基于深度相机的人体动作评价方法
发布时间：2020-10-31 03:49
随着社会的进步与物质文化水平的提升,人们越来越重视日常娱乐、健身等需求。可以在家庭及社区方便使用的人体运动评价系统能很大程度上提升娱乐健身的乐趣与体验。现有的人体动作分析方法多是基于可穿戴设备等专业系统,它们价格昂贵,使用不便。而近年广受关注的消费级深度相机在人体运动分析上能在一定场景替代一些专业设备,且使用方便。针对有规律的人体连续动作评价问题,本文利用深度相机分别从人体目标跟踪、人体骨架模型矫正、人体动作特征描述及人体动作评分方法等四个方面展开研究。本文的主要工作及创新点如下:(1)根据Kinect深度图像的特点,提出一种改进的结合Kalman滤波器的Meanshift人体目标跟踪方法。首先分析了传统的Kalman-Meanshift方法在深度图像中跟踪人体目标时出现“近物跳变”与“远物跳变”缺陷的原因。针对这两种缺陷,分别提出了基于深度值变化的跟踪模板更新方法与基于人体目标检测与障碍物屏蔽的再跟踪方法,解决了有障碍物干扰时出现的跟踪框跳变现象,提高了深度图像中人体目标的跟踪准确率。(2)基于关节点线性运动模型,提出了一种基于Kalman滤波器的关节点预测矫正方法。首先分析了Kinect骨架模型在人体肢体相互交叉、遮挡或人体作大幅度动作时部分关节点瞬间远距离跳变的问题。对易跳变关节点建立线性运动模型,利用Kalman滤波器输出的预测位置进行关节点跳变的判断与矫正,从而获取更准确的Kinect关节点位置。(3)为了更准确的进行人体动作评价,提出了一种基于人体关节点间几何特征与平面法线方向的特征描述子。首先使用9个人体关节点构造三角形的相对面积和三角形所在平面法线方向与竖直方向的夹角作为特征,然后用特征的变化速率自适应地对各特征进行加权,得到最终的带权值的特征描述子。实验表明所提出的特征描述方法相较其他特征方法能更准确描述人体动作变化。(4)基于模板比对的思想,提出了一种基于改进DTW算法的人体动作评价方法。首先介绍了一种考虑一阶与二阶微分的DTW改进方法,以提高特征序列的匹配准确性,然后由标准动作与对比动作的DTW距离与专家评分进行距离-分数的对应,从而给出对比动作的评分。实验表明,基于改进DTW算法的人体动作评价方法能较好地对人体动作给出量化评价,且评价准确性较基于传统DTW的方法更好。
【学位单位】：杭州电子科技大学
【学位级别】：硕士
【学位年份】：2018
【中图分类】：TP391.41;TN713
【部分图文】：
杭州电子科技大学硕士学位论文基础上做了一些软硬件上的增强，主要是彩色相机的像素提高到了，深度相机的有效距离范围更大，精度更高。同时，适用于 Kinec相较于 1 代的版本多出了 5 个人体关节点，达到了 25 个。并且新了简单的手势信息，各关节点的抗干扰能力更强。度信息是 Kinect 传感器的主要特点。Kinect1.0 的深度图像原理是通射装置与一个红外传感器而组成，红外发射器向空间中发射散布在线，红外传感器对物体上的红外光散斑进行捕获，即可得到每个位Kinect2.0 的深度信息更加准确，是因为其在原理在做了改进，K设备的红外发射装置基础上，利用了飞行时间测距法（Time of Fligh
图 2.2 标准 Kalman 滤波器算法示意图Kalman 滤波器在目标跟踪问题中也发挥了很大作用。在应用 Meanshift图像目标跟踪时，图像背景干扰或目标被大面积遮挡会造成跟踪失败，的方法是在原有算法基础上引进 Kalman 滤波器，对目标质心建立运动利用 Kalman 滤波器的位置预测能力来解决跟踪失败。对于目标颜色变的跟踪失败，一般采用模板更新的方法来解决。如 Fu 等[44]在均值漂移算法的基础上结合了最小二乘支持向量机(ares Support Vector Machine, LSSVM)和 Kalman 滤波进行抗遮挡跟踪，用来判断目标是否出现大面积遮挡，当无遮挡或者遮挡面积较小就用 Ka器预测目标位置，当遮挡面积过大，就用 LSSVM 来预测目标位置，较了运动目标遮挡检测和跟踪的问题。Hsieh 等[45]在利用均值漂移算法跟，用 Kalman 滤波器预测目标位置，以作为背景干扰的判断机制，当遇背景干扰而跟踪失败，即利用自适应增强（Adaptive Boosting, Adaboos新检测出目标，完成再跟踪。李文辉等[46]利用结合粒子滤波的均值漂移行人跟踪，自适应的选取与目标附近颜色差别最大的部分作为目标模板
杭州电子科技大学硕士学位论文近，此时，会出现目标跟踪框 “跳变”至障碍物区域的情况，造成跟踪失败，如图 2.3 所示。在图 2.3(a)中，Meanshift 跟踪框(红色矩形框)内为正在跟踪的人体目标，且该人体正走向一较大的障碍物，跟踪框准确跟踪人体。而在图 2.3(b)中，由于行人非常靠近障碍物，Meanshift 出现了误跟踪的情况。在该帧里，跟踪框“跳变”到障碍物区域，导致跟踪失败，称这种情形为“近物跳变”。
【参考文献】
本文编号：2863405
【学位单位】：杭州电子科技大学
【学位级别】：硕士
【学位年份】：2018
【中图分类】：TP391.41;TN713
【部分图文】：
杭州电子科技大学硕士学位论文基础上做了一些软硬件上的增强，主要是彩色相机的像素提高到了，深度相机的有效距离范围更大，精度更高。同时，适用于 Kinec相较于 1 代的版本多出了 5 个人体关节点，达到了 25 个。并且新了简单的手势信息，各关节点的抗干扰能力更强。度信息是 Kinect 传感器的主要特点。Kinect1.0 的深度图像原理是通射装置与一个红外传感器而组成，红外发射器向空间中发射散布在线，红外传感器对物体上的红外光散斑进行捕获，即可得到每个位Kinect2.0 的深度信息更加准确，是因为其在原理在做了改进，K设备的红外发射装置基础上，利用了飞行时间测距法（Time of Fligh
图 2.2 标准 Kalman 滤波器算法示意图Kalman 滤波器在目标跟踪问题中也发挥了很大作用。在应用 Meanshift图像目标跟踪时，图像背景干扰或目标被大面积遮挡会造成跟踪失败，的方法是在原有算法基础上引进 Kalman 滤波器，对目标质心建立运动利用 Kalman 滤波器的位置预测能力来解决跟踪失败。对于目标颜色变的跟踪失败，一般采用模板更新的方法来解决。如 Fu 等[44]在均值漂移算法的基础上结合了最小二乘支持向量机(ares Support Vector Machine, LSSVM)和 Kalman 滤波进行抗遮挡跟踪，用来判断目标是否出现大面积遮挡，当无遮挡或者遮挡面积较小就用 Ka器预测目标位置，当遮挡面积过大，就用 LSSVM 来预测目标位置，较了运动目标遮挡检测和跟踪的问题。Hsieh 等[45]在利用均值漂移算法跟，用 Kalman 滤波器预测目标位置，以作为背景干扰的判断机制，当遇背景干扰而跟踪失败，即利用自适应增强（Adaptive Boosting, Adaboos新检测出目标，完成再跟踪。李文辉等[46]利用结合粒子滤波的均值漂移行人跟踪，自适应的选取与目标附近颜色差别最大的部分作为目标模板
杭州电子科技大学硕士学位论文近，此时，会出现目标跟踪框 “跳变”至障碍物区域的情况，造成跟踪失败，如图 2.3 所示。在图 2.3(a)中，Meanshift 跟踪框(红色矩形框)内为正在跟踪的人体目标，且该人体正走向一较大的障碍物，跟踪框准确跟踪人体。而在图 2.3(b)中，由于行人非常靠近障碍物，Meanshift 出现了误跟踪的情况。在该帧里，跟踪框“跳变”到障碍物区域，导致跟踪失败，称这种情形为“近物跳变”。
【参考文献】
相关期刊论文 前4条
1 曹昊;诸宸辰;李杨;;一种深度图像中人体的实时跟踪算法[J];计算机工程;2013年09期
2 杨旗;薛定宇;;基于双尺度动态贝叶斯网络及多信息融合的步态识别[J];电子与信息学报;2012年05期
3 李文辉;周强;王莹;张德才;;基于均值偏移粒子滤波的自适应跟踪[J];吉林大学学报(工学版);2012年02期
4 赵晓东;李其攀;王志成;;一种快速人体骨架建模方法[J];计算机应用研究;2012年01期
本文编号：2863405
本文链接：https://www.wllwen.com/kejilunwen/dianzigongchenglunwen/2863405.html
