多目视觉三维人体运动

论文摘要

本论文围绕机器视觉的重要课题——多目视觉三维人体运动——展开研究,他不仅涉及到机器视觉的底层问题,而且做了许多高层的视觉处理。多目视觉三维人体运动分析就是对多目图像或视频进行处理,获取人体姿态和运动参数。它在智能监控,虚拟现实,人机交互,人体运动分析,视频编解码等领域有广泛而潜在的应用价值。最近几年,国际上学术界和企业界对这个领域作出了广泛而深入的研究,并取得了长足的进步与发展。在大量阅读国内外期刊文献的基础上,我们对三维重建,人体初始化和跟踪,以及运动参数分析等方面做了细致的分析和研究,提出了一些创新性的算法,并取得了一些有价值的实验结论:(1)前景背景分割是一个传统的难题。本论文在基于贝叶斯分割的方法基础上,提出了新的基于超像素的分割方法。与传统的单像素分割方法不同,本方法直接把有前景的图像与背景图像的超像素进行比较,并取得了显著的效果。(2)在三维重建部分,提出了一种新的基于贝叶斯理论的信息融合的方法。传统的三维重建算法Shape From Silhouette对于前景轮廓提取中的噪声非常敏感。本论文的方法把三维重建过程视作一个信息融合的过程,实验证明这种方法非常鲁棒。(3)提出了一种新的解决骨架模型初始化的问题。由于单帧数据的初始化没有前后帧数据的信息,所以这是一个非常困难的问题。本论文提出的新方法可以在人体姿势简单的情况下(比如站立,行走等),自动地估计人体姿态。(4)提出了一种新的人体跟踪算法。这种方法以人体三维数据与骨架的匹配程度作为匹配函数,使用概率进化算法求取匹配函数的最优值。该方法能很好地完成人体跟踪。(5)提出了一种新的运动数据定量分析方法。在实验中,商业用的基于标志的运动捕获系统获得的数据作为真值。我们把该系统获得的位置参数转换为角度参数,与人体跟踪中获得的运动参数进行比较。

论文目录

• 摘要
• ABSTRACT
• 1. 绪论
• 1.1 背景和发展状况
• 1.2 典型应用
• 1.3 论文内容和结果
• 1.3.1 课题来源
• 1.3.2 论文内容
• 1.3.3 文章结构安排
• 2. 复杂背景中的人体轮廓提取
• 2.1 背景减除（Background Subtraction）
• 2.2 基于超像素的目标轮廓提取算法
• 2.2.1 均值飘逸算法的图像分割
• 2.2.2 超像素比较算法
• 2.2.3 改进的超像素比较算法
• 2.3 实验结果及分析
• 2.3.1 α的意义
• 2.3.2 基于超像素的分割结果
• 3. 多摄像机参数标定
• 3.1 摄像机内参数标定
• 3.1.1 三个层次的坐标系统
• 3.1.2 坐标系变换关系
• 3.1.3 摄像机镜头的畸变
• 3.1.4 经典标定方法
• 3.2 摄像机外参数标定
• 3.3 摄像机标定参数应用
• 3.3.1 图像反畸变处理
• 3.3.2 空间3 维点到图像上的投影
• 3.4 实验结果
• 3.4.1 摄像机内外参数标定
• 3.4.2 图像反扭曲
• 4. 多目视觉的人体三维重建
• 4.1 现状
• 4.2 传统的三维重建算法
• 4.3 优化的三维重建算法
• 4.4 图像的立体雕刻算法-3
• 4.5 实验结果比较与分析
• 4.5.1 隐变量Dectr
• 5. 三维人体运动姿态分析
• 5.1 现状
• 5.2 三维人体骨架模型
• 5.3 三维人体运动跟踪算法
• 5.4 实验结果
• 6. 三维人体姿态初始化
• 6.1 现状
• 6.2 人体数据的三维特征点提取
• 6.3 基于遗传算法的骨架特征配准
• 6.3.1 遗传算法
• 6.3.2 骨架特征配准
• 6.4 人体方向的确定
• 6.5 实验结果
• 7. 运动参数定量分析
• 7.1 运动参数分析实验系统
• 7.2 骨架关节角度分析
• 7.2.1 欧拉角计算
• 7.2.2 欧拉角比较
• 7.3 骨架关节位置分析
• 7.4 实验结果与分析
• 8. 总结与展望
• 8.1 论文研究总结
• 8.2 展望
• 参考文献
• 致谢
• 攻读硕士学位期间参加的项目和发表的学术论文