基于Kinect骨架信息的人体动作识别

摘要

在机器视觉领域中，关于“人体运动”的研究一直在不断地进行着，从最初的人体检测和定位、人体运动跟踪，到现在的人体姿态识别、人体动作识别，甚至行为理解。研究起初，研究人员对普通二维图像包括灰度和彩色图像做了大量的研究，尽管设计出各种先进的图像处理算法，但是仍无法避免一些噪音问题，如光照、颜色、纹理、遮挡等。在硬件技术和学术理论的推动下，学者们的目光不在局限于普通图像，而是寻找新的图像表达方式，如X光图像，红外线图像，希望从这些图像中挖掘出普通图像所没有的数据。近几年来，深度图像也走进了研究人员的视野，图像中的每个像素表示场景中的某一个点到摄像机的距离，换句话说，深度图像可以直接从三维空间获得场景的三维数据，相比利用普通图像进行三维重建，它帮助研究人员快速而方便地走进三维世界。实际上，深度图像也属于计算机视觉的研究范畴，只不过数据的表达方式不同，因此很多现有的图像处理算法是可以借鉴和扩展的。本文在深度图像的基础上，对人体运动特征模型和识别算法进行了研究，为动作识别研究提供了一种新的思路和方法。本文主要工作如下:
　　(1)对人体动作识别的背景及意义，研究现状进行了概括，分析了目前动作识别所面临的问题，分析了深度图像应用于动作识别的可行性，为本文的研究提供了基本思路。
　　(2)本文采用微软Kinect体感摄像头获取深度图像，并结合其SDK得到了20个三维人体骨架关节点。在此基础上，分析了人体关节的运动特性，提出了一种关节角度变化序列的运动特征模型。该模型复杂度低，计算简单，具有组合性。
　　(3)对现在主流的识别算法进行了介绍。在设计分类器方面，本文并没有单纯得套用复杂先进的识别算法,而是在详细分析运动模型的特点之后，决定采用动态时间规整算法(DTW)。然而，传统的DTW算法并不能总是得到满意的匹配效果，因此本文也针对其缺点提出了一种改进算法，大大提高了匹配的准确性。
　　(4)针对模板匹配所耗费的时间代价，本文采用并行计算提高计算速度，并结合大量的实验分析，展示了本文动作识别算法的有效性和鲁棒性。
　　论文最后总结全文的研究工作，并对下一步的目标和研究方向进行了讨论和展望。

目录

声明

摘要

第一章 绪论

1．1 研究背景及意义

1．2 研究现状

1．2．1 人体检测的研究现状

1．2．2 人体跟踪的研究现状

1．2．3 人体动作识别的研究现状

1．3 论文的研究内容及创新点

1．3．1 论文研究内容

1．3．2 主要创新点

1．4 论文的结构安排

第二章 基于Kinect的深度图像的获取

2．1 引言

2．2 Kinect简介

2．2．1 Kinect硬件介绍

2．2．2 Kinect SDK介绍

2．3 深度图像的获取

2．4 深度图像的表示

2．5 小结

第三章 基于骨架信息的运动特征提取

3．1 引言

3．2 人体运动特征提取方法

3．3 基于3D骨架的运动特征提取

3．3．1 静态姿态的特征提取

3．3．2 动态运动的特征提取

3．4 小结

第四章 基于DTW的识别分类器设计

4．1 引言

4．2 主流的识别算法

4．2．1 模板匹配的方法

4．2．2 基于语法的方法

4．2．3 概率统计的方法

4．3 基于DTW的识别算法

4．3．1 DTW算法的原理

4．3．2 传统DTW的缺点

4．3．3 改进的DTW算法

4．4 小结

第五章 人体动作识别的实验与分析

5．1 引言

5．2 基于改进DTW的动作识别

5．3 Matlab并行计算

5．4 结合并行计算的人体动作识别

5．5 小结

第六章 总结与展望

6．1 总结

6．2 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论文