论文题目: 基于概率模型的三维人体运动跟踪研究
论文类型: 博士论文
论文专业: 计算机应用技术
作者: 陈睿
导师: 李华
关键词: 人体运动跟踪,随机采样,粒子滤波,减背景
文献来源: 中国科学院研究生院（计算技术研究所）
发表年度: 2005
论文摘要: 本文的主要研究内容是从多个同步的视频序列中自动恢复人体的三维运动姿态。这种无标记的人体运动捕捉跟踪技术可广泛应用于体育运动分析、医学诊断、虚拟现实、计算机动画、视频监控、人机交互等领域。由于存在非刚体人体描述、人体模型的三维到二维投影多义性、人体模型的自遮挡、高维状态空间搜索、复杂条件下的图像特征提取与匹配等方面的困难,从视频图像中恢复出人体三维运动姿态存在大量的不确定性。因此三维人体运动跟踪是计算机视觉领域一项非常有挑战性的任务。本文提出了有模型指导的三维人体运动跟踪框架,将一个多关节的圆台形状三维人体模型与多个视频图像中的外轮廓、边界、灰度和肤色特征进行匹配,使人体运动跟踪变成一个状态估计问题。并且,使用基于概率模型的粒子滤波算法来完成非线性、非高斯动态系统的状态估计。粒子滤波算法虽然能在混乱背景及遮挡情况下很好地完成一般跟踪任务,但是对于人体运动估计仍然存在困难。因此本文提出了两种新的粒子滤波改进策略。一种是将状态空间分解和PERM(Pruned-Enriched Rosenbluth Method)采样与退火粒子滤波结合,提高了对多模式后验分布的模拟精度。另一种是确定性搜索方法与随机采样方法相结合的改进粒子滤波算法,用于跟踪复杂背景下的三维人体运动。这种新的粒子滤波算法的最大特点就是通过局部优化方法来指导重要性分布函数的生成,使得对高维空间中多峰后验分布函数的估计成为可能。此外,在图像特征提取方面,本文提出了一种非参数的背景估计模型,用于检测视频图像中的运动人体的外轮廓。这种方法综合考虑了图像上的时间与空间信息,利用颜色和边界特征增强前景检测的可靠性;而且,通过自适应的阴影消除,进一步提高了运动目标检测的准确性。本文算法在模拟和真实数据上进行了试验,能够完成复杂背景条件下的人体运动跟踪任务。
论文目录:
摘 要
Abstract
第一章. 引言
1.1 问题提出
1.2 跟踪过程中的不确定性
1.3 解决不确定性的方法——概率模型
1.4 主要贡献
1.5 论文结构
第二章 人体运动跟踪综述
2.1 运动跟踪的应用领域
2.2 有标记的运动捕捉设备
2.3 基于视频的人体运动跟踪
2.4 人体运动跟踪的初始化
2.4.1 初始状态确定
2.4.2 人体模型的表示——二维vs. 三维
2.5 特征提取
2.5.1 外轮廓特征
2.5.2 边界特征
2.5.3 灰度特征
2.5.4 其它特征
2.6 跟踪
2.6.1 有模型的方法和无模型的方法
2.6.2 确定性搜索方法
2.6.3 随机搜索方法
第三章 从概率模型角度考虑跟踪
3.1 简介
3.2 概率推理方法简介
3.2.1 条件概率，联合概率，数学期望和协方差
3.2.2 概率推理——最大似然估计和最大后验估计
3.3 基于概率推理的跟踪
3.4 线性系统跟踪方法——Kalman 滤波
3.5 非线性系统跟踪方法——粒子滤波
3.5.1 粒子滤波的基本原理
3.5.2 用粒子滤波来解决跟踪问题
3.5.3 一个可行的粒子滤波算法
3.5.4 粒子滤波的优点
3.6 标准粒子滤波算法试验结果
3.6.1 多关节手指的运动跟踪
3.6.2 部分身体的运动跟踪
第四章 粒子滤波算法的改进
4.1 高维空间采样的困难
4.2 改进的粒子滤波算法
4.2.1 模拟退火
4.2.2 搜索空间分解
4.2.3 PERM 采样
4.3 试验结果
4.4 总结
第五章 结合局部优化方法的粒子滤波
5.1 粒子滤波存在的问题
5.2 状态空间模型
5.2.1 跟踪问题的状态空间模型
5.2.2 重要性函数的选择
5.3 基于观测似然模型的局部优化
5.4 梯度方向采样
5.4.1 基于局部优化方法的重要性函数
5.4.2 局部优化粒子滤波算法
5.5 试验结果
5.6 总结
第六章 外轮廓特征提取
6.1 外轮廓与背景
6.2 背景模型表示
6.2.1 背景模型的定义
6.2.2 颜色模型和边界模型
6.2.3 模型的更新
6.3 自适应的阴影处理
6.4 试验结果
6.5 总结
第七章 一个可行的三维人体运动跟踪框架
7.1 系统框架
7.2 人体模型及相机投影模型
7.2.1 人体模型定义
7.2.2 相机模型
7.2.3 遮挡处理
7.3 观测似然模型
7.3.1 观测模型的选择
7.3.2 外轮廓特征
7.3.3 边界特征
7.3.4 灰度特征
7.3.5 肤色特征
7.4 总结
第八章 结束语
8.1 主要贡献
8.2 今后的研究方向
参考文献
致 谢
作者简历
发布时间: 2006-12-27
参考文献
- [1].人体运动跟踪的方法与实验研究[D]. 孙怡.大连理工大学2002
- [2].单目视频人体运动跟踪和获取技术研究[D]. 陈坚.中国科学院研究生院（软件研究所）2005
- [3].基于视频的人体运动跟踪技术研究[D]. 刘国翌.中国科学院研究生院（计算技术研究所）2005
- [4].人体关节运动跟踪技术的研究[D]. 于虹.哈尔滨工程大学2008
- [5].基于视频的人体运动跟踪与重构方法研究[D]. 陈姝.中南大学2008
- [6].基于可移动拍摄大场景下的人体运动跟踪关键技术的研究与应用[D]. 刘国军.哈尔滨工业大学2009
- [7].基于多摄像机的人体运动跟踪与分析[D]. 孙洛.清华大学2010
- [8].基于深度图像序列的三维人手运动跟踪技术研究[D]. 李东年.山东大学2015
- [9].一种基于磁场检测的手部运动跟踪系统[D]. 马英红.西安电子科技大学2011
- [10].基于稀疏模型的运动跟踪识别算法[D]. 陈鹏光.华南理工大学2016
相关论文
- [1].基于视频的目标检测与跟踪技术研究[D]. 王长军.浙江大学2006
- [2].基于视频的步态识别[D]. 赵国英.中国科学院研究生院（计算技术研究所）2005
- [3].运动视觉中目标的精确提取与跟踪技术[D]. 刘洋.西安电子科技大学2007
- [4].基于视觉的行人检测和跟踪技术的研究[D]. 田广.上海交通大学2007
- [5].基于头部特征提取的人体检测与跟踪及其应用[D]. 于海滨.浙江大学2007