文献综述
本课题的现状及发展趋势：
准确地量化行为对于研究大脑功能和神经网络等领域至关重要的，随着高频摄影技术的快速发展，通过视频分析技术可以揭示以前不可知的运动序列；特别是，反射性标记物的使用使计算机可以更加精确的追踪和量化动作和行为。虽然上述动作捕捉技术有很强的实用性和采集精度。但是，这些方法仍旧存在依赖标记物、硬件要求条件高、成本高、后期分析复杂等确定，在一定程度上会影响动作捕捉的广泛应用。此外，这些技术对于体型较小的动物来说，而且标记物的数量和位置是需要事先确定的[ll1]。手动逐帧标记的方法费时费力，使动作追踪过程繁琐，技术含量高，识别难度大。在这种情况下，通过基于人工智能技术中的深度学习技术建立的无标记动作捕捉代替方法优势明显。哈佛大学科学家团队利用机器学习开发了一款开源运动追踪方法，通过一种专门的监督式学习算法中进行数据集训练，然后从视频数据库中取出几帧画面并标记出头部，颈部和每个爪子的位置。最后，该方法可以有效估算每块图像区域为某个身体部分的可能性。此技术进步正在吸引全世界的实验室将代码用于真实世界的运动跟踪。
[1]钱银中，沈一帆.姿态特征与深度特征在图像动作识别中的混合应用, 2018.
[2]王松，党建武，王阳萍，杜晓刚.实时动作识别方法研究，2017.
剩余内容已隐藏，您需要先支付 10元 才能查看该篇文章全部内容！立即支付
以上是毕业论文文献综述，课题毕业论文、任务书、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。
