(shù)據(jù)的圖卷積網(wǎng)絡(luò)的方法識(shí)別速度和識(shí)別率未能滿足實(shí)際應(yīng)用，有望通過(guò)改進(jìn)圖卷積網(wǎng)絡(luò)提高實(shí)時(shí)性和可靠性。早期人體行為識(shí)別通過(guò)專家手工設(shè)計(jì)特征模擬關(guān)節(jié)之間的相關(guān)性實(shí)現(xiàn)［4］。Yang 和Tian 采用樸素貝葉斯最近鄰分類器（Na?ve-Bayes-Nearest-Neighbor，NBNN）實(shí)現(xiàn)了多類動(dòng)作的識(shí)別［5］，但手工提取和調(diào)參表征能力有限且工作量大；Li和He 等人通過(guò)深度卷積神經(jīng)網(wǎng)絡(luò)（Conv
液晶與顯示 2022年4期2022-04-29
- 著裝場(chǎng)景下雙分支網(wǎng)絡(luò)的人體姿態(tài)估計(jì)
像中單個(gè)人體的關(guān)節(jié)點(diǎn)，廣泛應(yīng)用于姿態(tài)追蹤、人機(jī)交互、行為識(shí)別以及虛擬試衣等領(lǐng)域。傳統(tǒng)的單人姿態(tài)估計(jì)主要基于圖結(jié)構(gòu)模型，Ramanan(2006)將人體表示為多個(gè)部件，通過(guò)提取手工設(shè)定的圖像特征解決關(guān)節(jié)匹配問(wèn)題。Yang和Ramanan(2011)通過(guò)部件的幾何形變和外觀等信息構(gòu)建混合部件模型，以約束各個(gè)部件的空間關(guān)系。代欽等人(2017)定義人體部位的遮擋級(jí)別，通過(guò)部位形變模型解決人體姿態(tài)估計(jì)的遮擋干擾問(wèn)題。傳統(tǒng)方法具有較好的時(shí)間效率，但受到人工語(yǔ)義標(biāo)注的
中國(guó)圖象圖形學(xué)報(bào) 2022年4期2022-04-24
- 基于注意力機(jī)制的人體姿態(tài)估計(jì)網(wǎng)絡(luò)
圖像中的人進(jìn)行關(guān)節(jié)點(diǎn)(如手腕、手肘等)的檢測(cè)定位。其應(yīng)用領(lǐng)域非常廣，可應(yīng)用于動(dòng)作識(shí)別、動(dòng)作檢測(cè)、人體跟蹤、虛擬現(xiàn)實(shí)和自動(dòng)駕駛等[1-5]。隨著近幾年卷積神經(jīng)網(wǎng)絡(luò)的快速發(fā)展，許多計(jì)算機(jī)視覺(jué)任務(wù)(如圖像分割、物體檢測(cè)等)因此受益，性能得到飛速提升。人體姿態(tài)識(shí)別也從中獲益，目前主流的姿態(tài)識(shí)別網(wǎng)絡(luò)分為兩大類：自下而上和自頂向下的方法[6]。自下而上的方法，首先直接預(yù)測(cè)每個(gè)關(guān)節(jié)點(diǎn)，然后把關(guān)節(jié)點(diǎn)組裝成人。Pishchulin等[7]將區(qū)分圖像中不同人的問(wèn)題轉(zhuǎn)換為整數(shù)線
機(jī)械設(shè)計(jì)與制造工程 2022年3期2022-04-20
- 基于關(guān)節(jié)點(diǎn)特征的跌倒檢測(cè)算法
于深度相機(jī)獲取關(guān)節(jié)點(diǎn)進(jìn)行跌倒檢測(cè)［11-12］。朱靖［13］利用攝像頭捕捉視頻，然后通過(guò)卷積神經(jīng)網(wǎng)絡(luò)識(shí)別去除視頻背景信息后的老人異常行為，實(shí)現(xiàn)了96.15%的準(zhǔn)確率，缺點(diǎn)是可能存在特征缺失難以區(qū)分類跌倒動(dòng)作。李文陽(yáng)［14］利用Kinectv2 獲取骨骼點(diǎn)數(shù)據(jù)和彩色圖像來(lái)判定人體摔倒，缺點(diǎn)是價(jià)格昂貴，不能適用于普通家庭場(chǎng)景以及批量使用于養(yǎng)老場(chǎng)所。Lin 等［15］采用時(shí)間序列遞歸神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)人類關(guān)節(jié)點(diǎn)在連續(xù)時(shí)間內(nèi)的變化，實(shí)現(xiàn)跌倒檢測(cè)，但存在網(wǎng)絡(luò)參數(shù)計(jì)算量大的
計(jì)算機(jī)應(yīng)用 2022年2期2022-03-01
- 一種基于姿態(tài)估計(jì)的動(dòng)作相似性計(jì)算方法
計(jì)基于三維空間關(guān)節(jié)點(diǎn)偏移角度變化的舞蹈動(dòng)作階梯型相似性計(jì)算方法：首先，通過(guò)舞者關(guān)節(jié)點(diǎn)定位，對(duì)關(guān)節(jié)點(diǎn)坐標(biāo)位置進(jìn)行兩次修正；然后，根據(jù)關(guān)節(jié)點(diǎn)坐標(biāo)修正結(jié)果，計(jì)算關(guān)節(jié)點(diǎn)空間前后偏移角度和關(guān)節(jié)點(diǎn)二維角度變化，獲得最終的關(guān)節(jié)點(diǎn)三維空間偏移量；接著，依據(jù)關(guān)節(jié)點(diǎn)三維空間偏移量設(shè)計(jì)舞蹈動(dòng)作階梯型相似度計(jì)算方法，計(jì)算學(xué)習(xí)者姿態(tài)與標(biāo)準(zhǔn)姿態(tài)之間的差異，對(duì)學(xué)習(xí)者舞蹈動(dòng)作是否標(biāo)準(zhǔn)進(jìn)行判斷；最后，根據(jù)階梯型相似度計(jì)算結(jié)果，對(duì)標(biāo)準(zhǔn)動(dòng)作進(jìn)行姿態(tài)還原，提出最終的動(dòng)作糾正意見(jiàn)，實(shí)現(xiàn)舞蹈者動(dòng)作的
- 基于深度學(xué)習(xí)和視覺(jué)檢測(cè)的地鐵違規(guī)行為預(yù)警系統(tǒng)研究與應(yīng)用
深度學(xué)習(xí)應(yīng)用于關(guān)節(jié)點(diǎn)檢測(cè)。本文的實(shí)際應(yīng)用情況選取了HigherHRNet 模型，HigherHRNet 模型是目前在多人關(guān)節(jié)點(diǎn)識(shí)別任務(wù)bottom-up 中最先進(jìn)的算法，模型不僅在關(guān)節(jié)點(diǎn)定位上更加準(zhǔn)確，還能夠識(shí)別圖片中人物較小的關(guān)節(jié)點(diǎn)。然而該模型在實(shí)際應(yīng)用中存在模糊圖像無(wú)法檢測(cè)到關(guān)節(jié)點(diǎn)、鏡像圖像的干擾、非正常姿勢(shì)關(guān)節(jié)點(diǎn)檢測(cè)不全等問(wèn)題，本文分別進(jìn)行了超分辨率重建[1-4]、雙閾值、修改關(guān)節(jié)點(diǎn)之間的強(qiáng)相關(guān)的方法從而解決了上述三個(gè)問(wèn)題。2 基于深度學(xué)習(xí)的人體關(guān)節(jié)
科學(xué)技術(shù)創(chuàng)新 2021年19期2021-07-16
- 基于卷積神經(jīng)網(wǎng)絡(luò)的2D 人體姿態(tài)估計(jì)綜述*
網(wǎng)絡(luò)搭建了人體關(guān)節(jié)點(diǎn)回歸的網(wǎng)絡(luò)框架，從而擺脫了傳統(tǒng)方法無(wú)法充分利用圖像整體信息的局限性，實(shí)現(xiàn)精準(zhǔn)的關(guān)節(jié)點(diǎn)定位和姿態(tài)提取。作為計(jì)算機(jī)視覺(jué)的基本任務(wù)，人體姿態(tài)估計(jì)發(fā)展?fàn)顩r與虛擬現(xiàn)實(shí)、人機(jī)交互、智能視頻監(jiān)控和運(yùn)動(dòng)行為分析等研究領(lǐng)域都緊密相連。本文主要對(duì)基于深度學(xué)習(xí)的2D 人體姿態(tài)估計(jì)方法進(jìn)行梳理和總結(jié)，按視頻圖像中的人體數(shù)量，將人體姿態(tài)估計(jì)分為單人和多人場(chǎng)景下的檢測(cè)，并分別闡述了人體姿態(tài)估計(jì)的常用方法，列舉了測(cè)試基準(zhǔn)數(shù)據(jù)集和評(píng)價(jià)準(zhǔn)則。此外，本文還對(duì)人體姿態(tài)估計(jì)現(xiàn)
電子技術(shù)應(yīng)用 2021年6期2021-06-30
- 基于深度學(xué)習(xí)的關(guān)節(jié)點(diǎn)行為識(shí)別綜述
，沒(méi)有專門(mén)針對(duì)關(guān)節(jié)點(diǎn)信息行為識(shí)別進(jìn)行系統(tǒng)的歸納總結(jié)。近年來(lái)，關(guān)節(jié)點(diǎn)數(shù)據(jù)的獲取隨著低成本設(shè)備的發(fā)展更加容易，例如Microsoft Kinect[6]。隨著深度學(xué)習(xí)的發(fā)展，利用關(guān)節(jié)點(diǎn)數(shù)據(jù)進(jìn)行行為識(shí)別的研究取得了豐碩成果，但目前在該領(lǐng)域的系統(tǒng)歸納較少。與RGB數(shù)據(jù)和深度數(shù)據(jù)相比，關(guān)節(jié)點(diǎn)本身是人體的高級(jí)特征，不易受外觀影響，同時(shí)能夠更好地避免背景遮擋、光照變化以及視角變化產(chǎn)生的噪聲影響，同時(shí)在計(jì)算和存儲(chǔ)方面也是有效的[7]。利用關(guān)節(jié)點(diǎn)數(shù)據(jù)進(jìn)行行為識(shí)別從發(fā)展歷程上
電子與信息學(xué)報(bào) 2021年6期2021-06-24
- 重載機(jī)車網(wǎng)絡(luò)重聯(lián)TCN 故障節(jié)點(diǎn)識(shí)別方法研究*
中，TCN 網(wǎng)關(guān)節(jié)點(diǎn)為絞線式列車總線和多功能車輛總線之間的連接橋梁，實(shí)現(xiàn)兩級(jí)總線間的通信協(xié)議轉(zhuǎn)換。絞線式列車總線的采用使機(jī)車車輛可以根據(jù)運(yùn)營(yíng)需求進(jìn)行靈活的重聯(lián)或者解編，實(shí)現(xiàn)機(jī)車車輛的互聯(lián)互通和互操作［2-3］。由機(jī)車電氣系統(tǒng)（如TCN 網(wǎng)關(guān)節(jié)點(diǎn)供電電路故障，TCN 網(wǎng)關(guān)節(jié)點(diǎn)設(shè)備隔離）外部原因?qū)е碌腡CN 網(wǎng)關(guān)節(jié)點(diǎn)故障或者TCN 網(wǎng)關(guān)節(jié)點(diǎn)自身原因（電源模塊故障，背板控制信號(hào)故障，TCN 網(wǎng)關(guān)板卡故障，TCN 網(wǎng)關(guān)軟件故障）導(dǎo)致的故障，TCN 網(wǎng)關(guān)故障節(jié)點(diǎn)不會(huì)
鐵道機(jī)車車輛 2021年2期2021-05-21
- 深度學(xué)習(xí)的二維人體姿態(tài)估計(jì)綜述
或者視頻中人體關(guān)節(jié)點(diǎn)的位置，并對(duì)關(guān)節(jié)點(diǎn)進(jìn)行最優(yōu)連接的過(guò)程。人體姿態(tài)估計(jì)可廣泛地應(yīng)用在動(dòng)作識(shí)別[1-2]、人機(jī)交互[3]、智能跟蹤[4-5]等領(lǐng)域，已成為計(jì)算機(jī)視覺(jué)領(lǐng)域的研究熱點(diǎn)之一。人體姿態(tài)的多樣性、環(huán)境的復(fù)雜性以及視角的不定性等因素，使人體姿態(tài)估計(jì)面臨著巨大的挑戰(zhàn)，受到眾多學(xué)者的密切關(guān)注。在深度學(xué)習(xí)應(yīng)用于人體姿態(tài)估計(jì)之前，大多采用基于圖形結(jié)構(gòu)[6-7]的方法來(lái)處理人體姿態(tài)問(wèn)題。因此，基于圖形結(jié)構(gòu)方法的可形變部件模型[8-9]應(yīng)運(yùn)而生，這些方法需要采用局部
計(jì)算機(jī)與生活 2021年4期2021-04-11
- 基于空間特征的BI-LSTM 人體行為識(shí)別
，從而獲得骨骼關(guān)節(jié)點(diǎn)的3D 坐標(biāo)，使得基于骨骼關(guān)節(jié)點(diǎn)坐標(biāo)的人體行為識(shí)別獲得了新的發(fā)展。Song 等[6]提出了一種多流圖卷積網(wǎng)絡(luò)（GCN）對(duì)不完整且嘈雜的骨骼數(shù)據(jù)進(jìn)行行為識(shí)別并取得了較好的效果。由于骨骼關(guān)節(jié)點(diǎn)3D 坐標(biāo)的簡(jiǎn)潔性、魯棒性、視圖獨(dú)立表示和骨骼節(jié)點(diǎn)特征矢量運(yùn)算的快速性，近幾年使用骨骼關(guān)節(jié)點(diǎn)進(jìn)行人體識(shí)別成為一個(gè)較為活躍的研究課題。隨著RGB-D 傳感器的快速發(fā)展，Jamie 等[7]從單個(gè)深度圖像快速準(zhǔn)確地預(yù)測(cè)骨骼關(guān)節(jié)點(diǎn)的3D 坐標(biāo)位置，促進(jìn)了使用
- 無(wú)人貨架場(chǎng)景下的人體關(guān)節(jié)點(diǎn)定位算法研究*
貨架前顧客上身關(guān)節(jié)點(diǎn)，是后續(xù)手持商品識(shí)別的重要基礎(chǔ)。近年來(lái)，人體關(guān)節(jié)點(diǎn)的定位研究主要分為3類[3 - 5]。(1)基于硬件傳感器的研究方面。微軟于2010年研發(fā)的光學(xué)傳感器Kinect[6]，能夠根據(jù)內(nèi)置算法實(shí)時(shí)獲取人體關(guān)節(jié)點(diǎn)。Shotton等[7,8]將Kinect獲取的人體深度圖像像素分類為身體的多個(gè)部位，實(shí)現(xiàn)人體關(guān)節(jié)點(diǎn)檢測(cè)。李文陽(yáng)等[9]克服了光照因素對(duì)Kinect獲取的人體圖像造成的干擾，實(shí)現(xiàn)了人體關(guān)節(jié)點(diǎn)精確定位。Kinect等傳感設(shè)備雖能方便地獲
計(jì)算機(jī)工程與科學(xué) 2021年3期2021-04-06
- 基于標(biāo)簽分布學(xué)習(xí)的三維手部姿態(tài)估計(jì)
態(tài)信息，即各個(gè)關(guān)節(jié)點(diǎn)在三維空間中的位置分布。傳統(tǒng)的手部姿態(tài)估計(jì)算法大多基于RGB 彩色圖像。其中，Zimmermann等［1］提出了一種從RGB圖像中學(xué)習(xí)完整三維手勢(shì)估計(jì)的方法；Panteleris 等［2］提出了一種從RGB 圖像中實(shí)時(shí)獲取手部姿態(tài)的方法，該方法首先估計(jì)手部關(guān)節(jié)在二維圖片中的位置，然后，采用非線性最小二乘法將手的三維模型擬合到估計(jì)的二維關(guān)節(jié)位置，從而恢復(fù)手部姿態(tài)；Cai 等［3］通過(guò)引入一個(gè)深度正則化函數(shù)，提出了一種新的弱監(jiān)督學(xué)習(xí)方法進(jìn)行
計(jì)算機(jī)應(yīng)用 2021年2期2021-03-07
- 關(guān)節(jié)點(diǎn)連接歷史圖與卷積神經(jīng)網(wǎng)絡(luò)結(jié)合的雙人交互動(dòng)作識(shí)別
人體三維信息的關(guān)節(jié)點(diǎn)序列成為了人體動(dòng)作識(shí)別的主要數(shù)據(jù)源。近年來(lái)，深度學(xué)習(xí)的方法在基于關(guān)節(jié)點(diǎn)序列的動(dòng)作識(shí)別中取得了良好的識(shí)別效果。根據(jù)關(guān)節(jié)點(diǎn)序列表示并反饋給深度神經(jīng)網(wǎng)絡(luò)的不同方式，通?？梢苑譃榛诰矸e神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Network，CNN)和基于循環(huán)神經(jīng)網(wǎng)絡(luò)(Recurrent Neural Network，RNN)?；贑NN的方法是將關(guān)節(jié)點(diǎn)序列進(jìn)行編碼圖像化，然后送入CNN進(jìn)行深層次特征提取和識(shí)別。Wang[3]等對(duì)關(guān)
沈陽(yáng)航空航天大學(xué)學(xué)報(bào) 2020年6期2021-01-27
- 面向特定場(chǎng)景的行為識(shí)別算法的研究
包含了人體主要關(guān)節(jié)點(diǎn)信息和骨架連接結(jié)構(gòu)信息的圖形。與傳統(tǒng)的卷積神經(jīng)網(wǎng)絡(luò)不同的是，本此研究提出的網(wǎng)絡(luò)輸入中包含了人體的骨架信息。其特征用如下公式來(lái)表示：其中V 為骨架圖中所有關(guān)節(jié)點(diǎn)的集合，包含了兩個(gè)子集，第一個(gè)子集描述每個(gè)幀的骨架內(nèi)連接，第二個(gè)子集包含幀間邊緣信息，代表了關(guān)節(jié)隨著時(shí)間的運(yùn)動(dòng)軌跡。在此網(wǎng)絡(luò)的傳播規(guī)則如下：Wi表示第i 層的權(quán)重矩陣，σ 表示ReLU 激活函數(shù)，I 為輸入鄰接矩陣，它是某一關(guān)節(jié)點(diǎn)和其他關(guān)節(jié)點(diǎn)連接特征的數(shù)學(xué)表示。首先在鄰接矩陣左側(cè)乘
科學(xué)技術(shù)創(chuàng)新 2020年28期2020-09-23
- 基于人體行為模型的跌倒行為檢測(cè)方法①
的空間三維坐標(biāo)關(guān)節(jié)點(diǎn)的跌倒檢測(cè)方法,該方法首先是通過(guò)構(gòu)建父子節(jié)點(diǎn)關(guān)聯(lián)的人體模型結(jié)構(gòu),然后對(duì)人體關(guān)節(jié)點(diǎn)的空間三維坐標(biāo)進(jìn)行位置預(yù)測(cè),并將子節(jié)點(diǎn)的空間三維預(yù)測(cè)位置聚合到父關(guān)節(jié)點(diǎn)以達(dá)到對(duì)跌倒行為的精準(zhǔn)檢測(cè),最后通過(guò)實(shí)驗(yàn)證明了該方法的準(zhǔn)確性與可行性.2 相關(guān)研究目前已有得研究成果中,針對(duì)老人跌倒檢測(cè)主要有兩類技術(shù):(1)基于環(huán)境感知類的跌倒檢測(cè)[1-3],該種技術(shù)主要是通過(guò)日常生活中的視頻檢測(cè)系統(tǒng),監(jiān)視老人的的日常行為活動(dòng),并利用決策樹(shù)、樸素貝葉斯、K 均值聚類等監(jiān)
計(jì)算機(jī)系統(tǒng)應(yīng)用 2020年6期2020-06-20
- 基于混合密度網(wǎng)絡(luò)的3D人體姿態(tài)估計(jì)技術(shù)研究
入，再根據(jù)2D關(guān)節(jié)點(diǎn)坐標(biāo)估計(jì)出3D關(guān)節(jié)點(diǎn)坐標(biāo)，其主要研究?jī)?nèi)容是從2D坐標(biāo)如何快速、準(zhǔn)確的估計(jì)出3D坐標(biāo)。第二種方法減少了模型在2D姿態(tài)估計(jì)上的壓力，網(wǎng)絡(luò)結(jié)構(gòu)簡(jiǎn)單，運(yùn)算速度較快，占用顯存較少[2]。由于從2D關(guān)節(jié)坐標(biāo)恢復(fù)3D信息是一個(gè)逆問(wèn)題，具有深度模糊性，其中3D關(guān)節(jié)的深度可能沿著投影到同一個(gè)2D關(guān)節(jié)位置的光線深度存在多種解決方案[3]。本文通過(guò)將這一問(wèn)題看成處理1對(duì)N的多個(gè)輸出結(jié)果問(wèn)題，可以轉(zhuǎn)換為混合多個(gè)概率分布來(lái)擬合函數(shù)，得到多個(gè)輸出結(jié)果。本文通過(guò)混合
沈陽(yáng)理工大學(xué)學(xué)報(bào) 2020年6期2020-05-14
- 融合深度學(xué)習(xí)與外極線約束的三維人體位姿測(cè)量方法
數(shù)據(jù)。目前人體關(guān)節(jié)點(diǎn)采集方式主要是基于二維圖像和三維點(diǎn)云[1-3]。賴軍等人[4]提出的基于點(diǎn)云的人體尺寸測(cè)量方法能夠精確獲取人體關(guān)鍵尺寸，但需粘貼標(biāo)記點(diǎn)。朱欣娟等人[5]提出的基于改進(jìn)ASM（active shape model）的人體特征點(diǎn)定位和建模方法具有定位精度高、測(cè)量速度快的優(yōu)勢(shì)，但需要被測(cè)者保持特定的姿態(tài)。鮑陳等人[6]提出的基于散亂點(diǎn)云三維姿態(tài)測(cè)量方法精度高，但需被測(cè)者保持直立姿態(tài)。Deng J 等人[7]提出的堆疊沙漏網(wǎng)絡(luò)（stacked
應(yīng)用光學(xué) 2020年6期2020-04-12
- 論“度”與“臨界值”
：度;臨界值;關(guān)節(jié)點(diǎn);度的推廣1 度的概念度是馬克思主義哲學(xué)的一個(gè)基本范疇，唯物辨證法將反映特定質(zhì)和量相統(tǒng)一的哲學(xué)范疇叫做度。度是事物保持特定質(zhì)的量的限度、幅度或者范圍，是保持事物的質(zhì)相恒定的量的界限。它的極限稱臨界點(diǎn)或關(guān)節(jié)點(diǎn)。在臨界點(diǎn)之前，量變不會(huì)改變事物的質(zhì)，如果突破了臨界點(diǎn)，事物的質(zhì)就會(huì)改變，形成新的質(zhì)量統(tǒng)一體，成為另一種事物[1]。2 臨界值2.1 臨界值的起源20世紀(jì)60年代，法國(guó)數(shù)學(xué)家托姆創(chuàng)立了“突變論”[2]，70年代中期，成為自然辯證法的研
科技風(fēng) 2020年5期2020-02-22
- 基于PAF的深度圖人體姿態(tài)估計(jì)
定位人體部位的關(guān)節(jié)點(diǎn)(例如：頭、肩膀、手腕等)，并將關(guān)節(jié)點(diǎn)正確連接起來(lái)形成人體骨架。而對(duì)此展開(kāi)研究、付諸應(yīng)用則將對(duì)包括人體行為的理解[1-2]、人體的重識(shí)別[3]、人機(jī)交互等在內(nèi)的諸多領(lǐng)域發(fā)展有著積極的意義。過(guò)去，人體姿態(tài)識(shí)別多采用圖結(jié)構(gòu)模型(pictorial structure models)，主要包括三大部分。首先通過(guò)圖模型來(lái)描述人體的約束關(guān)系，其次使用人體部件觀測(cè)模型對(duì)人體部件外觀建立模型，最后依據(jù)約束信息和部件外觀模型進(jìn)行圖結(jié)構(gòu)的推理，從而估計(jì)人
智能計(jì)算機(jī)與應(yīng)用 2020年1期2020-01-13
- 基于在線排隊(duì)模型的信道優(yōu)化分配研究
處感知信道和網(wǎng)關(guān)節(jié)點(diǎn)感知干擾合作改進(jìn)在線排隊(duì)模型，利用遺傳算法改進(jìn)網(wǎng)關(guān)節(jié)點(diǎn)權(quán)重，探索得出優(yōu)化信道資源分配。1 相關(guān)研究1.1 感知頻譜認(rèn)知無(wú)線電的立場(chǎng)是不影響授權(quán)信道的正常通信線，具有認(rèn)知功能的無(wú)線通信設(shè)備，按照特定的方式接入后授權(quán)的信道，進(jìn)入其先授權(quán)的信道內(nèi)可以起到動(dòng)態(tài)的利用信道或頻譜。其結(jié)構(gòu)如圖1所示。圖1 感知頻譜結(jié)構(gòu)在感知頻譜的租賃系統(tǒng)RS終端需要進(jìn)行適當(dāng)假設(shè):(1) 假設(shè)在RS探測(cè)頻譜時(shí)間內(nèi)，上層協(xié)議必須保證所有的RS用戶沉默，換言之，需要空中僅
計(jì)算機(jī)應(yīng)用與軟件 2019年11期2019-11-12
- 網(wǎng)上，線上，天天向上 物融，人融，環(huán)環(huán)相融
融媒體;建設(shè);關(guān)節(jié)點(diǎn)一、《昆山日?qǐng)?bào)》推進(jìn)融媒體建設(shè)的實(shí)踐昆山日?qǐng)?bào)社將打造區(qū)域新型主流媒體作為一項(xiàng)長(zhǎng)期、系統(tǒng)的工程，在中央提出媒體融合發(fā)展的四年多時(shí)間里，我們不斷調(diào)整優(yōu)化工作機(jī)制，打通報(bào)、網(wǎng)、微、端平臺(tái)，重構(gòu)策劃、采訪、編輯、發(fā)布流程，促進(jìn)傳統(tǒng)紙媒與新媒體相互借勢(shì)，線上線下兩個(gè)輿論場(chǎng)同時(shí)發(fā)聲，事業(yè)與產(chǎn)業(yè)相得益彰，呈現(xiàn)出全方位、深層次、互補(bǔ)性的融合態(tài)勢(shì)。（一）平臺(tái)建設(shè)是基礎(chǔ)，力爭(zhēng)百花齊放抓住根本不動(dòng)搖始終把辦好《昆山日?qǐng)?bào)》作為千秋基業(yè)、立身之本，綿綿發(fā)力、久久
傳播力研究 2019年20期2019-10-21
- 基于OpenPose的人體睡姿識(shí)別實(shí)現(xiàn)與研究
圖以及人體各個(gè)關(guān)節(jié)點(diǎn)的坐標(biāo)，進(jìn)而通過(guò)計(jì)算識(shí)別人體的睡姿.2.1 OpenPose輸出選取OpenPose提供了18或25個(gè)人體關(guān)節(jié)點(diǎn)，70個(gè)面部關(guān)節(jié)點(diǎn)，21個(gè)手部關(guān)節(jié)點(diǎn)的檢測(cè)提取定位. 其中18或25個(gè)人體關(guān)節(jié)點(diǎn)的主要區(qū)別為25個(gè)關(guān)節(jié)點(diǎn)的檢測(cè)多了左、右腳部的關(guān)節(jié)點(diǎn)[6]. 由于睡姿識(shí)別中腳部的關(guān)節(jié)點(diǎn)信息對(duì)于睡姿的特征提取區(qū)別性[7]不高，因此本文選用18個(gè)人體關(guān)節(jié)點(diǎn)信息作為睡姿識(shí)別算法的輸入. 此外，由于手部和臉部的關(guān)節(jié)點(diǎn)信息不是睡姿的重要特征，而手部和臉
物理實(shí)驗(yàn) 2019年8期2019-09-05
- 思維導(dǎo)圖引導(dǎo)下的高中語(yǔ)文作文教學(xué)新模式
圖中有一個(gè)核心關(guān)節(jié)點(diǎn)，由這一核心關(guān)節(jié)點(diǎn)出發(fā)可發(fā)散、延伸出眾多下一級(jí)關(guān)節(jié)點(diǎn)，而這眾多的關(guān)節(jié)點(diǎn)又可以各自發(fā)散、延伸出更多的關(guān)節(jié)點(diǎn)，整個(gè)過(guò)程結(jié)束，一個(gè)思維的放射性立體結(jié)構(gòu)得以輕松構(gòu)建?；谶@一突出優(yōu)勢(shì)，教師借助思維導(dǎo)圖，往往能幫助學(xué)生發(fā)散寫(xiě)作思維。對(duì)此，我深有感觸。例如，某次我給學(xué)生提出如下寫(xiě)作要求：一個(gè)鐵環(huán)，不小心弄丟了一部分;為了尋找丟失的那一部分，鐵環(huán)拼命地去尋找，但是由于丟失了一部分，導(dǎo)致沒(méi)有以往完整時(shí)那般圓了，因此，只能慢慢向前滾動(dòng)。在慢慢尋找丟失的那
作文成功之路·教育前言 2019年11期2019-07-14
- 基于Kinect的七自由度空間機(jī)械臂體感控制方法
械臂，使用四個(gè)關(guān)節(jié)點(diǎn)求取逆運(yùn)動(dòng)學(xué)解，對(duì)機(jī)械臂進(jìn)行實(shí)時(shí)控制。王朝陽(yáng)等[6]針對(duì)SRS(Spherical-Roll-Spherical)構(gòu)型的七自由度機(jī)械臂，提出了一種基于肘部關(guān)節(jié)約束的逆運(yùn)動(dòng)學(xué)解法，根據(jù)關(guān)節(jié)點(diǎn)位置直接解算出機(jī)械臂角度。上述兩種方法均針對(duì)特定結(jié)構(gòu)機(jī)械臂，而對(duì)肩、肘均存在偏置的冗余機(jī)械臂則無(wú)法求解。為了解決現(xiàn)有方法無(wú)法使用人臂對(duì)肩、肘均存在偏置的七自由度空間機(jī)械臂進(jìn)行體感控制的問(wèn)題，本文提出一種基于操作周期和運(yùn)動(dòng)周期的增量式關(guān)節(jié)角映射方法，在操
載人航天 2019年1期2019-03-07
- 思維導(dǎo)圖引導(dǎo)下的高中語(yǔ)文作文教學(xué)新模式
圖中有一個(gè)核心關(guān)節(jié)點(diǎn)，由這一核心關(guān)節(jié)點(diǎn)出發(fā)可發(fā)散、延伸出眾多下一級(jí)關(guān)節(jié)點(diǎn)，而這眾多的關(guān)節(jié)點(diǎn)又可以各自發(fā)散、延伸出更多的關(guān)節(jié)點(diǎn)，整個(gè)過(guò)程結(jié)束，一個(gè)思維的放射性立體結(jié)構(gòu)得以輕松構(gòu)建?；谶@一突出優(yōu)勢(shì)，教師借助思維導(dǎo)圖，往往能幫助學(xué)生發(fā)散寫(xiě)作思維。對(duì)此，我深有感觸。例如，某次我給學(xué)生提出如下寫(xiě)作要求：一個(gè)鐵環(huán)，不小心弄丟了一部分；為了尋找丟失的那一部分，鐵環(huán)拼命地去尋找，但是由于丟失了一部分，導(dǎo)致沒(méi)有以往完整時(shí)那般圓了，因此，只能慢慢向前滾動(dòng)。在慢慢尋找丟失的那
作文成功之路(高考沖刺) 2019年11期2019-01-13
- 一種基于RGB-D的人體關(guān)節(jié)點(diǎn)定位方法
因此可用于人體關(guān)節(jié)點(diǎn)定位.文獻(xiàn)[1]利用目標(biāo)識(shí)別標(biāo)記出人體模型，通過(guò)分類器定位出人體關(guān)節(jié)點(diǎn)，此方法是目前比較先進(jìn)的關(guān)節(jié)點(diǎn)定位方法，但該方法需要大量的訓(xùn)練標(biāo)記樣本.文獻(xiàn)[2]利用深度圖像獲取人體細(xì)化線，并根據(jù)人體剛架比例關(guān)系定位出人體關(guān)節(jié)點(diǎn)，此方法容易實(shí)現(xiàn)，但定位準(zhǔn)確率有待提高.筆者在文獻(xiàn)[2]的基礎(chǔ)上，加入了角點(diǎn)檢測(cè)及分類、臉部跟蹤等內(nèi)容，提高了關(guān)節(jié)點(diǎn)定位的準(zhǔn)確性和魯棒性.文章首先對(duì)深度圖像預(yù)處理以獲取人體骨架線，從而得到骨架線角點(diǎn)并對(duì)角點(diǎn)篩選分類，然后在
鄭州大學(xué)學(xué)報(bào)（工學(xué)版） 2018年5期2018-09-13
- 結(jié)構(gòu)化：向兒童思維更深處漫溯
以及框架內(nèi)部“關(guān)節(jié)點(diǎn)”“關(guān)聯(lián)線”之間的關(guān)系，抽絲剝繭般引導(dǎo)學(xué)生的認(rèn)知“由面到點(diǎn)，由點(diǎn)到線，再回歸到面”，從而達(dá)成完善和發(fā)展學(xué)生原有數(shù)學(xué)認(rèn)知結(jié)構(gòu)的目標(biāo)?！娟P(guān)鍵詞】結(jié)構(gòu)化 關(guān)節(jié)點(diǎn) 關(guān)聯(lián)線《義務(wù)教育數(shù)學(xué)課程標(biāo)準(zhǔn)（2011年版）》明確提出“教材編寫(xiě)應(yīng)體現(xiàn)整體性”，尤其是“重要的數(shù)學(xué)概念與數(shù)學(xué)思想”“都是需要學(xué)生經(jīng)歷較長(zhǎng)的認(rèn)識(shí)過(guò)程，逐步理解和掌握的”，因此，“應(yīng)根據(jù)學(xué)生的年齡特征與知識(shí)積累，在遵循科學(xué)性的前提下，采用逐級(jí)遞進(jìn)、螺旋上升的原則”。但是，縱觀數(shù)學(xué)教學(xué)現(xiàn)狀
小學(xué)教學(xué)研究 2018年6期2018-09-04
- 機(jī)器人運(yùn)動(dòng)學(xué)的空間解析方法研究
間建立一個(gè)關(guān)于關(guān)節(jié)點(diǎn)坐標(biāo)的數(shù)學(xué)模型，求解得到關(guān)節(jié)點(diǎn)的坐標(biāo)，然后再根據(jù)機(jī)器人的結(jié)構(gòu)特點(diǎn)計(jì)算出關(guān)節(jié)變量，可以優(yōu)先確定機(jī)器人的整體位形。1 空間解析方法空間解析方法是以各個(gè)關(guān)節(jié)點(diǎn)的坐標(biāo)為目標(biāo)建立數(shù)學(xué)模型。1.1 位置分析關(guān)節(jié)點(diǎn)的選取原則是：關(guān)節(jié)軸線方向與連桿方向一致的關(guān)節(jié)不設(shè)為關(guān)節(jié)點(diǎn)，連接相鄰連桿在同一平面的關(guān)節(jié)設(shè)為一個(gè)關(guān)節(jié)點(diǎn)；如果前面連桿連接關(guān)節(jié)軸線方向與連桿方向一致的關(guān)節(jié)時(shí)，設(shè)為兩個(gè)關(guān)節(jié)點(diǎn)，其他情況仍設(shè)為一個(gè)關(guān)節(jié)點(diǎn)。在機(jī)器人機(jī)構(gòu)中常用到的關(guān)節(jié)有轉(zhuǎn)動(dòng)關(guān)節(jié)和移動(dòng)
機(jī)械工程與自動(dòng)化 2018年3期2018-06-04
- 基于混合關(guān)節(jié)特征的人體行為識(shí)別*
[1]根據(jù)人體關(guān)節(jié)點(diǎn)空間坐標(biāo)點(diǎn)提取了關(guān)節(jié)角，并計(jì)算每個(gè)關(guān)節(jié)角在整個(gè)動(dòng)作過(guò)程中的方差，然后根據(jù)方差的大小排序，獲取了若干個(gè)最具信息量的關(guān)節(jié)點(diǎn)，最后采用排序靠前的關(guān)節(jié)點(diǎn)數(shù)據(jù)進(jìn)行分類。Lin S Y等人[2]計(jì)算了人體各部分的平均速度，根據(jù)各部分速度變化規(guī)律采用馬爾可夫模型實(shí)現(xiàn)行為識(shí)別。Papadopoulos G T等人[3]采用了關(guān)節(jié)點(diǎn)形成的球面角以及角速度并結(jié)合動(dòng)能表征不同的行為動(dòng)作，再利用馬爾可夫模型進(jìn)行分類識(shí)別。Khoshhal K等人[4]根據(jù)拉班運(yùn)
傳感器與微系統(tǒng) 2018年3期2018-03-26
- 無(wú)線傳感器網(wǎng)絡(luò)中身份認(rèn)證與密鑰共識(shí)方案
感器網(wǎng)絡(luò)中，網(wǎng)關(guān)節(jié)點(diǎn)(GWN)通常用來(lái)連接外部的傳感器與用戶。傳感器、用戶以及網(wǎng)關(guān)之間的通信必須在安全的認(rèn)證協(xié)議保障下才可以進(jìn)行。用戶、網(wǎng)關(guān)、傳感器之間必須通過(guò)相互的認(rèn)證并達(dá)成共享的密鑰之后才可以進(jìn)行通信。典型的傳感器節(jié)點(diǎn)通常很小，感應(yīng)、通信和計(jì)算能力均受到所攜帶電量的限制，減少傳感器的能量損耗可以延長(zhǎng)傳感器的生命周期。因?yàn)闊o(wú)線傳感器網(wǎng)絡(luò)的工作受到計(jì)算能力和電量的限制，所以傳統(tǒng)的網(wǎng)絡(luò)安全協(xié)議不能直接應(yīng)用在無(wú)線傳感器網(wǎng)絡(luò)中。因此，設(shè)計(jì)出安全高效、低損耗的無(wú)線
計(jì)算機(jī)技術(shù)與發(fā)展 2017年12期2017-12-20
- 面向無(wú)線Mesh網(wǎng)的集中式IP地址分配方案
。該方案發(fā)揮網(wǎng)關(guān)節(jié)點(diǎn)的樞紐作用，利用路由協(xié)議進(jìn)行信息同步，能夠高效地完成用戶的地址分配。同時(shí)方案考慮到了數(shù)據(jù)備份，節(jié)點(diǎn)意外中斷等實(shí)際問(wèn)題。實(shí)驗(yàn)結(jié)果證明該方案可以快速完成用戶的地址分配任務(wù)。無(wú)線Mesh網(wǎng)(WMNs) 地址分配 路由協(xié)議 集中式分配0 引 言無(wú)線Mesh網(wǎng)絡(luò)WMNs是一種新型的寬帶無(wú)線網(wǎng)絡(luò)結(jié)構(gòu)，即一種高容量、高速率的分布式無(wú)線網(wǎng)絡(luò)。作為未來(lái)無(wú)線網(wǎng)絡(luò)理想的組網(wǎng)方式和關(guān)鍵技術(shù)之一[1]，WMNs可以應(yīng)用在網(wǎng)絡(luò)接入、電子商務(wù)和實(shí)時(shí)監(jiān)控等多個(gè)領(lǐng)域[2
計(jì)算機(jī)應(yīng)用與軟件 2017年6期2017-07-10
- RGBD人體行為識(shí)別中的自適應(yīng)特征選擇方法
信息熵分析人體關(guān)節(jié)點(diǎn)判別力，以高判別力的人體關(guān)節(jié)點(diǎn)的數(shù)量作為特征選擇的標(biāo)準(zhǔn)。通過(guò)該數(shù)量閾值的篩選，選擇關(guān)節(jié)點(diǎn)特征或者關(guān)節(jié)點(diǎn)相對(duì)位置作為行為識(shí)別特征。實(shí)驗(yàn)結(jié)果表明,該方法相比于特征融合的算法，行為識(shí)別的準(zhǔn)確率有了較大提高，超過(guò)了大部分算法的識(shí)別結(jié)果。人體行為識(shí)別；自適應(yīng)特征選擇；信息熵；隨機(jī)森林人體行為識(shí)別在計(jì)算機(jī)視覺(jué)領(lǐng)域上有很重要的研究意義，廣泛應(yīng)用于異常人體行為識(shí)別、用戶身份識(shí)別、基于內(nèi)容的體育視頻檢索、智能家居環(huán)境等。目前，人體行為識(shí)別主要困難在于用于
智能系統(tǒng)學(xué)報(bào) 2017年1期2017-06-01
- 無(wú)線Mesh網(wǎng)網(wǎng)關(guān)節(jié)點(diǎn)動(dòng)態(tài)選舉算法研究
線Mesh網(wǎng)網(wǎng)關(guān)節(jié)點(diǎn)動(dòng)態(tài)選舉算法研究鄒蕾（吉林警察學(xué)院 信息工程系，吉林 長(zhǎng)春 130000）本文對(duì)無(wú)線Mesh網(wǎng)絡(luò)的網(wǎng)關(guān)節(jié)點(diǎn)選舉進(jìn)行了分析研究.通過(guò)對(duì)無(wú)線Mesh網(wǎng)絡(luò)結(jié)構(gòu)的研究提出一種網(wǎng)關(guān)節(jié)點(diǎn)選舉算法.該算法采用路由的機(jī)制確定了尋徑結(jié)果.整個(gè)過(guò)程由三個(gè)部分組成：可用網(wǎng)關(guān)節(jié)點(diǎn)的發(fā)現(xiàn)、最優(yōu)網(wǎng)關(guān)的選舉、網(wǎng)關(guān)的維護(hù).實(shí)驗(yàn)表明該算法具有優(yōu)化、簡(jiǎn)潔、快速收簽以及靈活的特性.無(wú)線Mesh網(wǎng)；Ad Hoc網(wǎng)絡(luò)；路由協(xié)議；網(wǎng)關(guān)選取1 引言無(wú)線Mesh網(wǎng)是Ad Hoc網(wǎng)絡(luò)的
赤峰學(xué)院學(xué)報(bào)·自然科學(xué)版 2017年4期2017-03-23
- 基于壓電自供電的無(wú)線傳感網(wǎng)絡(luò)網(wǎng)關(guān)節(jié)點(diǎn)設(shè)計(jì)
線傳感網(wǎng)絡(luò)中網(wǎng)關(guān)節(jié)點(diǎn)數(shù)據(jù)傳輸量大、能耗高，導(dǎo)致其難以長(zhǎng)時(shí)間工作的問(wèn)題，基于ZigBee、GPRS、壓電電源設(shè)計(jì)自供電無(wú)線傳感網(wǎng)絡(luò)網(wǎng)關(guān)節(jié)點(diǎn)。首先，采用ZigBee最小系統(tǒng)CC2530和GPRS模塊搭建網(wǎng)關(guān)節(jié)點(diǎn)硬件結(jié)構(gòu)，CC2530模塊實(shí)現(xiàn)處理、存儲(chǔ)接收數(shù)據(jù)，GPRS模塊實(shí)現(xiàn)遠(yuǎn)距離傳輸數(shù)據(jù)；其次，采用壓電陶瓷片和能量轉(zhuǎn)換芯片LTC3588-1設(shè)計(jì)壓電自供電電源，給網(wǎng)關(guān)節(jié)點(diǎn)供電。實(shí)驗(yàn)證明，壓電陶瓷片在固定振動(dòng)頻率下，輸出電壓為70 V、電流為19 mA；當(dāng)有1，
中國(guó)測(cè)試 2016年9期2016-08-13
- 文言文教學(xué)要抓住“煉字煉句處”“章法考究處”
者言志與載道的關(guān)節(jié)點(diǎn)、精髓處，“文道統(tǒng)一”。要了解我國(guó)傳統(tǒng)文化，要想擁有民族文化底蘊(yùn)，就必須閱讀文言文，也就必須抓住這樣的關(guān)節(jié)點(diǎn)、精髓處。當(dāng)我們緊緊抓住“煉字煉句處”“章法考究處”等文言文辭章精髓處時(shí)，不僅文言文閱讀、文言文教學(xué)有了具體實(shí)在的落點(diǎn)；而且，文言文閱讀與教學(xué)價(jià)值的發(fā)揮，也因此就有了可靠的基點(diǎn)。（童志斌《以“辭章”為核心的文言文閱讀教學(xué)》，第68～72頁(yè)）
- 基于關(guān)鍵幀和姿態(tài)描述語(yǔ)言的實(shí)時(shí)手勢(shì)識(shí)別方案*
E工具獲得骨架關(guān)節(jié)點(diǎn)的三維坐標(biāo).然后，從視頻序列中找出最能代表手勢(shì)類型的關(guān)鍵幀.最后，提出一種姿態(tài)描述語(yǔ)言，根據(jù)關(guān)鍵幀中關(guān)節(jié)點(diǎn)的位置和角度信息，通過(guò)一系列規(guī)則對(duì)手勢(shì)進(jìn)行識(shí)別.實(shí)驗(yàn)結(jié)果表明，該方法具有較高的識(shí)別率和良好的實(shí)時(shí)性.手勢(shì)識(shí)別；骨架關(guān)節(jié)點(diǎn)；關(guān)鍵幀；姿態(tài)描述語(yǔ)言隨著人機(jī)交互的迅猛發(fā)展，人體動(dòng)作識(shí)別在計(jì)算機(jī)視覺(jué)領(lǐng)域得到越來(lái)越多的應(yīng)用[1].其中，手勢(shì)動(dòng)作定義為手和手臂形成的姿態(tài).人體手勢(shì)識(shí)別通常可分為兩類[2]：基于模板匹配的方法；基于機(jī)器學(xué)習(xí)的方法.
湘潭大學(xué)自然科學(xué)學(xué)報(bào) 2016年3期2016-02-07
- 使用簡(jiǎn)易深度成像設(shè)備的高爾夫揮桿動(dòng)態(tài)貝葉斯網(wǎng)絡(luò)三維重建
。該文融合人體關(guān)節(jié)點(diǎn)父子關(guān)系與關(guān)節(jié)點(diǎn)在運(yùn)動(dòng)中的多階馬爾可夫性，提出一個(gè)描述人體關(guān)節(jié)點(diǎn)空間關(guān)系與動(dòng)態(tài)特性的動(dòng)態(tài)貝葉斯網(wǎng)絡(luò)(DBN)模型，基于該DBN模型并利用高爾夫揮桿運(yùn)動(dòng)的相似性，構(gòu)建了一種高爾夫揮桿3維重建系統(tǒng)DBN-Motion(DBN-based Motion reconstruction system)，使用簡(jiǎn)易深度成像設(shè)備Kinect，有效地解決了肢體遮擋的問(wèn)題，實(shí)現(xiàn)了高爾夫揮桿動(dòng)作的捕獲和3維重建。實(shí)驗(yàn)結(jié)果表明，該系統(tǒng)能夠在重建精度上媲美商用光
電子與信息學(xué)報(bào) 2015年9期2015-10-14
- 一種基于Kinect 的角色骨骼動(dòng)畫(huà)方法
需要捕捉對(duì)象在關(guān)節(jié)點(diǎn)處佩戴光、電學(xué)設(shè)備，致使人體運(yùn)動(dòng)靈活性低，動(dòng)作獲取成本高［5］。Park等［6］提出了一種基于光學(xué)標(biāo)記點(diǎn)的方法，密集的標(biāo)記點(diǎn)集合提高了運(yùn)動(dòng)真實(shí)性，但降低了計(jì)算效率，無(wú)法滿足實(shí)時(shí)性需求。Casas等［7］通過(guò)使用4D運(yùn)動(dòng)圖，將不同部分捕獲數(shù)據(jù)進(jìn)行分塊匹配與連接，以此生成骨骼動(dòng)畫(huà)。該方法能夠滿足較多運(yùn)動(dòng)類型需求，但是容易出現(xiàn)裂縫現(xiàn)象。Boboc等［8］提出了一種基于前向運(yùn)動(dòng)學(xué)的骨骼動(dòng)畫(huà)方法，該方法以Kinect提取到的捕捉對(duì)象骨骼數(shù)據(jù)為基礎(chǔ)
- 基于Kinect角度測(cè)量的姿勢(shì)識(shí)別算法*
信息檢測(cè)人體的關(guān)節(jié)點(diǎn)，利用隨機(jī)森林分類器將深度圖像像素分類為身體的多個(gè)部位。Schwarz L A等人[6]則結(jié)合人體解剖學(xué)標(biāo)記和人體骨架模型,并利用Kinect獲得深度圖對(duì)人體進(jìn)行全身的姿勢(shì)估計(jì)，利用測(cè)地距離(geodesic distances)來(lái)測(cè)量身體部位之間的距離。Zheng Xiao等人[7]利用Kinect的深度傳感器獲得的人體圖像來(lái)識(shí)別3D人體姿態(tài)。Penny J S等人[8]利用Kinect設(shè)備捕獲場(chǎng)景，并對(duì)人體的下肢姿態(tài)進(jìn)行估計(jì)。鑒于K
傳感器與微系統(tǒng) 2014年7期2014-09-25
- 一種基于CAN 總線的低功耗汽車組合開(kāi)關(guān)
便可檢測(cè)多個(gè)開(kāi)關(guān)節(jié)點(diǎn)的按鍵狀態(tài)。不僅可減少線束使用，方便車內(nèi)布線，而且易于擴(kuò)展，可至少連接30個(gè)開(kāi)關(guān)節(jié)點(diǎn)，擴(kuò)展的各從節(jié)點(diǎn)上的開(kāi)關(guān)信號(hào)的對(duì)應(yīng)功能可由使用者根據(jù)需要在汽車電控單元自行定義。該組合開(kāi)關(guān)還設(shè)計(jì)低功耗模式，具有休眠、喚醒功能。1 總體設(shè)計(jì)方案該組合開(kāi)關(guān)由一個(gè)主節(jié)點(diǎn)和多個(gè)開(kāi)關(guān)從節(jié)點(diǎn)組成，整體結(jié)構(gòu)如圖1 所示?；赟TM32 系列微控制器的主節(jié)點(diǎn)作為組合開(kāi)關(guān)的核心，負(fù)責(zé)協(xié)調(diào)各開(kāi)關(guān)節(jié)點(diǎn)與汽車電控單元間的通訊。主節(jié)點(diǎn)一方面通過(guò)串行通訊總線檢測(cè)各開(kāi)關(guān)節(jié)點(diǎn)的按鍵
機(jī)電工程 2013年11期2013-08-08
- 無(wú)線Mesh網(wǎng)絡(luò)節(jié)點(diǎn)聚類屬性分析
ay)節(jié)點(diǎn).網(wǎng)關(guān)節(jié)點(diǎn)除了與AP節(jié)點(diǎn)一樣具有為移動(dòng)用戶提供網(wǎng)絡(luò)接入服務(wù)的功能外，還具有接入有線網(wǎng)(Internet)的功能;AP節(jié)點(diǎn)通過(guò)網(wǎng)關(guān)節(jié)點(diǎn)連入Internet.在無(wú)線網(wǎng)狀網(wǎng)運(yùn)行的過(guò)程中，所有用戶都要最終通過(guò)網(wǎng)關(guān)節(jié)點(diǎn)接入Internet.為了擴(kuò)大服務(wù)范圍，AP節(jié)點(diǎn)采用了多跳技術(shù)，即靠近網(wǎng)關(guān)節(jié)點(diǎn)的AP節(jié)點(diǎn)可以作為中繼點(diǎn)轉(zhuǎn)發(fā)遠(yuǎn)離網(wǎng)關(guān)節(jié)點(diǎn)的AP節(jié)點(diǎn)所產(chǎn)生的流量.因此，一個(gè)用戶通過(guò)網(wǎng)關(guān)節(jié)點(diǎn)接入Internet時(shí)可能經(jīng)歷了一跳或多跳.在給定的網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)中，為了提
- 低功耗無(wú)線傳感器網(wǎng)絡(luò)系統(tǒng)實(shí)現(xiàn)
感采集節(jié)點(diǎn)、網(wǎng)關(guān)節(jié)點(diǎn)以及遠(yuǎn)程用戶終端組成，如圖1所示。其中，傳感采集節(jié)點(diǎn)負(fù)責(zé)環(huán)境數(shù)據(jù)的采集和處理，并將數(shù)據(jù)傳輸至相應(yīng)的網(wǎng)關(guān)節(jié)點(diǎn)。網(wǎng)絡(luò)中的傳感采集節(jié)點(diǎn)只能直接與其一跳范圍之內(nèi)的網(wǎng)關(guān)節(jié)點(diǎn)通信，并與相應(yīng)的網(wǎng)關(guān)節(jié)點(diǎn)一起組成一個(gè)子網(wǎng)。網(wǎng)關(guān)節(jié)點(diǎn)作為該子網(wǎng)的對(duì)外接口，負(fù)責(zé)收集其子網(wǎng)內(nèi)所有傳感采集節(jié)點(diǎn)的信息。整個(gè)網(wǎng)絡(luò)中允許存在一個(gè)或多個(gè)網(wǎng)關(guān)及相應(yīng)的子網(wǎng)。不同的子網(wǎng)采用不同頻率進(jìn)行通信，以相互區(qū)別并防止數(shù)據(jù)傳輸沖突。網(wǎng)關(guān)節(jié)點(diǎn)與遠(yuǎn)程用戶終端可采用無(wú)線或有線的主干網(wǎng)絡(luò)連接，可選
網(wǎng)絡(luò)安全與數(shù)據(jù)管理 2011年15期2011-05-14
- 3G移動(dòng)通信系統(tǒng)網(wǎng)關(guān)技術(shù)應(yīng)用研究
傳輸過(guò)程中，網(wǎng)關(guān)節(jié)點(diǎn)扮演著橋梁和中轉(zhuǎn)樞紐的角色。適配器節(jié)點(diǎn)和業(yè)務(wù)系統(tǒng)之間傳輸?shù)臄?shù)據(jù)包，必須經(jīng)過(guò)網(wǎng)關(guān)節(jié)點(diǎn)進(jìn)行一系列的邏輯控制和業(yè)務(wù)處理后，才被發(fā)往到接收方。在整個(gè)傳輸過(guò)程中，網(wǎng)關(guān)節(jié)點(diǎn)始終都是連接的服務(wù)器端。換句話說(shuō)，在適配器節(jié)點(diǎn)和網(wǎng)關(guān)節(jié)點(diǎn)的連接中，適配器節(jié)點(diǎn)是客戶端，網(wǎng)關(guān)節(jié)點(diǎn)是服務(wù)器端;在業(yè)務(wù)系統(tǒng)同網(wǎng)關(guān)節(jié)點(diǎn)的連接中，業(yè)務(wù)系統(tǒng)是客戶端，網(wǎng)關(guān)節(jié)點(diǎn)是服務(wù)器端。網(wǎng)關(guān)節(jié)點(diǎn)維持兩種池，一種是連接池，其中包含了所有已經(jīng)登錄了的連接;另外一種叫通訊有序數(shù)據(jù)池，其中包含的是通
通信技術(shù) 2011年3期2011-03-06
- 試析英語(yǔ)惰性代詞——paycheck句型中的代詞現(xiàn)象
223)認(rèn)為,關(guān)節(jié)點(diǎn)(node)A可以對(duì)關(guān)節(jié)點(diǎn) B執(zhí)行 C命令,當(dāng)且當(dāng) A不能管轄(dom inate)B,B也不能管轄 A;最直接管轄 A的句子關(guān)節(jié)點(diǎn)(S-node)也管轄 B。他還認(rèn)為,管轄關(guān)系表現(xiàn)為樹(shù)型結(jié)構(gòu)中關(guān)節(jié)點(diǎn)之間的關(guān)系,關(guān)節(jié)點(diǎn) A管轄關(guān)節(jié)點(diǎn) B,當(dāng)且僅當(dāng)由 A到 B的路線是向下發(fā)展的,即通向終端。圖1中,關(guān)節(jié)點(diǎn) S管轄關(guān)節(jié)點(diǎn) A的同時(shí)也管轄關(guān)節(jié)點(diǎn) B,但是卻不能 C命令它們,而 A和 B卻可以互相執(zhí)行 C命令,但不能互相管轄,也不能管轄 S。圖
- 找準(zhǔn)銜接的關(guān)節(jié)點(diǎn)
是要找準(zhǔn)銜接的關(guān)節(jié)點(diǎn)。新舊課的有效銜接,并非毫無(wú)重點(diǎn)地全面對(duì)接,而是“銜在關(guān)聯(lián)處”。這就好比火車頭與車廂之間的銜接,不是前者的后“面”與后者的前“面”全“面”接觸,而是掛上鉤之后再加固。同樣,新舊課銜接的時(shí)候,也不必全面對(duì)接,銜在關(guān)聯(lián)處,找準(zhǔn)銜接的關(guān)節(jié)點(diǎn),就可以實(shí)現(xiàn)有效銜接了。比如數(shù)學(xué)中有這樣一道乘除混合應(yīng)用題:“3支鉛筆6角錢(qián),同樣的鉛筆8支多少錢(qián)?”先讓學(xué)生嘗試解題(實(shí)際就是尋找新知和舊知的“關(guān)節(jié)點(diǎn)”),有學(xué)生想到“1支鉛筆2角錢(qián),8支鉛筆多少錢(qián)?”這
河南教育·基教版 2009年9期2009-10-14
- 論科學(xué)發(fā)展觀“三進(jìn)”工作的幾個(gè)關(guān)節(jié)點(diǎn)
;“三進(jìn)”; 關(guān)節(jié)點(diǎn)中圖分類號(hào):D619 文獻(xiàn)標(biāo)志碼:A文章編號(hào):1002—2589(2009)31—0017—02科學(xué)發(fā)展觀是我國(guó)經(jīng)濟(jì)社會(huì)發(fā)展的重要指導(dǎo)方針,是發(fā)展中國(guó)特色社會(huì)主義必須堅(jiān)持和貫徹的重大戰(zhàn)略思想,也是加強(qiáng)和改進(jìn)大學(xué)生思想政治教育的指導(dǎo)方針。因此,堅(jiān)持以科學(xué)發(fā)展觀為統(tǒng)領(lǐng),全面推進(jìn)科學(xué)發(fā)展觀“進(jìn)教材、進(jìn)課堂、進(jìn)頭腦”,對(duì)當(dāng)代大學(xué)生的健康成長(zhǎng)具有十分重要的現(xiàn)實(shí)意義。一、科學(xué)發(fā)展觀“三進(jìn)”的基本前提1.深刻領(lǐng)會(huì)科學(xué)發(fā)展觀的科學(xué)內(nèi)涵和精神實(shí)質(zhì)。科學(xué)發(fā)
學(xué)理論·中 2009年12期2009-01-14
- 關(guān)節(jié)點(diǎn)與度量關(guān)系交錯(cuò)線
辭典》中，將“關(guān)節(jié)點(diǎn)”(又譯“交錯(cuò)點(diǎn)”)同“度量關(guān)系交錯(cuò)線”同義而語(yǔ)，可以討論。首先，黑格爾認(rèn)為，關(guān)節(jié)點(diǎn)與度量關(guān)系交錯(cuò)線是兩個(gè)不同的概念。關(guān)節(jié)點(diǎn)der Knoten是“這一特定的質(zhì)立刻就被另一特定的質(zhì)所代替”的點(diǎn)，在這一點(diǎn)上，“定量的變化也是質(zhì)的變化”。它是揭示特定的質(zhì)、量和度在這一點(diǎn)上的絕對(duì)同一及其與另外的特定的質(zhì)、量和度相區(qū)別的獨(dú)特標(biāo)志，是理解質(zhì)量互變規(guī)律的關(guān)鍵。度量關(guān)系交錯(cuò)線dieKnoten line是“質(zhì)量統(tǒng)一體〔尺度〕……不斷地交替著先由單純的
讀書(shū) 1985年6期1985-07-15