本文關(guān)鍵詞：基于隱變量概率統(tǒng)計(jì)模型的人體運(yùn)動(dòng)形態(tài)估計(jì)，由筆耕文化傳播整理發(fā)布。

【摘要】：隨著社會(huì)的現(xiàn)代化發(fā)展,圖像處理,機(jī)器學(xué)習(xí)及智能計(jì)算領(lǐng)域作為信息及計(jì)算機(jī)技術(shù)的重要分支,其研究更是日益顯得重要。人體運(yùn)動(dòng)形態(tài)估計(jì)作為這幾個(gè)領(lǐng)域的交叉熱點(diǎn)研究課題,近些年受到國(guó)內(nèi)外很多學(xué)者的關(guān)注,其已經(jīng)成功應(yīng)用于角色動(dòng)畫(huà)的制作,3D人物的立體電影制作,人體運(yùn)動(dòng)醫(yī)學(xué)診斷等等多個(gè)領(lǐng)域。人體運(yùn)動(dòng)形態(tài)估計(jì)的研究源于對(duì)物體運(yùn)動(dòng)的視頻跟蹤,目標(biāo)檢測(cè)及監(jiān)控遮擋的處理。視頻跟蹤的實(shí)現(xiàn)在于視頻里輸出簡(jiǎn)單的標(biāo)記來(lái)套著運(yùn)動(dòng)的物體。后來(lái)發(fā)現(xiàn),僅僅是做簡(jiǎn)單的標(biāo)記形狀跟蹤不能滿足我們對(duì)運(yùn)動(dòng)物體許多參數(shù)的獲取,并且人體運(yùn)動(dòng)形態(tài)估計(jì)就屬于這類(lèi)問(wèn)題的研究。由于人體運(yùn)動(dòng)形態(tài)估計(jì)和物體視頻運(yùn)動(dòng)跟蹤類(lèi)的處理有類(lèi)似的特征,而且其能進(jìn)行廣泛應(yīng)用,使我們生活多個(gè)方面受益,所以研究就進(jìn)一步發(fā)展和細(xì)化到了人體運(yùn)動(dòng)形態(tài)估計(jì),以此來(lái)獲取更多的人體運(yùn)動(dòng)信息,以滿足我們的需求。本文對(duì)人體運(yùn)動(dòng)形態(tài)估計(jì)的研究主要從隱變量概率統(tǒng)計(jì)模型入手,再結(jié)合圖像處理及智能計(jì)算的一些理論進(jìn)行。其主要核心問(wèn)題有兩個(gè),其一,利用隱變量概率統(tǒng)計(jì)模型對(duì)三維人體運(yùn)動(dòng)形態(tài)的已知高維數(shù)據(jù)樣本進(jìn)行學(xué)習(xí),然后估計(jì)出未知的三維人體運(yùn)動(dòng)形態(tài);其二,對(duì)多視角人體運(yùn)動(dòng)圖像進(jìn)行處理,提取出多視角人體運(yùn)動(dòng)的輪廓特征,利用該輪廓特征估計(jì)出其對(duì)應(yīng)的三維人體運(yùn)動(dòng)形態(tài)。本文主要工作概括如下:1.GPDM無(wú)法學(xué)習(xí)不完整步態(tài)(不足一個(gè)運(yùn)動(dòng)周期)覆蓋的人體運(yùn)動(dòng)形態(tài)樣本來(lái)對(duì)人體運(yùn)動(dòng)形態(tài)進(jìn)行估計(jì)。因此,空間約束概率估計(jì)算法的提出解決了這個(gè)問(wèn)題,其可計(jì)算出不完整步態(tài)中的缺失姿態(tài)樣本在隱變量空間的隱變量數(shù)據(jù),從而利用該數(shù)據(jù)估計(jì)出其相應(yīng)缺失姿態(tài)樣本(高維數(shù)據(jù)樣本),以此補(bǔ)全不完整步態(tài)的隱變量數(shù)據(jù)和其相應(yīng)的姿態(tài)樣本(高維數(shù)據(jù)樣本),再帶入GPDM進(jìn)行訓(xùn)練,實(shí)現(xiàn)人體運(yùn)動(dòng)形態(tài)的估計(jì)。2.為了實(shí)現(xiàn)估計(jì)出兩段不相關(guān)人體運(yùn)動(dòng)形態(tài)之間的過(guò)渡運(yùn)動(dòng)形態(tài),本文提出隱變量數(shù)據(jù)特征相似度優(yōu)化學(xué)習(xí)算法來(lái)實(shí)現(xiàn)對(duì)人體過(guò)渡運(yùn)動(dòng)形態(tài)的估計(jì)。該算法是在平衡高斯動(dòng)態(tài)模型(B-GPDM)的學(xué)習(xí)算法基礎(chǔ)上進(jìn)行改進(jìn),通過(guò)建立相關(guān)隱變量數(shù)據(jù)投影距離和投影長(zhǎng)度的目標(biāo)函數(shù),學(xué)習(xí)過(guò)程中不斷對(duì)隨機(jī)初始化的過(guò)渡運(yùn)動(dòng)形態(tài)的隱變量數(shù)據(jù)進(jìn)行優(yōu)化,即特征相似度優(yōu)化(FSO)。該模型完成學(xué)習(xí)后,可以估計(jì)出兩段不相關(guān)人體運(yùn)動(dòng)形態(tài)之間的過(guò)渡運(yùn)動(dòng)形態(tài)。3.為了更好實(shí)現(xiàn)對(duì)兩種不同的人體運(yùn)動(dòng)形態(tài)(周期性運(yùn)動(dòng)形態(tài))高維數(shù)據(jù)樣本進(jìn)行擬合,并且其中有數(shù)據(jù)樣本為不完整步態(tài)的數(shù)據(jù)樣本,本文提出一種基于正交子空間搜索的流形隱概率優(yōu)化(MLPO-OSS)算法,該算法可以增強(qiáng)不完整步態(tài)的高維數(shù)據(jù)樣本的數(shù)據(jù)擬合,從而更好的估計(jì)人體運(yùn)動(dòng)形態(tài)。4.為了從多視角運(yùn)動(dòng)圖像的輪廓特征較準(zhǔn)確的估計(jì)出相應(yīng)三維人體運(yùn)動(dòng)形態(tài),本文提出雙隱變量空間局部粒子搜索算法(DLVSLPS)。該算法用高斯過(guò)程動(dòng)態(tài)模型(GPDM)降維建立雙隱變量空間和隱變量數(shù)據(jù)到高維數(shù)據(jù)的映射關(guān)系后,然后對(duì)雙隱變量空間的低維粒子使用近鄰權(quán)重先驗(yàn)條件搜索(NWPCS)進(jìn)行局部搜索來(lái)生成較優(yōu)高維粒子,從而估計(jì)相應(yīng)幀的三維人體運(yùn)動(dòng)形態(tài)。與傳統(tǒng)的粒子濾波算法(APF,PSO-PF,PF)相比,其可以產(chǎn)生有效且正確粒子進(jìn)行估計(jì),并且有較好的性能。5.在已知少量高維數(shù)據(jù)樣本的條件下,本文提出低維空間(隱變量空間)增量學(xué)習(xí)算法從多視角運(yùn)動(dòng)圖像序列的輪廓特征較準(zhǔn)確的估計(jì)出相應(yīng)三維人體運(yùn)動(dòng)形態(tài)。該算法利用隨機(jī)極值記憶自適應(yīng)搜索(SEMAS)算法和增量概率降維模型(IPDRM)對(duì)三維人體運(yùn)動(dòng)形態(tài)進(jìn)行估計(jì),收集相應(yīng)新高維數(shù)據(jù)樣本,然后,再通過(guò)IPDRM對(duì)所收集的新高維數(shù)據(jù)樣本進(jìn)行增量降維,獲取其低維數(shù)據(jù)(隱變量數(shù)據(jù)),再根據(jù)低維數(shù)據(jù)的距離(相似度)比較,對(duì)新高維數(shù)據(jù)樣本進(jìn)行選擇后更新低維空間到高維空間的映射關(guān)系完成增量學(xué)習(xí),進(jìn)而估計(jì)相應(yīng)三維人體運(yùn)動(dòng)形態(tài)。該算法與一些傳統(tǒng)的算法相比又進(jìn)一步提高了估計(jì)性能。6.為了提高從多視角運(yùn)動(dòng)圖像的輪廓特征估計(jì)出相應(yīng)三維人體運(yùn)動(dòng)形態(tài)的準(zhǔn)確程度,本文提出了高斯增量降維與流形Boltzmann優(yōu)化(GIDRMBO)算法。該算法把表示人體運(yùn)動(dòng)立體模型的高維數(shù)據(jù)按空間位置信息與姿態(tài)信息進(jìn)行分段,即分成兩個(gè)子向量,用高斯增量降維模型(GIDRM)分別對(duì)兩個(gè)子向量樣本進(jìn)行降維,獲取兩個(gè)子向量樣本的低維數(shù)據(jù)(隱變量數(shù)據(jù)),建立相應(yīng)低維空間(隱變量空間)及映射關(guān)系。然后,在分別在相應(yīng)的子向量低維空間,使用流形Boltzmann優(yōu)化(GIDRMBO)來(lái)尋找與多視角運(yùn)動(dòng)圖像的輪廓最匹配的子向量,組成最終表示人體運(yùn)動(dòng)立體模型的高維數(shù)據(jù),從而進(jìn)行估計(jì)。該算法與傳統(tǒng)算法相比,其也具有較好的性能。上述研究工作表明恰當(dāng)使用隱變量概率統(tǒng)計(jì)模型能夠很好估計(jì)三維人體運(yùn)動(dòng)形態(tài),其可以對(duì)表示三維人體運(yùn)動(dòng)形態(tài)復(fù)雜的高維數(shù)據(jù)進(jìn)行學(xué)習(xí),簡(jiǎn)化該數(shù)據(jù),使人體運(yùn)動(dòng)形態(tài)的特征規(guī)律容易掌握。若其能再結(jié)合智能計(jì)算方法可以獲取很好的估計(jì)效果。
【關(guān)鍵詞】：人體運(yùn)動(dòng)形態(tài)估計(jì) 隱變量 空間約束 特征相似度優(yōu)化 正交子空間搜索 粒子搜索 增量學(xué)習(xí) 增量降維 流形Boltzmann優(yōu)化
【學(xué)位授予單位】：華南理工大學(xué)
【學(xué)位級(jí)別】：博士
【學(xué)位授予年份】：2015
【分類(lèi)號(hào)】：TP391.41
【目錄】：

• 摘要5-7
• ABSTRACT7-16
• 主要縮略語(yǔ)對(duì)照16-18
• 第一章 緒論18-23
• 1.1 課題研究背景及意義18-19
• 1.2 國(guó)內(nèi)外研究現(xiàn)狀及進(jìn)展19-20
• 1.3 本文研究工作及章節(jié)安排20-23
• 第二章 人體運(yùn)動(dòng)形態(tài)數(shù)據(jù)模型及降維算法介紹23-32
• 2.1 人體運(yùn)動(dòng)形態(tài)數(shù)據(jù)模型23-26
• 2.2 人體運(yùn)動(dòng)形態(tài)估計(jì)的評(píng)價(jià)指標(biāo)介紹26
• 2.3 降維算法介紹26-31
• 2.3.1 PCA算法27
• 2.3.2 ISOMAP算法27-29
• 2.3.3 LLE算法29-30
• 2.3.4 降維算法分析30-31
• 2.4 本章小結(jié)31-32
• 第三章 空間約束概率估計(jì)32-43
• 3.1 引言32
• 3.2 人體運(yùn)動(dòng)形態(tài)樣本數(shù)據(jù)特點(diǎn)及需要解決的問(wèn)題32-33
• 3.3 GPDM主要理論33-36
• 3.3.1 GPDM33-34
• 3.3.2 GPDM的條件概率34-35
• 3.3.3 GPDM學(xué)習(xí)及隱變量數(shù)據(jù)遞推35-36
• 3.4 空間約束概率估計(jì)36-39
• 3.4.1 不完整周期的人體運(yùn)動(dòng)形態(tài)隱變量數(shù)據(jù)的低維結(jié)構(gòu)36-37
• 3.4.2 空間結(jié)構(gòu)約束及目標(biāo)函數(shù)模型37-39
• 3.5 實(shí)驗(yàn)及評(píng)價(jià)39-42
• 3.5.1 經(jīng)過(guò)處理后的不完整隱變量數(shù)據(jù)39-40
• 3.5.2 訓(xùn)練估計(jì)誤差及評(píng)價(jià)40-41
• 3.5.3 視覺(jué)上的運(yùn)動(dòng)形態(tài)數(shù)據(jù)41-42
• 3.6 本章小結(jié)42-43
• 第四章 特征相似度優(yōu)化學(xué)習(xí)43-52
• 4.1 引言43
• 4.2 隱變量模型及學(xué)習(xí)算法研究介紹43-44
• 4.3 隱變量數(shù)據(jù)的特征相似度優(yōu)化44-48
• 4.3.1 特征相似度的描述44-45
• 4.3.2 特征相似度的目標(biāo)函數(shù)45-46
• 4.3.3 特征相似度優(yōu)化(FSO)算法46-48
• 4.4 實(shí)驗(yàn)評(píng)價(jià)48-51
• 4.4.1 被估計(jì)的人體過(guò)渡運(yùn)動(dòng)形態(tài)和估計(jì)誤差48-50
• 4.4.2 隱變量數(shù)據(jù)軌跡50-51
• 4.5 本章小結(jié)51-52
• 第五章 隱變量概率優(yōu)化擬合52-62
• 5.1 引言52-53
• 5.2 優(yōu)化目標(biāo)函數(shù)的建立53
• 5.3 隱變量空間正交子空間搜索53-55
• 5.3.1 不完整步態(tài)運(yùn)動(dòng)形態(tài)的隱變量數(shù)據(jù)53-54
• 5.3.2 正交子空間的約束函數(shù)54-55
• 5.4 隱變量數(shù)據(jù)與其他人體運(yùn)動(dòng)形態(tài)擬合55-56
• 5.4.1 RBF網(wǎng)絡(luò)數(shù)據(jù)擬合55-56
• 5.4.2 簡(jiǎn)要算法流程56
• 5.5 仿真結(jié)果56-61
• 5.5.1 用MLPO-OSS估計(jì)缺失幀57-58
• 5.5.2 用MLPO-OSS處理的隱變量數(shù)據(jù)的擬合58-61
• 5.5.3 與空間約束概率估計(jì)比較61
• 5.6 本章小結(jié)61-62
• 第六章 雙隱變量空間局部粒子搜索62-74
• 6.1 引言62-63
• 6.2 高斯過(guò)程動(dòng)態(tài)模型(GPDM)降維63-64
• 6.3 雙隱變量空間局部粒子搜索64-69
• 6.3.1 相關(guān)數(shù)學(xué)模型建立64-65
• 6.3.2 低維局部粒子的NWPCS及運(yùn)動(dòng)形態(tài)估計(jì)65-68
• 6.3.3 雙隱變量空間局部粒子搜索(DLVSLPS)算法建立68-69
• 6.4 仿真實(shí)驗(yàn)69-73
• 6.4.1 估計(jì)非連續(xù)幀69-70
• 6.4.2 消除輪廓圖像數(shù)據(jù)歧義估計(jì)70-72
• 6.4.3 估計(jì)誤差72-73
• 6.5 本章小結(jié)73-74
• 第七章 低維空間增量學(xué)習(xí)74-99
• 7.1 引言74-75
• 7.2 相關(guān)數(shù)據(jù)模型75-76
• 7.3 隨機(jī)極值記憶自適應(yīng)搜索76-79
• 7.3.1 搜索基本原理76-78
• 7.3.2 SEMAS的相關(guān)推導(dǎo)及計(jì)算78-79
• 7.4 增量概率降維模型79-81
• 7.4.1 GPDM的低維到高維映射關(guān)系79-80
• 7.4.2 增量降維映射關(guān)系的建立80-81
• 7.5 多輸出正交最小二乘學(xué)習(xí)算法81-84
• 7.5.1 基本算法原理81-83
• 7.5.2 條件滿足推導(dǎo)83-84
• 7.6 低維空間增量學(xué)習(xí)84-87
• 7.7 低維空間搜索的人體運(yùn)動(dòng)形態(tài)估計(jì)87-91
• 7.7.1 搜索方法87-89
• 7.7.2 人體運(yùn)動(dòng)形態(tài)的整個(gè)算法流程89-91
• 7.8 實(shí)驗(yàn)與評(píng)價(jià)91-98
• 7.9 本章小結(jié)98-99
• 第八章 高斯增量降維與流形Boltzmann優(yōu)化99-117
• 8.1 引言99-100
• 8.2 數(shù)據(jù)匹配模型100-101
• 8.3 高斯增量降維與流形Boltzmann優(yōu)化101-112
• 8.3.1 GIDRM的子向量樣本降維與增量降維101-104
• 8.3.2 基于GIDRM映射關(guān)系的流形Boltzmann優(yōu)化104-108
• 8.3.3 GIDRMBO算法流程108-109
• 8.3.4 GIDRMBO的算法性能優(yōu)勢(shì)分析109-112
• 8.4 仿真實(shí)驗(yàn)與評(píng)價(jià)112-116
• 8.5 本章小結(jié)116-117
• 總結(jié)與展望117-121
• 參考文獻(xiàn)121-128
• 攻讀博士學(xué)位期間取得的研究成果128-130
• 致謝130-131
• 附件131

【參考文獻(xiàn)】

中國(guó)期刊全文數(shù)據(jù)庫(kù) 前2條

1 趙正旭;戴歡;趙文彬;袁潔;;基于慣性動(dòng)作捕捉的人體運(yùn)動(dòng)姿態(tài)模擬[J];計(jì)算機(jī)工程;2012年05期

2 李毅;孫正興;陳松樂(lè);李騫;;基于退火粒子群優(yōu)化的單目視頻人體姿態(tài)分析方法[J];自動(dòng)化學(xué)報(bào);2012年05期

  本文關(guān)鍵詞：基于隱變量概率統(tǒng)計(jì)模型的人體運(yùn)動(dòng)形態(tài)估計(jì)，由筆耕文化傳播整理發(fā)布。

，

本文編號(hào)：278404