基于深度图像的人体轮廓识别技术

摘要

人体运动的视觉分析是近几年来的热点话题，在机器视觉领域中备受关注。它在人机交互，视频会议，医疗诊断，游戏动画，虚拟现实，以及社区，超市，银行，图像存储的安全监控等领域具有广阔的应用前景和潜在的经济价值，引起了研究人员和相关企业的极大兴趣。
　　人体轮廓识别作为人体运动视觉分析的重要组成部分，识别的准确性将直接影响到人体运动视觉分析的成功与否，因此具有重要的理论价值和广泛的应用范围。传统的人体轮廓识别技术主要基于可见光相机拍摄的RGB彩色图像，鲁棒性不高。其主要原因是易受光照变化，复杂环境和物体遮挡等因素的影响。本文主要研究在复杂动态背景下多个人体目标轮廓的快速识别技术。该方法可以作为人体姿态检测跟踪，行为识别等研究的初步工作，其研究具有较好的理论意义和工程应用价值。本文也在最后将人体轮廓的二维坐标信息转化成空间三维信息，为人体行为识别相关研究提供进一步的支持。试验表明，在实验室等复杂环境中本方法能较好的对人体目标轮廓实时识别，且不受灯光等因素的影响。
　　论文的主要研究如下:
　　(1)研究了基于快速行进的FMM修复算法以及腐蚀，膨胀等常用的图像处理算法，对深度图进行修复操作。根据深度图中像素大小与人体和摄像头距离正相关的固有特征，将图片根据深度值范围进行分割并进行轮廓检测，得到不同深度的轮廓集，完成对不同大小模板匹配的预处理工作。
　　(2)研究了模板匹配的相关技术，将轮廓的均方距离和Hu矩特征匹配技术结合对人体头部轮廓模板与实时获取的轮廓集进行匹配筛选，实现人体轮廓定位。
　　(3)研究了粗粒度并行遗传算法。将轮廓的相似度转化成遗传算法中的适应度函数，初始化若干个种群，通过自然界种群进化的思想加快搜索轮廓匹配的进程，提高人体轮廓定位的实时性。
　　(4)研究了基于点云的人体三维重建技术，建立了kinect坐标系以及图像坐标系之间转换模型，将人体轮廓的二维坐标信息转化为三维空间坐标，使用Delaunay三角剖分算法将点云三角化，实现人体姿态的三维重建，并且通过坐标运算可以实现人体部位的位移，速度的相关检测，为人体行为识别相关研究提供进一步的支持。

目录

声明

摘要

第一章 绪论

1．1 课题的研究背景和意义

1．2 国内外研究现状

1．3 论文主要研究内容

1．4 论文的章节安排

第二章 深度图像预处理技术研究

2．1 引言

2．2 深度成像技术

2．3 图像预处理

2．3．1 图像灰度化

2．3．2 图像修复

2．3．3 图像的形态学处理

2．3．4 图像分割

2．3．5 图像轮廓提取

2．4 实验结果与讨论

2．5 本章小结

第三章 人体轮廓匹配技术研究

3．1 引言

3．2 图像模板匹配算法

3．3 图像模板匹配算法分类

3．3．1 基于灰度值的模板匹配算法研究

3．3．2 基于特征的模板匹配算法研究

3．3．3 基于边缘点的模板匹配算法研究

3．4 头部轮廓模板匹配算法具体实现

3．4．1 距离变换

3．4．2 匹配相似性度量模型设计

3．5 实验结果与讨论

3．6 本章小结

第四章 人体轮廓识别实时性能优化研究

4．1 引言

4．1．1 金字塔搜索方法

4．1．2 GPU加速

4．1．3 遗传算法搜索方法

4．2 遗传算法详细介绍

4．2．1 遗传算法的基本运算过程

4．2．2 遗传算法具体实现方案设计

4．2．3 遗传算法具体实现方案优化

4．3 实验结果与讨论

4．4 本章小结

第五章 基于点云的人体三维重建技术研究

5．1 引言

5．2 kinect坐标系转换原理

5．3 Delaunay三角剖分算法

5．4 实验结果与讨论

5．4．1 坐标系转换验证实验

5．4．2 人体三维重建实验

5．5 本章小结

第六章 总结与展望

6．1 总结

6．2 进一步研究展望

致谢

参考文献