基于计算机视觉的人体运动分析

摘要

基于计算机视觉的人体运动分析是近年来机器视觉和图像处理领域中备受关注的研究方向。人体运动分析系统通常涉及到图像预处理，目标检测、跟踪和识别，以及运动的理解和描述。开发计算机视觉的主要目的是使计算机和人进行顺畅的交流，并理解人的语言、手势和其他动作，进一步的可超越人类大脑所能完成的任务。人体运动分析在虚拟现实、智能监控、人机交互、视频检索、医疗诊断等领域具有广阔的应用前景与经济价值。然而，由于人体运动复杂性和特殊性的限制，使得该研究仍处于初级阶段。例如在运动跟踪过程中，实验人员需要手动标记初始帧的初始点;在动作识别方面，适用于人体运动分析的机器学习方法不够完善。
　　结合目前人体运动分析的研究现状和特点，本文主要研究固定背景下基于单目视觉的人体运动分析系统，在视频序列中对于运动目标检测、人体动作识别和目标跟踪方法等方面开展了创新性工作。本文所做的研究工作主要包括:
　　1.在运动目标检测方面，对当前运动目标检测技术进行了总结，并给出了部分算法的实验结果，重点分析了单目摄像机下的背景差分法。通过背景差分法获取初步的人体轮廓，为了获取较为平滑的目标轮廓，利用数学形态学去除噪声，并加入图像连通域大小的判断算法，设定一个特定阈值，将小于该阈值的噪声块连通域去除。
　　2.在人体动作识别方面，本文选取了10个人体运动特征，包括最小外界矩形宽高比、矩形度、圆形度、7个Hu不变矩。选用人体运动特征的标准是抗噪性强、区分明显等特点。然后使用SVM对三类人体运动图像进行分类识别，通过交叉验证和参数寻优后，识别准确率有明显提升。
　　3.在运动目标跟踪方面，给出了融合Mean Shift和卡尔曼滤波的具体跟踪算法，并绘出行走动作的轨迹跟踪线。为了客观的评价融合Mean Shift和卡尔曼滤波算法跟踪效果，计算出实际人体中心点与Mean Shift算法跟踪点之间的欧氏距离，再将欧氏距离数组分别与原始图像的对角线像素距离做除法运算。
　　最后，在Visual C++6.0环境下编程了实现人体运动分析系统。实验结果表明，作者提出的动作识别算法识别准确率较高，人体跟踪算法效果较传统的MeanShift算法有明显的提高。

目录

声明

致谢

摘要

1 引言

1．1 选题的背景和意义

1．2 国内外的研究现状

1．3 人体运动分析方法概述

1．3．1 基于特征的人体运动分析

1．3．2 基于模型的人体运动分析

1．3．3 基于区域的人体运动分析

1．3．4 基于活动轮廓的人体运动分析

1．4 人体运动分析的一般性框架

1．5 本文的主要工作和各章节安排

2 运动目标检测技术研究

2．1 引言

2．2 运动目标检测技术简介

2．2．1 帧间差分法

2．2．2 背景差分法

2．2．3 光流法

2．2．4 块匹配法

2．2．5 高斯模型法

2．3 纠错处理

2．3．1 数学形态学基本算法

2．3．2 图像连通域大小判断

2．4 提取人体轮廓的算法描述

2．5 实验结果

2．6 本章小结

3 人体运动特征的识别与分析

3．1 引言

3．2 支持向量机基础理论

3．2．1 统计学习理论

3．2．2 广义最优分类面

3．2．3 支持向量机

3．2．4 LIBSVM

3．2．5 交叉验证与参数寻优

3．3 基于SVM的人体运动特征分析

3．3．1 人体运动特征

3．3．2 多类分类支持向量机

3．3．3 基于SVM的人体运动分析算法流程

3．4 实验过程与结果

3．5 本章小结

4 基于融合Mean Shift和卡尔曼滤波的目标跟踪算法

4．1 引言

4．2 非参数密度估计理论

4．2．1 非参数密度估计常用方法

4．2．2 核密度估计原理

4．2．3 核函数的选取

4．3 Mean Shift算法理论

4．3．1 多变量核函数的生成方式

4．3．2 多维空间下无参核密度估计理论

4．3．3 Mean Shift向量研究

4．4 目标跟踪中的Mean Shift算法

4．4．1 目标模型的描述

4．4．2 待测模型的描述

4．4．3 相似性函数

4．4．4 目标的确定

4．4．5 Mean Shift算法的具体步骤

4．5 卡尔曼预测的原理和应用

4．5．1 递归贝叶斯估计

4．5．2 卡尔曼滤波器理论

4．5．3 卡尔曼滤波器在运动目标跟踪中的应用

4．6 融合Mean Shift和卡尔曼滤波的目标跟踪算法

4．7 实验结果

4．8 本章小结

5 总结和展望

5．1 研究工作总结

5．2 系统算法总流程图

5．3 后续研究展望

参考文献

作者简历

学位论文数据集