基于视频的举重训练系统关键技术研究

论文摘要

提高计算机智能化水平，一直是科技发展的目标之一。随着现代计算机硬件基础和软件环境的发展，以及图像处理、计算机视觉、模式识别等学科理论的完善，为实现这一目标提供了坚实的基础。在体育训练中引入智能计算技术，有助于提高训练的科学性和有效性。本文面向基于视频的举重训练系统，针对其中关键的杠铃跟踪技术和人体关节跟踪技术进行了研究，提出一些可行的解决方案。论文具体内容如下：1、提出一种基于特征点相关统计特性的杠铃中心点跟踪算法。首先使用Harris角点检测获得杠铃片上的特征点，建立中心点和特征点的关系，然后基于LK光流法跟踪这些特征点，通过这些特征点和杠铃中心的对应关系，在后续帧中通过统计最优方法得到杠铃中心估计位置，并使用特征点校正方法克服光流法跟踪误差积累的弊端。通过这种方法可以保证杠铃中心点跟踪结果的稳定性。2、提出一种codebook方法和信念传播（Belief Propagation）相结合的前景分割方法。运用实时性和分割效果较好的Codebook算法，对背景场景进行建模。基于时域的滤波技术滤除突然出现的运动物体，对于一些周期运动的物体（摇摆的钟表、树叶）作为背景纳入模型中。最后利用基于贝叶斯理论的置信传播空间滤波优化算法消除了复杂背景带来的空洞现象。3、模型引导下的人体运动跟踪方法。基于贝叶斯粒子滤波框架，实现了对人体关节点的跟踪。通过初始姿态向量建立起始的人体外观模型，对每一个身体部位建立颜色直方图特征，通过人体部位的有序匹配和对称性约束来克服遮挡问题；由于举重运动过程的相似性，训练运动模型来指导跟踪算法，提高跟踪结果的精确度。

论文目录

• 摘要
• Abstract
• 第1章 绪论
• 1.1. 课题背景与意义
• 1.2. 目标跟踪技术介绍
• 1.3. 人体运动跟踪方法综述
• 1.4. 论文主要内容和论文结构
• 第2章 基础知识介绍
• 2.1. 目标跟踪的贝叶斯概率模型
• 2.2. 粒子滤波算法
• 2.2.1. 蒙特卡洛方法
• 2.2.2. 序列重要性采样算法
• 2.2.3. 粒子重采样
• 2.2.4. 粒子滤波算法步骤
• 2.3. 本章小结
• 第3章 基于点相关统计特性的杠铃中心跟踪算法
• 3.1. 概述
• 3.2. 算法描述
• 3.3. 实验结果
• 3.4. 本章小结
• 第4章 视频图像背景建模
• 4.1. 概述
• 4.2. Codebook背景建模
• 4.2.1. 创建初始模型
• 4.2.2. 时域滤波
• 4.2.3. 背景分割
• 4.2.4. 模型匹配条件
• 4.3. 信念传播算法
• 4.3.1. MRF概率图模型
• 4.3.2. 信念传播算法
• 4.3.3. 基于BP背景分割的优化算法
• 4.4. BP和Codebook相结合的背景分割算法
• 4.4.1. 算法框架
• 4.4.2. 算法步骤
• 4.4.3. 实验结果
• 4.5. 本章小结
• 第5章 基于贝叶斯粒子滤波的人体运动跟踪方法
• 5.1. 举重训练图像中的人体建模
• 5.1.1. 人体关节模型
• 5.1.2. 人体外观模型
• 5.2. 运动模型学习
• 5.3. 观测模型
• 5.3.1. 观测特征
• 5.3.2. 观测相似度测量
• 5.4. 跟踪算法步骤
• 5.5. 实验结果分析
• 5.6. 本章小结
• 第6章 举重训练系统设计与实现
• 6.1 需求分析
• 6.2 系统设计
• 6.2.1. 系统总体框架
• 6.2.2. 模块设计实现
• 6.3 本章小结
• 结论
• 参考文献
• 攻读硕士学位期间发表的学术论文
• 已申请专利和软件著作权
• 致谢