基于人工神经网络的人体运动跟踪

摘要

本文主要研究了基于神经网络的人体运动跟踪技术，分别对人体运动检测、运动图像预处理、特征提取、特征空间变换、神经网络的设计及应用分类等方面进行了研究。 人体运动检测好坏对于以后各个环节的处理有很大的影响，本文采用了基于亮度的背景减除方法进行运动检测，取得较好效果。特征提取和特征空间变换是研究的一个重点内容，本文将人体轮廓作为人体运动姿态的特征，从而把人体运动转化为随时间变化的静态的人体轮廓序列，然后通过计算质心到轮廓的距离将二维特征信号转化为一维距离信号。为了减少特征空间的模式维数，降低神经网络的复杂度，本文应用了主分量分析法和独立分量分析方法将高维空间转换为低维空间信号，并进行了特性比较。在运动姿态分类识别具体方法中，主要研究了人工神经网络的方法，实验结果表明，神经网络方法作为运动姿态分类器，具有较好鲁棒性和识别效果。

目录

文摘

英文文摘

独创性声明及关于论文使用授权的说明

第1章绪论

1.1研究背景

1.2研究现状

1.3本文研究内容及结构安排

第2章研究现状

2.1主要应用领域

2.1.1运动分析

2.1.2高级用户接口

2.1.3虚拟现实

2.1.4智能监控

2.1.5步态身份识别

2.2 跟踪方法

2.2.1线条图形法

2.2.2平板模型

2.2.3二维轮廓

2.2.4动态曲线法

2.2.5基于超二次曲面模型

2.2.6基于动作规律性

2.2.7区域块法

2.3本章小结

第3章运动检测

3.1运动检测常用方法

3.1.1背景减除法

3.1.2光流法

3.1.3时间差分法

3.1.4统计方法

3.2基于亮度转换的背景减除法

3.3本章小结

第4章运动图像预处理

4.1预处理框架

4.2运动图像形态学处理

4.3归一化处理

4.4本章小结

第5章特征提取及空间变换

5.1图像分割

5.1.1图像分割概述

5.1.2图像分割方法

5.2图像表示

5.3特征提取

5.3.1图像特征的概念和形式

5.3.2特征提取方法

5.3.3轮廓特征一维描述

5.4特征空间变换

5.4.1主分量分析

5.4.2独立分量分析法

5.4.3主分量分析法与独立分量分析法比较

5.5运动周期性分析

5.6本章小结

第6章神经网络分类识别

6.1神经网络概述

6.2神经网络的基本特征

6.3 BP网络

6.3.1 BP网络结构

6.3.2 BP网络特性

6.3.3激励函数

6.3.4误差能量函数及学习算法

6.3.5改进的BP算法

6.4神经网络的训练与识别

6.5实验结果与结论

6.6本章小结

总结

参考文献

攻读硕士学位期间发表和投出的学术论文

致谢