多視點非接觸式人體運動捕捉的研究.pdf

1、運動捕捉是檢測記錄運動目標(biāo)的動作或表情，將其轉(zhuǎn)化為數(shù)字化的“抽象運動”的技術(shù)。運動捕捉結(jié)果表達(dá)為不同時刻目標(biāo)所處的姿態(tài)，可用于新一代人機(jī)自然交互、動畫制作、游戲制作、運動分析、虛擬現(xiàn)實等諸多應(yīng)用領(lǐng)域。由于非接觸式人體運動捕捉具有非強(qiáng)迫、成本低、智能化等優(yōu)點，如何不依賴于特殊設(shè)備或標(biāo)志，克服噪聲、復(fù)雜背景、遮擋和自遮擋等因素的干擾，從圖像序列中獲取人體的姿態(tài)信息已成為運動捕捉領(lǐng)域的重要熱點之一。本文對多目圖像序列中的人體運動捕捉的相關(guān)技術(shù)

2、進(jìn)行了研究和探討，提出了一系列新的解決方案和算法。主要內(nèi)容如下： 1.在運動目標(biāo)的提取中提出了一種自適應(yīng)層次式混合高斯(GMM)背景模型，即HGMM。它使運動捕捉系統(tǒng)能夠處理更多復(fù)雜場景中采集的數(shù)據(jù)，較好的解決了自適應(yīng)混合高斯背景模型中存在的三個方面的問題：背景模型初始化速度慢、暫停運動或運動緩慢的目標(biāo)被背景模型過快吸收、無法處理劇烈的光照變化。為了解決這些問題，本文介紹了一種小樣本集上的背景模型學(xué)習(xí)算法、一種新的背景模型選取算

3、法以及背景模型的層次式組織形式。 2.在運動目標(biāo)的提取中提出了一種新的結(jié)合“自適應(yīng)GMM背景模型”的馬爾可夫隨機(jī)場后驗概率最大化(MRF-MAP)方法，即GMM-MRF。它是一種固定攝像機(jī)條件下實時、準(zhǔn)確的運動目標(biāo)自動提取方案，解決了已有MRF-MAP方法中存在的四個方面的問題：無法處理動態(tài)背景造成的“偽目標(biāo)”、陰影的干擾、提取結(jié)果不符合圖像中的邊緣特征、算法效率太低。本文對MRF-MAP方法的貢獻(xiàn)在于：設(shè)計了基于“自適應(yīng)GMM

4、背景模型”的能量項、設(shè)計了陰影消除能量項、設(shè)計了對比能量項以及引入了動態(tài)的切圖算法。 3.在基于學(xué)習(xí)的人體運動捕捉中，提出了一種從視點基本無關(guān)的三維體素數(shù)據(jù)中學(xué)習(xí)人體姿態(tài)的方法，即LPFV(Learning Pose From Voxel)。它在一定程度上解決了以往的同類方法中存在的問題，即攝像機(jī)位置發(fā)生變化時需要花費大量資源重新學(xué)習(xí)回歸模型，把運動捕捉的學(xué)習(xí)方法向視點無關(guān)的目標(biāo)推進(jìn)了一大步。本文的主要貢獻(xiàn)還包括：改進(jìn)了三維形狀

5、描述子3DSC，更有效的描述體素數(shù)據(jù)；提出了一種體素數(shù)據(jù)特征提取的貝葉斯方法，增強(qiáng)了特征矢量的區(qū)別力；引入了多變量相關(guān)向量機(jī)，學(xué)習(xí)單個映射函數(shù)，保持回歸模型的稀疏性。 4.在基于模型的人體運動捕捉中，提出了一種三維動態(tài)馬爾可夫隨機(jī)場方法，即3D-DMRF。它把運動捕捉和三維重建巧妙的結(jié)合在統(tǒng)一的貝葉斯框架MRF中，能夠同時給出運動捕捉的準(zhǔn)確姿態(tài)和三維重建的更好結(jié)果，解決了以往三維擬合方法中存在的問題，即沒有考慮三維數(shù)據(jù)中(尤其是

6、稀疏視點下)所包含的誤差對運動捕捉精度的影響。本文的主要貢獻(xiàn)還包括：設(shè)計了一種新的人體模型——增強(qiáng)型的骨架圖，較好的平衡了模型的復(fù)雜度和真實感；提出了3D-DMRF的構(gòu)造方法，使觀測數(shù)據(jù)和人體模型兩種形式的信息互為補(bǔ)充；提出了3D-DMRF的兩層嵌套優(yōu)化技術(shù)，同時求解人體運動捕捉和三維重建問題。 各部分的合成與真實數(shù)據(jù)實驗證明了本文工作內(nèi)容的可行性和有效性，最后介紹了一個實用簡便、成本低廉、精度較高的非接觸式的人體運動捕捉原型系