人體關(guān)節(jié)運(yùn)動跟蹤技術(shù)的研究.pdf

1、人體運(yùn)動分析是計算機(jī)視覺領(lǐng)域一個非常有前途的研究方向，對它的研究涉及計算機(jī)視覺、人工智能、模式識別和圖像處理等學(xué)科領(lǐng)域，是一個跨學(xué)科的挑戰(zhàn)性研究課題。人體運(yùn)動分析的主要任務(wù)是對視頻序列中的人體運(yùn)動進(jìn)行跟蹤。由于人體運(yùn)動的實質(zhì)是骨骼圍繞關(guān)節(jié)點的運(yùn)動，因而人體關(guān)節(jié)運(yùn)動跟蹤技術(shù)的研究在人體運(yùn)動跟蹤中最具有代表性，它的準(zhǔn)確跟蹤使其在運(yùn)動員動作分析、輔助臨床診斷、計算機(jī)動畫等方面有著廣闊應(yīng)用前景的研究課題。 本文針對人體關(guān)節(jié)目標(biāo)跟蹤中存在

2、的難點問題，進(jìn)行了人體關(guān)節(jié)運(yùn)動跟蹤技術(shù)的研究。 本文首先研究了核密度估計及無參密度估計均值偏移(MeanSluft)理論，其次，研究了應(yīng)用于目標(biāo)跟蹤中的MeanShift算法。針對目標(biāo)在運(yùn)動過程中，由于其自身等條件發(fā)生變化時，需要對模板進(jìn)行更新的問題，進(jìn)行了模板更新條件及模板更新方法的研究，本文提出了采用人體關(guān)節(jié)目標(biāo)之間的Bhattacharyya距離作為模板更新的條件和新舊模板加權(quán)的更新方法，使傳統(tǒng)MeanShift算法對人體

3、關(guān)節(jié)運(yùn)動目標(biāo)的跟蹤精度得到提高。 同時針對目標(biāo)受光照變化等環(huán)境條件影響時，在傳統(tǒng)MeanShift算法中，若僅利用目標(biāo)單一顏色特征對人體關(guān)節(jié)運(yùn)動目標(biāo)進(jìn)行跟蹤的不可靠性，研究了多種矩不變量方法，提出了基于MeanShift的人體關(guān)節(jié)運(yùn)動跟蹤算法。該算法利用人體關(guān)節(jié)目標(biāo)的速度、小波矩不變量和顏色分布特征進(jìn)行目標(biāo)跟蹤，大大減輕了傳統(tǒng)MeanShift對運(yùn)動目標(biāo)受光照變化而造成的跟蹤不準(zhǔn)確性，且對運(yùn)動目標(biāo)的遮擋具有一定的容忍能力。

4、 進(jìn)行了采用卡爾曼濾波縮小(KalmanFilter)對人體關(guān)節(jié)目標(biāo)搜索范圍的研究，提出了基于KalmanFilter和MeanShift的人體關(guān)節(jié)運(yùn)動跟蹤算法。該跟蹤算法充分利用卡爾曼濾波對人體關(guān)節(jié)目標(biāo)在當(dāng)前幀可能位置的預(yù)測，并發(fā)揮了運(yùn)動目標(biāo)的小波矩不變量和顏色分布特征在目標(biāo)跟蹤中的優(yōu)勢，為效的途徑。 研究了對于遮擋等造成的多峰值、非高斯分布和非線性問題的目標(biāo)跟蹤算法，并針對利用目標(biāo)單一特征信息往往很難實現(xiàn)對運(yùn)動目標(biāo)魯棒跟蹤

5、的情況，提出了一種將目標(biāo)特征信息的觀測模型結(jié)合到無跡粒子濾波(UPF)中的人體關(guān)節(jié)運(yùn)動跟蹤算法。該方法充分利用無跡粒子濾波算法具有的多重假設(shè)以及最新的觀測信息。實驗結(jié)果表明，本論文提出的基于目標(biāo)特征信息和UPF的人體關(guān)節(jié)運(yùn)動跟蹤算法很好地解決了目標(biāo)被頻繁遮擋的跟蹤問題，并具有良好的魯棒性。 對人體關(guān)節(jié)目標(biāo)在運(yùn)動過程中出現(xiàn)較長時間遮擋導(dǎo)致無跡粒子濾波存在樣本貧化現(xiàn)象，需要增加樣本集的多樣性，進(jìn)行了智能優(yōu)化算法的研究，提出了基于智能