隨著社會的進步與物質(zhì)文化水平的提升,人們越來越重視日常娛樂、健身等需求�？梢栽诩彝ゼ吧鐓^(qū)方便使用的人體運動評價系統(tǒng)能很大程度上提升娛樂健身的樂趣與體驗�，F(xiàn)有的人體動作分析方法多是基于可穿戴設(shè)備等專業(yè)系統(tǒng),它們價格昂貴,使用不便。而近年廣受關(guān)注的消費級深度相機在人體運動分析上能在一定場景替代一些專業(yè)設(shè)備,且使用方便。針對有規(guī)律的人體連續(xù)動作評價問題,本文利用深度相機分別從人體目標跟蹤、人體骨架模型矯正、人體動作特征描述及人體動作評分方法等四個方面展開研究。本文的主要工作及創(chuàng)新點如下:(1)根據(jù)Kinect深度圖像的特點,提出一種改進的結(jié)合Kalman濾波器的Meanshift人體目標跟蹤方法。首先分析了傳統(tǒng)的Kalman-Meanshift方法在深度圖像中跟蹤人體目標時出現(xiàn)“近物跳變”與“遠物跳變”缺陷的原因。針對這兩種缺陷,分別提出了基于深度值變化的跟蹤模板更新方法與基于人體目標檢測與障礙物屏蔽的再跟蹤方法,解決了有障礙物干擾時出現(xiàn)的跟蹤框跳變現(xiàn)象,提高了深度圖像中人體目標的跟蹤準確率。(2)基于關(guān)節(jié)點線性運動模型,提出了一種基于Kalman濾波器的關(guān)節(jié)點預測矯正方法。首先分析了Kinect骨架模型在人體肢體相互交叉、遮擋或人體作大幅度動作時部分關(guān)節(jié)點瞬間遠距離跳變的問題。對易跳變關(guān)節(jié)點建立線性運動模型,利用Kalman濾波器輸出的預測位置進行關(guān)節(jié)點跳變的判斷與矯正,從而獲取更準確的Kinect關(guān)節(jié)點位置。(3)為了更準確的進行人體動作評價,提出了一種基于人體關(guān)節(jié)點間幾何特征與平面法線方向的特征描述子。首先使用9個人體關(guān)節(jié)點構(gòu)造三角形的相對面積和三角形所在平面法線方向與豎直方向的夾角作為特征,然后用特征的變化速率自適應地對各特征進行加權(quán),得到最終的帶權(quán)值的特征描述子。實驗表明所提出的特征描述方法相較其他特征方法能更準確描述人體動作變化。(4)基于模板比對的思想,提出了一種基于改進DTW算法的人體動作評價方法。首先介紹了一種考慮一階與二階微分的DTW改進方法,以提高特征序列的匹配準確性,然后由標準動作與對比動作的DTW距離與專家評分進行距離-分數(shù)的對應,從而給出對比動作的評分。實驗表明,基于改進DTW算法的人體動作評價方法能較好地對人體動作給出量化評價,且評價準確性較基于傳統(tǒng)DTW的方法更好。
【學位單位】：杭州電子科技大學
【學位級別】：碩士
【學位年份】：2018
【中圖分類】：TP391.41;TN713
【部分圖文】：

杭州電子科技大學碩士學位論文基礎(chǔ)上做了一些軟硬件上的增強，主要是彩色相機的像素提高到了，深度相機的有效距離范圍更大，精度更高。同時，適用于 Kinec相較于 1 代的版本多出了 5 個人體關(guān)節(jié)點，達到了 25 個。并且新了簡單的手勢信息，各關(guān)節(jié)點的抗干擾能力更強。度信息是 Kinect 傳感器的主要特點。Kinect1.0 的深度圖像原理是通射裝置與一個紅外傳感器而組成，紅外發(fā)射器向空間中發(fā)射散布在線，紅外傳感器對物體上的紅外光散斑進行捕獲，即可得到每個位Kinect2.0 的深度信息更加準確，是因為其在原理在做了改進，K設(shè)備的紅外發(fā)射裝置基礎(chǔ)上，利用了飛行時間測距法（Time of Fligh

圖 2.2 標準 Kalman 濾波器算法示意圖Kalman 濾波器在目標跟蹤問題中也發(fā)揮了很大作用。在應用 Meanshift圖像目標跟蹤時，圖像背景干擾或目標被大面積遮擋會造成跟蹤失敗，的方法是在原有算法基礎(chǔ)上引進 Kalman 濾波器，對目標質(zhì)心建立運動利用 Kalman 濾波器的位置預測能力來解決跟蹤失敗。對于目標顏色變的跟蹤失敗，一般采用模板更新的方法來解決。如 Fu 等[44]在均值漂移算法的基礎(chǔ)上結(jié)合了最小二乘支持向量機(ares Support Vector Machine, LSSVM)和 Kalman 濾波進行抗遮擋跟蹤，用來判斷目標是否出現(xiàn)大面積遮擋，當無遮擋或者遮擋面積較小就用 Ka器預測目標位置，當遮擋面積過大，就用 LSSVM 來預測目標位置，較了運動目標遮擋檢測和跟蹤的問題。Hsieh 等[45]在利用均值漂移算法跟，用 Kalman 濾波器預測目標位置，以作為背景干擾的判斷機制，當遇背景干擾而跟蹤失敗，即利用自適應增強（Adaptive Boosting, Adaboos新檢測出目標，完成再跟蹤。李文輝等[46]利用結(jié)合粒子濾波的均值漂移行人跟蹤，自適應的選取與目標附近顏色差別最大的部分作為目標模板

杭州電子科技大學碩士學位論文近，此時，會出現(xiàn)目標跟蹤框 “跳變”至障礙物區(qū)域的情況，造成跟蹤失敗，如圖 2.3 所示。在圖 2.3(a)中，Meanshift 跟蹤框(紅色矩形框)內(nèi)為正在跟蹤的人體目標，且該人體正走向一較大的障礙物，跟蹤框準確跟蹤人體。而在圖 2.3(b)中，由于行人非常靠近障礙物，Meanshift 出現(xiàn)了誤跟蹤的情況。在該幀里，跟蹤框“跳變”到障礙物區(qū)域，導致跟蹤失敗，稱這種情形為“近物跳變”。
【參考文獻】

相關(guān)期刊論文 前4條

1 曹昊;諸宸辰;李楊;;一種深度圖像中人體的實時跟蹤算法[J];計算機工程;2013年09期

2 楊旗;薛定宇;;基于雙尺度動態(tài)貝葉斯網(wǎng)絡(luò)及多信息融合的步態(tài)識別[J];電子與信息學報;2012年05期

3 李文輝;周強;王瑩;張德才;;基于均值偏移粒子濾波的自適應跟蹤[J];吉林大學學報(工學版);2012年02期

4 趙曉東;李其攀;王志成;;一種快速人體骨架建模方法[J];計算機應用研究;2012年01期

本文編號：2863405