静态场景中的姿态识别

摘要

视频中人体姿态识别，是计算机视觉与模式识别领域相结合的一个重要研究方向。目前已有很多关于人体姿态识别的研究，但大多基于Kinect采集的图像视频、其他专业设备采集的深度图像视频等数据，通过直接定位关节点建立人体骨架完成人体姿态识别。而实际应用中并不可能总是通过专业设备采集视频再完成识别，更多的是对通用设备拍摄视频的人体姿态识别研究。如普通场景下的安全监控，可通过通用设备拍摄视频，对视频中人体姿态识别，实现紧急情况下及时的安全报警和预测防护。现有研究中，从普通视频图像中提取人体骨架相对困难，往往采用目标区域的形状特征识别人体姿态，而没有对其提取人体形态特征加以利用，使得识别效果不够理想。 基于通用设备拍摄的视频，本文研究静态场景中单目标人体的姿态识别与行为动作检测。静态场景，是指拍摄镜头固定不动，背景中没有动态物体，但可能有树叶晃动、光照影子等影响。单目标人体姿态包括人体直立和弯曲，单目标行为动作包括走路、跑步、弯腰和起身。对现有相关研究中存在目标分离不够准确、骨架提取困难，使得识别率不高等问题，所做创新点包括： （1）针对目标的阴影去除，提出了一种基于目标区域中心点位置的阴影去除法（Shadow Removal Based on Central-point），即Central-point阴影去除法。该方法利用阴影距离目标中心点远且亮度低的特点，去除目标边沿的阴影干扰区域。经实验结果对比，Central-point阴影去除法可更准确地去除阴影区域。 （2）改进了骨架提取方法，综合利用对目标像素点按层领域计算骨架提取和形态学骨架提取两种方法，改善了前者骨架含有冗余区域、后者骨架出现断点不完整的情况，提取了连续且完整的人体骨架。 （3）提出了一种基于走向趋势的骨架单像素化法，即Dtrends（Direction trends）单像素化法。该方法通过判断当前骨架像素点和周围领域点的走向趋势是否一致，剔除了多余点，取得了较好的单像素化效果，且避免了八邻域单像素化方法存在的骨架边缘锯齿状情况。 通过相关研究和以上创新工作，得到了单像素化的人体骨架，对其分析站立和弯曲姿态特征并建模提取一组二维数据，用SVM分类完成人体姿态的识别。并结合人体姿态和人体质心的运动分析，完成行为动作检测。经实验与相关研究结果对比，本文方法取得较高的姿态识别率及行为动作检测正确率。

目录

第一个书签之前

摘要

绪论

选题背景与研究意义

研究现状

国外研究

国内研究

本文主要工作

本文结构安排

人体姿态识别方法研究

常用的人体姿态识别方法

非模型识别

基于人体模型识别

人体姿态识别系统组成

现存问题

本章小结

前景运动目标提取

常用前景目标检测法

帧间差分法

光流法

背景减除法

背景模型

均值背景模型

中值背景模型

混合高斯背景模型

运动目标的形态学研究

数学形态学

目标的形态学处理

提出的Central-point阴影去除法

目标区域中心点

目标区域L分量

Central-point阴影去除计算

阴影去除算法分析

本章小结

人体目标的特征提取

人体的质心计算

人体骨架提取

Rosenfeld提取人体骨架

形态学提取人体骨架

按层计算提取人体骨架

改进的人体骨架提取法

人体骨架单像素化

八邻域单像素化

提出的Dtrends单像素化法

人体姿态特征提取

本章小结

姿态识别及动作检测

支持向量机

基于支持向量机的人体姿态识别

SVM姿态识别系统

姿态识别实验及结果

人体动作检测

动作检测方法

动作检测实验及结果

本章小结

总结与展望

总结

展望

参考文献

作者简介

基本情况

教育背景

攻读硕士学位期间的研究成果

申请（授权）专利

申请软件著作权

参与科研项目及获奖