学位论文 > 优秀研究生学位论文题录展示

基于多体感设备的人体行为识别

作　者: 吴勇
导　师: 李蔚清
学　校: 南京理工大学
专　业: 计算机应用技术
关键词: Kinect 标定 骨架模型 数据融合 卡尔曼预测 行为识别
分类号: TP391.41
类　型: 硕士论文
年　份: 2014年
下　载: 36次
引　用: 0次
阅　读: 论文下载
 

内容摘要


随着体感设备的成功推出和普及,基于多体感设备的人体行为识别在智能监控,人机交互,人体运动分析等领域得到广泛应用。基于多个体感设备进行数据融合可以解决运动跟踪中的数据不完备等问题。在本论文中,我们对多体感设备的标定,人体运动的描述方法,人体运动数据的融合以及人体行为识别等方面做了细致的分析和研究,并取得了以下成果：(1)研究分析摄像机标定技术。本文首先详细分析了基于针孔模型的摄像机标定的基本原理。在此基础上建立了双目摄像机的成像模型,设计实现了基于张正友标定法的双体感设备摄像头的标定算法,并完成了标定工作。(2)人体运动描述方法的研究。本文首先研究体感设备获取人体运动数据的原理,基于人体运动数据提出了一种描述人体拓扑结构的层次骨架模型并提出了关节点空间取向的计算方法,最后建立了一种符合人体拓扑结构的统一的全局骨架模型并提出了骨架模型的生理与运动约束。(3)人体运动数据的融合研究。本文首先从体感设备的参数进行分析,提出了一种基于Kinect可信度参数的运动数据滤波算法,处理运动数据。在此基础上提出了基于关节点变权重计算的数据融合算法,完成数据融合工作。最后通过分析建立的人体运动模型,提出了基于改进的卡尔曼滤波器预测关节点三维空间坐标位置算法,预测未能捕获的关节点运动数据。实验结果证明通过采用上述算法能够较好的呈现每一帧中人体行为所对应的完整骨架模型。(4)人体行为识别的研究。本文首先分析主成分分析方法,对运动数据降维,提取运动数据的特征。在此基础上,分析SVM分类算法的基本原理,并对SVM多类分类算法进行研究。设计了一种基于PCA与SVM方法相结合的人体行为识别方法,实验结果证明上述算法能够有效稳定的识别人体行为。

全文目录


摘要  3-4
Abstract  4-8
1 绪论  8-14
  1.1 研究背景与意义  8-9
  1.2 国内外研究现状  9-12
    1.2.1 运动捕获技术研究现状  9-11
    1.2.2 三维人体行为识别技术研究现状  11
    1.2.3 多体感设备的研究现状  11-12
  1.3 课题来源  12
  1.4 本文主要研究内容  12
  1.5 本文组织安排  12-14
2 多体感设备的标定  14-22
  2.1 Kinect摄像头标定的意义  14
  2.2 标定基本原理  14-18
    2.2.1 标定系统的坐标系定义  14-16
    2.2.2 基于针孔模型的摄像机标定原理  16-18
  2.3 基于双Kinect的成像模型  18-19
  2.4 基于双Kinect的标定实验  19-21
  2.5 本章小结  21-22
3 人体统一骨架模型建模  22-32
  3.1 Kinect骨骼关节点运动数据获取原理  22-23
  3.2 人体运动描述  23-25
    3.2.1 基于Kinect骨骼数据的层次骨架模型  23-24
    3.2.2 关节点旋转变化原理  24-25
  3.3 运动数据的转换  25-29
    3.3.1 关节点空间取向分析  26-27
    3.3.2 人体关节点的旋转矩阵  27-28
    3.3.3 人体关节点欧拉角计算  28-29
  3.4 人体骨架模型的建模  29-31
    3.4.1 统一的全局骨架模型建立  29-30
    3.4.2 骨架模型的生理与运动约束  30-31
  3.5 本章小结  31-32
4 基于多体感设备的人体运动数据融合  32-50
  4.1 基于Kinect可信度参数的运动数据滤波  32-33
  4.2 多体感设备人体运动数据融合  33-38
    4.2.1 多源数据融合概述  34
    4.2.2 基于关节点变权重计算的数据融合算法  34-38
  4.3 基于卡尔曼滤波器的关节点三维空间坐标位置预测  38-42
    4.3.1 目标运动模型的建立  38-39
    4.3.2 一般卡尔曼滤波器预测原理  39-40
    4.3.3 基于改进的卡尔曼滤波器预测关节点三维空间坐标位置  40-42
  4.4 基于多体感设备的人体运动数据处理步骤  42-43
  4.5 实验结果与分析  43-49
  4.6 本章小结  49-50
5 基于多体感设备的三维人体行为识别  50-64
  5.1 基于主成分分析方法的人体运动数据特征提取  50-54
    5.1.1 主成分分析方法的基本定义和性质  50-51
    5.1.2 从标准化变量得到主成分  51-52
    5.1.3 样本主成分获取方法  52-53
    5.1.4 人体运动数据特征提取算法基本步骤  53-54
  5.2 基于支持向量机的分类算法  54-58
    5.2.1 SVM的核函数  55-56
    5.2.2 SVM多类分类器算法  56-58
  5.3 基于人体运动数据库的行为识别  58-63
  5.4 本章小结  63-64
6 总结与展望  64-66
致谢  66-67
参考文献  67-71
附录  71

相似论文

  1. 我国典型低挥发分煤热解成分的定量分析,TQ530.2
  2. 基于微型无人平台导航多传感器信息融合算法研究,V249.32
  3. 多传感器组网及反隐身、抗干扰接力跟踪技术研究,TN953
  4. 有标记点的人体三维运动数据获取方法的研究,TP391.41
  5. PCB视觉检测系统中相机标定算法与位姿测定技术,TP391.41
  6. 晶圆传输机器人关键控制技术研究,TP242.2
  7. 海上平台消防系统研究,U698.4
  8. 基于OpenCV的集装箱加强板焊接自动定位系统的开发,U169
  9. 高压共轨技术在柴油发动机开发中的应用研究,TK42
  10. 基于线特征的相机标定与定向方法研究,TP391.41
  11. 无线传感器网络的目标定位跟踪算法研究,TN929.5
  12. 基于MEMS陀螺的惯性测量单元的标定与应用,V241.5
  13. 家蚕HSP基因的表达调控研究,S881.2
  14. 双目立体视觉关键技术研究,TP391.41
  15. 基于数据融合技术舞台故障诊断方法的研究,TP18
  16. 基于视觉的人体行为检测识别研究,TP391.41
  17. 基于视觉的运动人体行为分析,TP391.41
  18. 基于可见光与红外汽车夜视系统目标测距,TP391.41
  19. 基于全方位视觉的多运动目标检测、跟踪与定位,TP391.41
  20. 双目立体视觉中摄像机自标定方法研究,TP391.41
  21. 浮动车数据在城市道路交通事件检测中的应用研究,U491.116

中图分类: > 工业技术 > 自动化技术、计算机技术 > 计算技术、计算机技术 > 计算机的应用 > 信息处理（信息加工） > 模式识别与装置 > 图像识别及其装置
© 2012 www.xueweilunwen.com