基于深度图与彩色图像的跑步机游戏交互系统

论文摘要

体感游戏中的运动项目虽然风靡全球,但其运动效果还是远远比不上普通的跑步机。而跑步机游戏系统若能将体感游戏操作和跑步机有机的结合起来,将会给单调的健身运动带来前所未有的娱乐快感,使更多用户能自觉、主动的参与运动中来。由于具有非接触性和直接性,图像识别已成为目前体感技术的一个研究热点,特别是无标记的识别技术,可让人体不附加任何配件即成为“遥控器”,受到了广泛的关注。经过介绍分析主要的跟踪算法,根据系统需要我们选择了连续自适应均值偏移算法（CAM-Shift）跟踪双手。实验证明,传统的连续自适应均值偏移算法对裸露双手的跟踪效果不尽人意,在复杂背景下基本无法正常工作。对手套的跟踪虽然效果较好,但这违背了系统无标记的设计要求。为此,在传统连续自适应均值偏移算法的基础上,我们引入了深度信息,并利用深度图从前景分割、初始化和干扰处理几方面对算法进行了改进和扩充。本文主要是对深度图进行阈值分割得到前景目标的二值掩码,屏蔽掉复杂背景以减少非目标区域对搜索结果的干扰影响,同时利用深度图的3D信息初始化搜索窗口。以此为基础,构建了基于深度图和彩色图像的跑步机游戏交互系统。系统使用微软公司的Xbox体感外设Kinect装置获取运动玩家的深度图像和彩色图像序列,并对玩家双手的运动轨迹进行3D跟踪,分析识别其手部动作,实现了非接触、无标记的人机交互。实验证明系统满足实时要求,对动作反应灵敏准确。

论文目录

• 摘要
• Abstract
• 1 绪论
• 1.1 课题的背景及意义
• 1.2 国内外研究现状分析
• 1.3 跑步机游戏交互系统需求分析
• 1.4 本文的主要内容及章节安排
• 2 CAM-SHIFT 算法及其在跑步机游戏交互系统上的应用
• 2.1 传统目标跟踪方法
• 2.2 Mean-Shift 跟踪算法
• 2.3 CAM-Shift 跟踪算法
• 2.4 传统CAM-Shift 算法在跑步机游戏交互系统中的应用与不足
• 2.5 本章小结
• 3 基于深度图的CAM-Shift 改进算法
• 3.1 深度获取的基本方法
• 3.2 Kinect 装置的总体结构
• 3.3 Lighting Code 深度获取方法
• 3.4 基于深度图的CAM-Shift 改进算法
• 3.5 本章小结
• 4 系统构建与实验结果
• 4.1 系统概述
• 4.2 开发环境
• 4.3 建立基于高斯模型的肤色模板
• 4.4 运动状态识别
• 4.5 实验结果
• 4.6 本章小结
• 5 全文总结与展望
• 5.1 全文总结
• 5.2 展望
• 致谢
• 参考文献