虚拟运动机的人体运动跟踪研究

论文摘要

基于计算机视觉的人机交互是近年来图像理解、计算机视觉等领域的一个重要研究课题。基于计算机视觉的虚拟运动机是建立在计算机的基础上，可移植、可拓展的智能人机交互模式。规划中的基于计算机的虚拟运动机应包含动作定义、人体运动跟踪、三维重建、动作消息输出等模块，鉴于其工作量较大，本文仅对其中极为关键的运动人体跟踪模块进行了较为深入的探讨，并取得了如下成果：1.运动人体提取算法。基于单高斯背景模型的背景减除法，利用C-均值聚类的思想初始化背景模型，提升背景质量，降低图像序列首帧对背景的影响；对于二值化前景图像，运用色度学理论进行阴影消除，运用数学形态学滤波降低噪声、连接区域，获得较为完整的运动人体。2.人体关节提取算法。针对传统的人工提取附着于关节的标记的方法，提出了自动人体关节提取算法，可自动获得人体关节，消除人工干预。该算法通过极值点判定获取寻找各关节的引发位置，利用Mean Shift算法确定各关节的初始位置，结合初始位置、标记信息量假设、Mean Shift算法对关节进行粗定位，结合背景抑制直方图和Mean Shift算法进行精定位，获取人体关节中心，利用Bhattacharyya距离和二分法确定人体关节的带宽，最终建立跟踪模板。3.基于Mean Shift的目标跟踪算法。针对传统的Mean Shift算法难以跟踪速度较快或突然变向的目标，运用了改进的Kalman滤波器预测下一帧跟踪目标的位置；针对跟踪目标尺寸变化问题，运用了基于Bhattacharyya距离的核函数带宽自适应更新方法；针对目标模板需反映目标最新特征的问题，运用了基于Bhattacharyya距离的目标模板更新方法。4.对虚拟运动机系统作了整体设计，并实现了其中的自动跟踪人体的功能模块。

论文目录

• 摘要
• Abstract
• 第一章 绪论
• 1.1 人机交互的发展
• 1.2 基于计算机视觉的人机交互
• 1.3 基于计算机视觉的虚拟运动机及其研究意义
• 1.3.1 基于计算机视觉的虚拟运动机
• 1.3.2 基于计算机视觉的虚拟运动机的组成
• 1.3.3 基于计算机视觉的虚拟运动机的研究意义
• 1.4 国内外研究概况
• 1.4.1 国外研究概况
• 1.4.2 国内研究概况
• 1.5 虚拟运动机中的人体运动跟踪
• 1.6 论文的工作和结构
• 第二章 人体关节识别
• 2.1 运动目标提取方法概述
• 2.2 运动人体提取
• 2.2.1 基于单高斯背景模型的背景减除法
• 2.2.2 利用 C-均值聚类初始化背景模型
• 2.2.3 阴影消除
• 2.2.4 数学形态学滤波
• 2.2.5 运动人体提取算法
• 2.3 人体关节提取
• 2.3.1 标记
• 2.3.2 人体骨骼模型
• 2.3.3 极值点确定
• 2.3.4 初始位置确定
• 2.3.5 粗定位
• 2.3.6 精定位
• 2.3.7 带宽确定
• 2.3.8 人体关节提取算法
• 2.4 本章小节
• 第三章 运动人体跟踪
• 3.1 MEAN SHIFT 分析
• 3.1.1 核密度估计
• 3.1.2 基本 Mean Shift 向量
• 3.1.3 扩展 Mean Shift 向量
• 3.1.4 Mean Shift 向量与概率密度梯度之关系
• 3.1.5 Mean Shift 算法
• 3.2 基于 MEAN SHIFT 的目标跟踪算法
• 3.2.1 目标模板特征表示
• 3.2.2 候选目标特征表示
• 3.2.3 基于 Bhattacharyya 距离的相似性度量
• 3.2.4 目标定位
• 3.2.5 基于背景抑制直方图的人体运动跟踪
• 3.3 连续跟踪的稳健方法的分析与选择
• 3.4 核函数带宽更新机制
• 3.5 基于 BHATTACHARYYA 系数的目标模板更新机制
• 3.6 本章小节
• 第四章 虚拟运动机的人体运动跟踪模块实现
• 4.1 人体运动跟踪模块设计
• 4.2 运动人体跟踪实验
• 4.3 本章小节
• 结论与展望
• 参考文献
• 攻读硕士学位期间取得的研究成果
• 致谢
• 附件