提出了一种基于二维(2D)转三维(3D)骨架的实时检测双分支子网络,可实现2D骨架关键点的3D估计和2D、3D骨架特征融合的人体3D动作识别。在检测过程采用OpenPose框架实时获取视频中人体骨架的2D关键点坐标。在2D转3D骨架估计过程中,设计了一种输入为难样本且具有反馈功能的孪生网络。在3D动作识别过程中设计了一种2D、3D骨架特征双分支孪生网络,以完成3D姿态识别任务。在Human3.6M数据集上训练3D骨架估计网络,在基于欧拉变换的NTU RGB+D 60多视角增强数据集上训练骨架动作识别网络,最终得到的3D骨架动作识别交叉受试者准确率为88.2%,交叉视野准确率为95.6%。实验结果表明,该方法对3D骨架的预测精度较高,且具有实时反馈能力,可适用于实时监控中的动作识别。

提取骨架是计算机断层扫描(CT)三维(3D)血管图像定量分析中的关键步骤，通常耗费数小时，直接制约了图像分析的定量研究。分析串行骨架细化算法各步骤中包含的可并行化操作，对其进行并行化设计，提出的算法通过OpenMP多线程技术实现，并采用不同大小的三维CT血管图像进行分析和测试。根据测试结果，改进后的算法获取到的骨架准确可靠，对于1.95 GB大小的三维血管图像，使用16个线程进行并行运算时，可将运算时间由176 min缩短到13 min，时间消耗上降低了一个数量级。因此，提出的方法可实现大型血管骨架的准确、高效提取，解决了大型三维图像分析问题中运算效率低这一瓶颈问题。