基于Kinect的人体步态跟踪与识别技术

发布时间：2017-10-16 14:23

  本文关键词：基于Kinect的人体步态跟踪与识别技术

  更多相关文章： Kinect 步态跟踪 步态识别 骨骼模型

【摘要】：随着科学技术地不断发展与进步,虚拟现实技术越来越受到人们广泛的关注,它广泛地应用于工业仿真、虚拟漫游、游戏、医学、军事航天等各个领域。尤其在虚拟漫游领域,因其强烈的视觉冲击和丰富的互动性,使其备受青睐,不过目前许多虚拟漫游的方式还只是通过虚拟眼镜、头盔、手套等设备来满足人们的感官,而对于人体行走的互动较少。本文在参阅了大量文献的基础上,提出一种踏板式的行走装置方案,通过视频设备捕捉人体的步态运动,将运动的信息同步地传输给行走装置和虚拟世界中的角色,使其达到三者的同步运动。主要研究如何实时捕捉和识别人体的步态运动,将运动信息同步地传输给虚拟人模型,实现用户与模型的同步运动。首先,本文对人体步态运动的捕捉方式展开调查与研究,提出了一种基于Kinect的人体步态跟踪与识别方法,分析了Kinect设备的功能和Kinect for Windows SDK的体系架构,通过Kinect获取了人体步态运动的深度图像,利用背景差分法将人体与背景进行分离,得到单一的人体深度图像。其次,本文根据粒子滤波算法的原理,设计了基于骨骼模型匹配的步态跟踪方法,根据初始帧图像的匹配,确定骨骼模型每个关节点的初始位置,结合人体步态运动规律,利用粒子滤波算法对骨骼关节点的位置进行预测,从而实现骨骼模型与图像的实时匹配。与此同时,本文还提出一种基于模板匹配算法的步态跟踪方法,利用普通摄像机进行拍摄,在人体足部设定两个带有颜色的特征标记点,通过捕捉两个标记点的运动实现人体步态跟踪。本文根据骨骼模型,提出将人体髋关节、膝关节、踝关节的角度关于时间的变化函数作为人体步态运动的特征,利用改进的动态时间规整算法对左转弯、右转弯和上下楼梯四种步态运动姿势进行识别,并对Kinect捕获的关节点数据进行了分析与精度验证。最后,本文通过3ds Max建立了一个与Kinect骨骼模型同等比例的虚拟人模型,并在Unity 3d中对虚拟人模型的运动脚本进行设计,使虚拟人模型的骨骼节点可以实时地获取Kinect捕捉的节点数据,从而实现用户与虚拟人模型的同步运动。
【关键词】：Kinect 步态跟踪 步态识别 骨骼模型
【学位授予单位】：山东大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：TP391.41
【目录】：

• 摘要9-11
• ABSTRACT11-13
• 第一章 绪论13-23
• 1.1 课题研究的背景及意义13-14
• 1.2 国内外研究现状14-19
• 1.3 论文的主要研究内容19-20
• 1.4 论文的组织结构20-23
• 第二章 步态系统结构及预处理23-33
• 2.1 引言23
• 2.2 视频捕捉设备概述23-26
• 2.2.1 Kinect2.0简介23-24
• 2.2.2 Kinect for Windows SDK平台简介24-25
• 2.2.3 Kinect for Windows SDK组织架构25-26
• 2.3 深度图像26-28
• 2.3.1 深度图像表示与数据结构26-27
• 2.3.2 深度图像成像原理27-28
• 2.4 提取运动目标28-31
• 2.5 章节小结31-33
• 第三章 人体步态运动跟踪33-43
• 3.1 粒子滤波33-35
• 3.1.1 粒子滤波理论33-34
• 3.1.2 粒子滤波基本过程34-35
• 3.2 基于粒子滤波的目标跟踪35-38
• 3.3 基于模板匹配的目标跟踪38-41
• 3.3.1 模板匹配原理38-39
• 3.3.2 实例演示39-41
• 3.4 章节小结41-43
• 第四章 人体步态运动识别43-61
• 4.1 基于动态时间规整的步态识别算法43-47
• 4.1.1 基本原理43-45
• 4.1.2 规整路径优化策略45-46
• 4.1.3 全局约束的路径优化46-47
• 4.2 步态运动数据的获取与验证47-53
• 4.2.1 骨骼数据的表示与获取47-49
• 4.2.2 Kinect精度验证49-53
• 4.3 人体步态特征提取53-54
• 4.4 实验流程与结果54-60
• 4.5 章节小结60-61
• 第五章 虚拟模型同步演示61-69
• 5.1 虚拟模型的建立61-63
• 5.2 实例演示63-67
• 5.3 章节小结67-69
• 第六章 总结和展望69-71
• 6.1 总结69
• 6.2 展望69-71
• 参考文献71-75
• 致谢75-76
• 学位论文评阅及答辩情况表76

【相似文献】

中国期刊全文数据库 前10条

1 田光见,赵荣椿;基于傅立叶描绘子的步态识别[J];计算机应用;2004年11期

2 田光见;赵荣椿;;一种步态识别方法[J];计算机科学;2005年09期

3 洪文,黄凤岗,苏菡;基于连续隐马尔科夫模型的步态识别[J];应用科技;2005年02期

4 刘玉栋,苏开娜,马丽;一种基于模型的步态识别方法[J];计算机工程与应用;2005年09期

5 田光见,赵荣椿;步态识别综述[J];计算机应用研究;2005年05期

6 赵子健;吴晓娟;;基于近似时空切片向量的步态识别方法研究[J];模式识别与人工智能;2005年05期

7 赵黎丽;侯正信;;步态识别问题的特点及研究现状[J];中国图象图形学报;2006年02期

8 许文芳;吴清江;;步态识别综述[J];福建电脑;2007年01期

9 彭彰;吴晓娟;杨军;;基于肢体长度参数的多视角步态识别算法[J];自动化学报;2007年02期

10 韩旭;刘冀伟;么键;那幼超;王志良;;一种改进的步态识别方法[J];电子器件;2007年04期

中国重要会议论文全文数据库 前8条

1 邓玉春;刘世平;;自动步态识别方法研究综述[A];2007通信理论与技术新发展——第十二届全国青年通信学术会议论文集（上册）[C];2007年

2 何卫华;李平;文玉梅;叶波;袁海军;;运用下肢关节角度信息进行步态识别[A];第十三届全国图象图形学学术会议论文集[C];2006年

3 肖军;苏洁;郑波;贾鹏宇;;智能仿生腿在不同路况下的步态识别系统研究[A];2007中国控制与决策学术年会论文集[C];2007年

4 张聪;明东;万柏坤;;基于小波描述子和人体骨架模型的多视角融合步态识别[A];天津市生物医学工程学会第29届学术年会暨首届生物医学工程前沿科学研讨会论文集[C];2009年

5 朱京红;方帅;高明;方杰;;基于人工免疫模型的步态识别方法[A];第十四届全国图象图形学学术会议论文集[C];2008年

6 叶波;文玉梅;李平;;基于核主元分析和支持向量机的步态识别算法[A];第十三届全国图象图形学学术会议论文集[C];2006年

7 王科俊;阎涛;吕卓纹;;基于耦合度量学习的特征级融合方法及在步态识别中的应用[A];2013年中国智能自动化学术会议论文集（第三分册）[C];2013年

8 王科俊;贲f[烨;;基于线性插值的特征模板构造的步态识别算法框架[A];2009年中国智能自动化会议论文集（第七分册）[南京理工大学学报（增刊）][C];2009年

中国重要报纸全文数据库 前2条

1 编译 刘东征;新型“步态密码”给手机加把锁[N];北京科技报;2005年

2 若水;分析步态识别身份[N];光明日报;2003年

中国博士学位论文全文数据库 前10条

1 刘磊;基于多源信息的步态识别算法研究[D];河北工业大学;2015年

2 余杰;基于视频的人体目标跟踪与识别技术研究[D];电子科技大学;2016年

3 贲f[烨;基于人体运动分析的步态识别算法研究[D];哈尔滨工程大学;2010年

4 曾玮;基于确定学习理论的人体步态识别研究[D];华南理工大学;2012年

5 张元元;基于序列统计特性的步态识别算法研究[D];山东大学;2010年

6 赵国英;基于视频的步态识别[D];中国科学院研究生院（计算技术研究所）;2005年

7 薛召军;基于小波变换和支持向量机相结合的步态识别新方法研究[D];天津大学;2007年

8 胡荣;人体步态识别研究[D];华中科技大学;2010年

9 顾磊;基于图像序列的人体步态识别方法研究[D];南京理工大学;2008年

10 刘海涛;基于立体视觉的步态识别研究[D];中国科学技术大学;2010年

中国硕士学位论文全文数据库 前10条

1 杨楠;基于视触觉多特征融合的步态识别方法研究[D];河北工业大学;2015年

2 周浩理;复杂背景下多特征融合的人体步态识别研究[D];海南大学;2016年

3 李雪燕;视频监控中人体步态识别方法研究[D];长春工业大学;2016年

4 潘秀芳;基于手机的步态识别研究[D];燕山大学;2016年

5 罗璨;存在干扰因素情况下的步态识别统动力学初步探索[D];苏州大学;2016年

6 张鹏;耦合度量学习理论及其在步态识别中的应用研究[D];山东大学;2016年

7 沈小康;基于Kinect的人体步态跟踪与识别技术[D];山东大学;2016年

8 周洁;基于姿态与压力信息的步态识别方法[D];西南交通大学;2016年

9 陈庆峰;基于确定学习理论的步态分析及在神经退行性疾病分类中的应用[D];华南理工大学;2016年

10 陈玲;基于视频流的步态识别系统研究与实现[D];暨南大学;2016年

，

本文编号：1043166