单一深度图像人体部位识别

摘要

人体姿态识别是计算机视觉领域中一个重要的研究方向，已经在人机交互、智能监控等多个行业中得到了广泛应用。对视频中运动人体部位的准确识别，可为人体姿态识别研究奠定基础，从而降低人体行为分析难度。为了避免光照强度、阴影、物体纹理等外界因素的干扰和减少人体部位匹配模型自身误差的影响，本文基于深度图像，采用特征分类的方式将人体部位识别问题转换成部位像素点的分类问题。为聚集部位像素点的分类信息，通过聚类算法实现部位关节点预测，然后提取人体三维骨架图，作为人体部位识别最终输出结果。
　　本文的主要研究内容可分为以下几个方面:
　　1.鉴于目前没有公开的人体部位标记样本库，为了解决人体部位识别缺少训练数据的问题，本文引用CMU运动捕捉数据库动作序列，通过Kinect传感器获取深度图像，采用人工标记法自行构建人体部位标记样本库。考虑到人体体型受性别、胖瘦、着装差异等因素影响，所以本样本库数据源由多个不同体型的采样对象在真实场景中采集得到。
　　2.为了提高人体部位识别准确率，以深度差分特征为基础，引入人体部位尺寸因子，采用随机森林算法构建分类模型。通过实验表明，采用改进型分类模型识别人体部位时具有更高的部位识别准确率。
　　3.为了预测部位关节点和提取人体三维骨架图，本文首先基于Mean shift算法，结合人体部位尺寸因子，提出带宽自适应部位大小的改进型Mean shift部位关节点预测算法;然后根据人体生理结构，用直线连接相连部位关节点，再融合深度信息，最终完成人体三维骨架图的提取。通过实验表明，采用改进型Mean shift算法对部位关节点预测正确率具有一定的改善作用。

目录

声明

摘要

第1章 绪论

1．1 人体部位识别研究背景及意义

1．2 人体部位识别国内外研究现状

1．3 论文研究内容

1．4 论文组织结构

第2章 基于深度图像人体部位标记样本库构建

2．1 深度图像基本概念及其获取技术

2．1．1 深度图像基本概念

2．1．2 深度图像获取技术

2．2 深度图像样本库构建方法

2．2．1 软件合成法

2．2．2 人工标记法

2．3 人体部位标记样本库构建

2．3．1 构建思路

2．3．2 构建结果

2．4 本章小结

第3章 基于特征分类人体部位识别

3．1 基于特征分类人体部位识别算法

3．1．1 决策树算法

3．1．2 随机森林算法

3．2 深度特征提取

3．2．1 深度差分特征

3．2．2 改进型深度差分特征

3．2．3 人体部位尺寸特征

3．3 基于随机森林分类模型

3．3．1 随机森林分类模型训练

3．3．2 随机森林分类模型测试

3．4 基于改进特征人体部位识别

3．5 人体部位识别实验结果与分析

3．5．1 分类模型最优参数设定

3．5．2 深度特征分类结果比较

3．6 本章小结

第4章 人体部位关节点预测

4．1 人体部位关节点预测算法

4．1．1 质心法

4．1．2 Meall shiR算法

4．2 改进型Mean shift算法

4．3 人体部位关节点预测实验结果与分析

4．3．1 关节点预测最优参数设定

4．3．2 部位关节点预测结果比较

4．4 本章小结

第5章 结束语

5．1 论文工作总结

5．2 存在的问题与进一步研究方向

参考文献

致谢

攻读学位期间参加的科研项目和成果