文摘
英文文摘
声明
第一章 绪论
1.1 论文的研究背景
1.1.1 第四代人机自然交互与通信
1.1.2 运动捕捉是第四代人机交互中的关键技术之一
1.1.3 运动捕捉在其它领域的应用
1.2 运动捕捉的研究现状
1.2.1 运动捕捉系统分类
1.2.2 基于视觉的人体运动捕捉
1.3 论文的主要内容和结构安排
1.3.1 论文的主要内容
1.3.2 论文的结构安排
第二章 人体运动捕捉与姿态估计的技术综述
2.1 难点所在
2.2 运动目标提取与跟踪
2.2.1 时间差分
2.2.2 背景减除
2.2.3 光流法
2.2.4 活动轮廓
2.2.5 基于马尔可夫随机场的方法
2.2.6 均值漂移(Mean shift)
2.2.7 粒子滤波
2.3 姿态估计
2.3.1 基于模型的人体姿态估计
2.3.2 无模型的姿态估计方法
2.4 基于视觉运动捕捉的趋势和发展方向
第三章 基于活动轮廓的运动目标提取
3.1 对GMM方法、MRF-MAP方法和活动轮廓方法的分析
3.1.1 基于GMM的背景减除方法
3.1.2 基于马尔可夫随机场的最大后验概率方法[MRF-MAP]
3.1.3 基于括动轮廓的方法
3.2 多约束GMM背景模型的活动轮廓运动目标提取方法[MC-GMM-Active Contours]
3.2.1 基于GMM背景模型的活动轮廓
3.2.2 引入对前景颜色模型的描述
3.2.3 引入阴影消除项
3.3 Level Set框架下轮廓的演化和跟踪(能量函数的最小化)
3.3.1 引理和命题
3.3.2 能量函数的微分形式
3.3.3 基于Level Set的曲线演化
3.3.4 水平集数值解及快速算法-----加性算子分裂法(AOS)
3.4 实验
3.5 小结
第四章 基于马尔可夫随机场和自适应能量模型的姿态估计
4.1. 相关问题
4.1.1 马尔可夫随机场(Markov Random Fields)
4.1.2 马尔可夫随机场最小能量的求解---切图算法(Graph Cuts)
4.2 三维重建及数据的表示
4.3 人体骨架模型及姿态参数
4.4 基于三维动态马尔可夫随机场和自适应能量模型的运动捕捉算法
4.4.1 Sun工作的分析[3D-DMRF]
4.4.2 算法的改进
4.4.3 基于三维马尔可夫随机场和自适应距离能量模型的运动捕捉算法细节[M-MRF-DEM]
4.5 实验
4.6 小结
第五章 基于3D活动轮廓的人体运动捕捉
5.1 基于3D活动轮廓的三维体素数据重建
5.2 基于3D活动轮廓的人体运动捕捉
5.2.1 能量函数的基本构成
5.2.2 人体运动先验约束项
5.2.3 能量函数的优化
5.3 实验
5.4 小结
第六章 基于2D活动轮廓的强先验分割与姿态估计
6.1 问题的提出
6.2 基于形状先验的分割
6.3 基于2D活动轮廓的强先验分割与姿态估计
6.3.1 运动目标分割的简单回顾
6.3.2 人体模型的引入
6.3.3 能量函数的优化
6.4 实验
6.5 小结:
第七章 总结与展望
7.1 本文的研究成果
7.2 下一步工作的展望
7.3 结束语
参考文献
攻读博士学位期间撰写论文及参与的研究课题
附录
致 谢