人体关节运动跟踪技术的研究

论文摘要

人体运动分析是计算机视觉领域一个非常有前途的研究方向，对它的研究涉及计算机视觉、人工智能、模式识别和图像处理等学科领域，是一个跨学科的挑战性研究课题。人体运动分析的主要任务是对视频序列中的人体运动进行跟踪。由于人体运动的实质是骨骼围绕关节点的运动，因而人体关节运动跟踪技术的研究在人体运动跟踪中最具有代表性，它的准确跟踪使其在运动员动作分析、辅助临床诊断、计算机动画等方面有着广阔应用前景的研究课题。本文针对人体关节目标跟踪中存在的难点问题，进行了人体关节运动跟踪技术的研究。本文首先研究了核密度估计及无参密度估计均值偏移(Mean Shift)理论，其次，研究了应用于目标跟踪中的Mean Shift算法。针对目标在运动过程中，由于其自身等条件发生变化时，需要对模板进行更新的问题，进行了模板更新条件及模板更新方法的研究，本文提出了采用人体关节目标之间的Bhattacharyya距离作为模板更新的条件和新旧模板加权的更新方法，使传统Mean Shift算法对人体关节运动目标的跟踪精度得到提高。同时针对目标受光照变化等环境条件影响时，在传统Mean Shift算法中，若仅利用目标单一颜色特征对人体关节运动目标进行跟踪的不可靠性，研究了多种矩不变量方法，提出了基于Mean Shift的人体关节运动跟踪算法。该算法利用人体关节目标的速度、小波矩不变量和颜色分布特征进行目标跟踪，大大减轻了传统Mean Shift对运动目标受光照变化而造成的跟踪不准确性，且对运动目标的遮挡具有一定的容忍能力。进行了采用卡尔曼滤波缩小(Kalman Filter)对人体关节目标搜索范围的研究，提出了基于Kalman Filter和Mean Shift的人体关节运动跟踪算法。该跟踪算法充分利用卡尔曼滤波对人体关节目标在当前帧可能位置的预测，并发挥了运动目标的小波矩不变量和颜色分布特征在目标跟踪中的优势，为减少Mean Shift的迭代运算和提高Mean Shift的搜索效率提供了一种较为有效的途径。研究了对于遮挡等造成的多峰值、非高斯分布和非线性问题的目标跟踪算法，并针对利用目标单一特征信息往往很难实现对运动目标鲁棒跟踪的情况，提出了一种将目标特征信息的观测模型结合到无迹粒子滤波(UPF)中的人体关节运动跟踪算法。该方法充分利用无迹粒子滤波算法具有的多重假设以及最新的观测信息。实验结果表明，本论文提出的基于目标特征信息和UPF的人体关节运动跟踪算法很好地解决了目标被频繁遮挡的跟踪问题，并具有良好的鲁棒性。对人体关节目标在运动过程中出现较长时间遮挡导致无迹粒子滤波存在样本贫化现象，需要增加样本集的多样性，进行了智能优化算法的研究，提出了基于智能优化和无迹粒子滤波的人体关节运动跟踪算法，使无迹粒子滤波的样本贫化现象得到了改善。本论文在均值偏移、粒子滤波、无迹粒子滤波及智能优化算法等方面进行了较为深入的研究，取得了一些有益的成果。这些成果对人体关节运动目标的准确、鲁棒、可靠的跟踪起到了重要的作用。

论文目录

• 摘要
• ABSTRACT
• 第1章 绪论
• 1.1 课题的目的与意义
• 1.2 人体关节运动跟踪的应用
• 1.3 国内外研究现状分析及研究内容
• 1.3.1 国内外研究现状分析
• 1.3.2 人体关节运动跟踪的主要研究内容
• 1.4 视频人体关节运动跟踪研究所面临的困难
• 1.5 论文的主要研究内容
• 第2章 改进的Mean Shift跟踪算法
• 2.1 引言
• 2.2 无参密度估计
• 2.2.1 核密度估计
• 2.2.2 几种常用的简单核函数
• 2.2.3 带宽h的选取
• 2.3 Mean Shift向量
• 2.4 Mean Shift算法收敛性的证明
• 2.5 核函数对MSA收敛性的影响
• 2.6 应用于目标跟踪中的MSA
• 2.6.1 目标表达
• 2.6.2 人体关节定位
• 2.7 改进的Mean Shift跟踪算法
• 2.8 实验结果与分析
• 2.9 本章小结
• 第3章 基于Mean Shift的人体关节运动跟踪算法
• 3.1 引言
• 3.2 均值偏移算法的实现与分析
• 3.3 矩不变量
• 3.3.1 Hu矩不变量
• 3.3.2 Zernike正交矩不变量
• 3.3.3 小波矩
• 3.4 基于Mean Shift的人体关节运动跟踪算法
• 3.5 实验结果与分析
• 3.5.1 实验一—矩不变量参数的确定与比较
• 3.5.2 实验二—小波矩不变量与小波速度矩不变量的比较分析
• 3.5.3 实验三—本章提出算法与传统Mean Shift算法的比较
• 3.6 本章小结
• 第4章 基于Kalman Filter和Mean Shift的人体关节运动跟踪算法
• 4.1 引言
• 4.2 基于KF和Mean Shift的人体关节运动跟踪算法
• 4.2.1 卡尔曼滤波组成
• 4.2.2 卡尔曼滤波原理
• 4.2.3 卡尔曼滤波方程
• 4.2.4 卡尔曼滤波参数
• 4.2.5 利用KF对目标进行轨迹预测的Mean Shift跟踪算法
• 4.3 实验结果与分析
• 4.4 本章小结
• 第5章 基于目标特征信息和UPF的人体关节运动跟踪算法
• 5.1 引言
• 5.2 基于贝叶斯滤波原理的目标跟踪问题
• 5.3 蒙特卡罗方法
• 5.4 粒子滤波算法
• 5.4.1 贝叶斯重要性采样
• 5.4.2 序列化重要性采样
• 5.4.3 粒子集的退化问题
• 5.5 无迹粒子滤波方法
• 5.6 基于目标特征信息和UPF的人体关节运动跟踪算法
• 5.6.1 人体关节目标系统状态（运动）模型的设计
• 5.6.2 人体关节目标系统观测模型的设计
• 5.6.3 人体关节运动跟踪算法
• 5.7 实验结果与分析
• 5.8 本章小结
• 第6章 基于智能优化和无迹粒子滤波的人体关节运动跟踪算法
• 6.1 引言
• 6.2 样本贫化现象
• 6.3 智能优化算法
• 6.3.1 模拟退火算法
• 6.3.2 量子遗传算法
• 6.4 无迹粒子滤波算法的实现
• 6.5 基于智能优化和 UPF的人体关节运动跟踪算法
• 6.5.1 基于模拟退火和UPF的人体关节运动跟踪算法
• 6.5.2 基于量子遗传和UPF的人体关节运动跟踪算法
• 6.6 实验结果与分析
• 6.7 本章小结
• 结论
• 参考文献
• 攻读博士学位期间发表的论文和取得的科研成果
• 致谢