学位论文 > 优秀研究生学位论文题录展示

非标定单目序列图像的三维人体运动分析

作　者: 仝明磊
导　师: 刘允才
学　校: 上海交通大学
专　业: 模式识别与智能系统
关键词: 人体运动分析单目图像序列非标定相机交互式多模型卷积曲面关节点自动定位共享动态隐变量模型粒子滤波器
分类号: TP391.41
类　型: 博士论文
年　份: 2007年
下　载: 455次
引　用: 3次
阅　读: 论文下载

内容摘要

基于视觉人体运动分析,是指如何从变化的场景中不同时刻的图像里提取出人体的位置、运动、姿态等信息,它在姿态识别、语义分析、行为理解、虚拟现实、智能监控、人机交互、运动分析等方面具有广泛的应用前景和潜在的经济价值。近年来,人体运动的视觉分析受到国内外学术界和企业界的广泛关注,发展至今已有两大类常用的研究方法,一类是基于模型的人体运动分析,一类是基于学习的人体运动分析。但作为计算机视觉领域中的一个热点和难点,该研究仍然有很多理论与技术问题需待解决。在基于模型的人体运动分析方法中,还没有一种方法能够描述模型投影与图像特征的解析关系;在人体运动的估计和跟踪中,初始帧的初始点都需要手工标记;跟踪过程中,运动模型比较单一;在基于学习的人体运动中,适合于人体运动的机器学习亟需发展研究。根据目前基于视觉的人体运动分析的研究现状和特点,本论文对图像的特征提取、表达、卷积曲面三维重建、确定性优化算法、滤波跟踪算法、机器学习理论等进行了深入的研究和探索,在人体建模、初始化、运动跟踪、以及机器学习等方面开展了创新性的工作,主要体现在以下几方面:1.提出卷积曲面与卷积曲线在正交投影和弱透视投影下的对应定理,将卷积曲面引入人体运动分析。针对以往的研究中人体模型投影与图像特征缺乏解析关系这一缺点,提出卷积曲面与卷积曲线在正交投影和弱透视投影下的对应定理,将卷积曲面引入人体运动建模,通过某种函数沿着连接刚体进行积分得到表达人体模型的卷积曲面,然后用卷积曲线对图像轮廓进行建模,通过卷积曲线对图像轮廓线的拟合求得人体运动参数。2.提出了一种人体关节点的自动定位的方法。针对以往工作中初始关键点需要手工标记的缺点,提出了一种人体关节点的自动初始化方法,通过图像中人体区域的自身特点,自动的找到头顶点,中心点以及四肢点的初始位置,在关键点自动定位的基础上,给出漏检点预测机制;并构造出三维骨架与图像人体区域骨骼线的相似度,最后通过确定性优化算法恢复三维运动。3.给出一个两层的滤波框架,将交互式多模型(IMM)引入长序列图像的三维人体运动跟踪中。针对在单一模型下人体运动跟踪效果不好的缺点,将交户式多模型(IMM)引入三维人体运动跟踪中,同时从三维人体运动的真实数据中学习到各关节的运动约束,以及用岭回归方法训练出不同动作的多个运动模型,最后利用交互式多模型框架来解决人体运动跟踪问题。4.提出共享动态隐变量模型并将其应用于人体运动跟踪。为了将状态跟踪局限在低维空间内进行,推导出共享动态隐变量模型,求出观测向量与状态向量的低维共享动态隐变量,通过离线的训练得状态方程、观测方程与重建方程,然后使用在线的粒子滤波器进行低维的隐变量跟踪,最后实现高维的重建。5.从理论上探讨了共享隐结构模型的实质,并证明其与经典主分量分析的等价性。针对经典的共享隐结构算法需要使用确定性优化算法或者EM算法求解,初值的设定以及优化速度精度,很难控制这一特点,给出共享隐变量模型的解析式,证明了高斯过程共享隐变量模型等价于经典主分量分析方法,即可以用主分量分析方法作为共享隐变量模型的解析式。

全文目录

摘要  4-6
ABSTRACT  6-13
第一章绪论  13-31
  1.1 引言  13
  1.2 研究背景与现状  13-16
  1.3 基于模型的人体运动分析综述  16-21
    1.3.1 人体模型  17-18
    1.3.2 图像特征的选择  18
    1.3.3 人体先验信息  18-19
    1.3.4 人体运动跟踪  19-21
  1.4 基于学习的人体运动分析综述  21-22
    1.4.1 图像特征  21
    1.4.2 基于学习的人体运动方法  21-22
  1.5 研究存在的难点与挑战  22-25
  1.6 本论文的研究工作与创新  25-29
    1.6.1 利用卷积曲面进行人体建模以及姿势恢复  26-27
    1.6.2 自动的关节点提取以及基于关节点的人体运动估计  27
    1.6.3 交互式多模型（IMM）引入三维人体运动跟踪中  27-28
    1.6.4 共享动态隐变量模型用于人体运动跟踪  28
    1.6.5 共享隐变量模型的解析式  28-29
  1.7 本论文结构  29-31
第二章三维人体运动模型  31-40
  2.1 投影模型  31-34
  2.2 人体骨架模型  34-39
    2.2.1 人体骨架运动的欧拉角描述  34-37
    2.2.2 人体骨架运动的四元数描述  37-39
  2.3 本章小结  39-40
第三章图像特征的提取与描述  40-46
  3.1 图像特征的提取与描述综述  40-41
  3.2 人体区域前景分割以及边界平滑  41-44
  3.3 人体轮廓的描述  44-45
  3.4 本章小结  45-46
第四章卷积曲面人体运动模型以及姿态恢复  46-67
  4.1 卷积曲面的综述以及基本原理  46-50
    4.1.1 卷积曲面  47-50
    4.1.2 卷积曲线  50
  4.2 卷积曲面和卷积曲线投影对应关系  50-55
  4.3 卷积曲面人体模型  55-59
  4.4 关节点角度参数估计  59-65
    4.4.1 目标函数的确定与约束函数  59-60
    4.4.2 非线性优化问题  60
    4.4.3 初值选择问题  60
    4.4.4 实验结果以及分析  60-65
  4.5 本章小结  65-67
第五章基于骨架连接点运动的人体姿势估计  67-83
  5.1 基于模型的自动定位方法  67-74
    5.1.1 图像人体区域关节点自动定位  69-73
    5.1.2 遮挡点预测机制  73-74
  5.2 基于确定性优化方法姿势恢复  74-77
  5.3 实验结果以及分析  77-81
  5.4 本章小结  81-83
第六章长序列图像三维人体运动分析与跟踪  83-104
  6.1 研究现状概述  83-84
  6.2 交互式多模型框架  84-89
    6.2.1 扩展卡尔曼滤波器  85-87
    6.2.2 交互式多模型算法  87-89
  6.3 人体运动中交互式多模型方法的实施  89-92
    6.3.1 基于例子的多运动模型学习  89-90
    6.3.2 观测方程的Jacobian 矩阵  90-92
  6.4 实验验证  92-103
    6.4.1 真实图像序列实验  92-98
    6.4.2 仿真图像序列实验  98-103
  6.5 本章小结  103-104
第七章共享动态隐变量模型与人体运动分析  104-130
  7.1 现有的方法综述  104-107
    7.1.1 基于学习的人体运动的方法综述  105
    7.1.2 相关的学习算法描述  105-107
  7.2 共享动态隐变量模型(SLDM)  107-112
    7.2.1 基本映射模型  107-109
    7.2.2 共享动态隐变量的存在性条件  109-110
    7.2.3 均值预测(Mean Prediction)  110-112
    7.2.4 SLDM 模型与其他算法的不同点  112
  7.3 共享动态隐变量模型在人体运动中的实施  112-114
    7.3.1 共享动态隐变量离线训练  112-113
    7.3.2 隐变量空间的在线跟踪  113-114
  7.4 共享动态隐变量模型的实验验证  114-129
    7.4.1 GPDM 和SLDM 在功能上的不同  114-117
    7.4.2 仿真图像序列跟踪  117-123
    7.4.3 真实图像序列跟踪  123-129
  7.5 本章小结  129-130
第八章共享隐变量模型的解析方法研究  130-140
  8.1 相关的工作综述  130-131
  8.2 共享隐变量解析方法  131-134
    8.2.1 共享隐变量模型与PCA 的等价性  131-133
    8.2.2 共享隐变量的岭回归  133-134
  8.3 共享隐变量解析方法实验  134-139
  8.4 本章小结  139-140
总结与展望  140-143
参考文献  143-153
攻读博士学位期间发表论文与申请专利情况  153-154
致谢  154-155

非标定单目序列图像的三维人体运动分析

内容摘要

全文目录

相似论文