基于多特征融合的人体运动姿态识别技术研究
发布时间：2021-04-28 08:57
随着人工智能时代的来临,计算机视觉在人们生活、工作中发挥着越来越重要的作用。人体运动姿态识别作为计算机视觉的热点方向,已广泛应用在视频监控、智能家居、运动分析等诸多领域,然而人体运动姿态的复杂多变,使其在实际应用中存在一定局限性。因此,通过有效特征信息对运动姿态进行准确的描述,是提高人体运动姿态识别效果的关键因素。本文首先在运动目标检测部分对四种经典背景建模方法进行分析研究,通过四种背景建模方法对人体运动视频进行运动目标检测,分析实验结果发现ViBe算法在运动目标检测中运动目标清晰度和算法实时性较好,但当第一帧图像存在运动目标时,易受鬼影影响。针对ViBe算法易出现鬼影问题,本文提出一种结合朗斯基函数的改进ViBe算法,有效解决鬼影问题,减少噪声的干扰,获得较完整清晰的人体运动目标。其次,构建基于多特征融合的运动姿态特征模型。为获得较为丰富的特征信息,本文提出一种基于八星模型、Hu不变矩、Zernike矩、小波矩的多特征融合人体运动姿态特征模型。通过遗传算法对提取到的特征信息进行优化融合,其中以均值方差比为基础构建适应度函数,用以选择在多类别间可分性较好的特征信息。将融合后的特征数据绘...
【文章来源】：河北工业大学天津市 211工程院校
【文章页数】：77 页
【学位级别】：硕士
【文章目录】：
摘要
abstract
第一章 绪论
1.1 研究背景及意义
1.2 国内外研究现状
1.3 论文主要研究内容及章节安排
1.3.1 本文主要研究内容
1.3.2 本文章节安排
第二章 人体运动姿态识别关键技术分析
2.1 运动姿态获取技术
2.2 人体运动姿态特征提取技术
2.2.1 人体运动姿态特征提取技术分类
2.2.2 人体运动姿态特征的融合
2.3 人体运动姿态识别技术
2.4 人体运动姿态识别技术难点
2.5 本章小结
第三章 运动目标检测算法研究
3.1 常见背景建模算法
3.1.1 平均背景模型
3.1.2 混合高斯分布模型
3.1.3 CodeBook背景模型
3.1.4 Vi Be背景模型
3.1.5 运动目标检测结果比较
3.2 结合朗斯基函数的改进Vi Be算法
3.2.1 朗斯基函数
3.2.2 种子填充算法
3.2.3 改进算法流程
3.3 实验结果分析
3.4 本章小结
第四章 基于多特征融合的人体运动姿态特征提取
4.1 运动姿态特征的描述
4.2 图像预处理
4.3 运动姿态多特征的提取
4.3.1 八星模型
4.3.2 Hu—不变矩
4.3.3 Zernike矩
4.3.4 小波矩
4.3.5 特征数据分析
4.4 特征融合优化
4.4.1 基于遗传算法的特征融合
4.4.2 特征融合优化及结果
4.5 局部特征的提取
4.5.1 SIFT特征
4.5.2 视觉词袋模型
4.6 本章小结
第五章 基于支持向量机的多特征融合人体姿态识别
5.1 支持向量机
5.1.1 统计学习理论
5.1.2 支持向量机
5.2 基于支持向量机的人体运动姿态识别模型
5.3 实验结果分析
5.3.1 实验环境和数据
5.3.2 测试视频预处理
5.3.3 标准实验库结果与分析
5.3.4 自建实验库结果与分析
5.4 本章小结
第六章 结论
6.1 总结
6.2 展望
参考文献
攻读学位期间所取得的相关科研成果
致谢
【参考文献】：
期刊论文
[1]VR/AR应用场景及关键技术综述[J]. 徐硕,孟坤,李淑琴,丁濛,邬丽君. 智能计算机与应用. 2017(06)
[2]动作切分和流形度量学习的视频动作识别[J]. 罗会兰,赖泽云,孔繁胜. 中国图象图形学报. 2017(08)
[3]基于显著性检测和稠密轨迹的人体行为识别[J]. 鹿天然,于凤芹,杨慧中,陈莹. 计算机工程与应用. 2018(14)
[4]结合特权信息的人体动作识别[J]. 凌佩佩,邱崧,蔡茗名,徐伟,丰颖. 中国图象图形学报. 2017(04)
[5]手外骨骼康复技术研究进展[J]. 陈学斌,高海鹏,刘文勇,高敏,安峥. 中国医疗设备. 2016(02)
[6]智能视频监控技术综述[J]. 黄凯奇,陈晓棠,康运锋,谭铁牛. 计算机学报. 2015(06)
[7]基于视觉的人体动作识别综述[J]. 胡琼,秦磊,黄庆明. 计算机学报. 2013(12)
[8]计算机视觉中物体识别综述[J]. 徐晓. 电脑与信息技术. 2013(05)
[9]运动捕捉技术及其应用研究综述[J]. 向泽锐,支锦亦,徐伯初,李娟. 计算机应用研究. 2013(08)
[10]动作捕捉技术应用研究调查报告[J]. 李明宇,赵亮,姜军. 科技信息. 2011(36)
博士论文
[1]基于表面肌电和加速度信号融合的动作识别和人体行为分析研究[D]. 成娟.中国科学技术大学 2013
[2]基于步态触觉信息的身份识别研究[D]. 姚志明.中国科学技术大学 2010
硕士论文
[1]基于无人机视频的运动车辆检测研究[D]. 王妍.北京交通大学 2017
[2]基于MEMS传感器与Zigbee网络的人体手臂运动状态测量和识别方法研究[D]. 刘震.西南交通大学 2017
[3]基于长时间视频序列的背景建模方法研究[D]. 丁洁.中北大学 2017
[4]基于kinect的人体连续动作识别研究[D]. 毛一杰.电子科技大学 2017
[5]基于云块划分的FY-2C云检测技术研究[D]. 陆琦.南京信息工程大学 2016
[6]支持向量机核函数及关键参数选择研究[D]. 尹嘉鹏.哈尔滨工业大学 2016
[7]复杂背景下多特征融合的人体步态识别研究[D]. 周浩理.海南大学 2016
[8]基于双Kinect的人体运动重建[D]. 曾继平.浙江大学 2016
[9]基于多模态特征的人体运动识别系统[D]. 张瀚之.浙江大学 2016
[10]基于智能视频的虚拟现实体验系统研究与实现[D]. 于沛.电子科技大学 2015
本文编号：3165194
【文章来源】：河北工业大学天津市 211工程院校
【文章页数】：77 页
【学位级别】：硕士
【文章目录】：
摘要
abstract
第一章 绪论
1.1 研究背景及意义
1.2 国内外研究现状
1.3 论文主要研究内容及章节安排
1.3.1 本文主要研究内容
1.3.2 本文章节安排
第二章 人体运动姿态识别关键技术分析
2.1 运动姿态获取技术
2.2 人体运动姿态特征提取技术
2.2.1 人体运动姿态特征提取技术分类
2.2.2 人体运动姿态特征的融合
2.3 人体运动姿态识别技术
2.4 人体运动姿态识别技术难点
2.5 本章小结
第三章 运动目标检测算法研究
3.1 常见背景建模算法
3.1.1 平均背景模型
3.1.2 混合高斯分布模型
3.1.3 CodeBook背景模型
3.1.4 Vi Be背景模型
3.1.5 运动目标检测结果比较
3.2 结合朗斯基函数的改进Vi Be算法
3.2.1 朗斯基函数
3.2.2 种子填充算法
3.2.3 改进算法流程
3.3 实验结果分析
3.4 本章小结
第四章 基于多特征融合的人体运动姿态特征提取
4.1 运动姿态特征的描述
4.2 图像预处理
4.3 运动姿态多特征的提取
4.3.1 八星模型
4.3.2 Hu—不变矩
4.3.3 Zernike矩
4.3.4 小波矩
4.3.5 特征数据分析
4.4 特征融合优化
4.4.1 基于遗传算法的特征融合
4.4.2 特征融合优化及结果
4.5 局部特征的提取
4.5.1 SIFT特征
4.5.2 视觉词袋模型
4.6 本章小结
第五章 基于支持向量机的多特征融合人体姿态识别
5.1 支持向量机
5.1.1 统计学习理论
5.1.2 支持向量机
5.2 基于支持向量机的人体运动姿态识别模型
5.3 实验结果分析
5.3.1 实验环境和数据
5.3.2 测试视频预处理
5.3.3 标准实验库结果与分析
5.3.4 自建实验库结果与分析
5.4 本章小结
第六章 结论
6.1 总结
6.2 展望
参考文献
攻读学位期间所取得的相关科研成果
致谢
【参考文献】：
期刊论文
[1]VR/AR应用场景及关键技术综述[J]. 徐硕,孟坤,李淑琴,丁濛,邬丽君. 智能计算机与应用. 2017(06)
[2]动作切分和流形度量学习的视频动作识别[J]. 罗会兰,赖泽云,孔繁胜. 中国图象图形学报. 2017(08)
[3]基于显著性检测和稠密轨迹的人体行为识别[J]. 鹿天然,于凤芹,杨慧中,陈莹. 计算机工程与应用. 2018(14)
[4]结合特权信息的人体动作识别[J]. 凌佩佩,邱崧,蔡茗名,徐伟,丰颖. 中国图象图形学报. 2017(04)
[5]手外骨骼康复技术研究进展[J]. 陈学斌,高海鹏,刘文勇,高敏,安峥. 中国医疗设备. 2016(02)
[6]智能视频监控技术综述[J]. 黄凯奇,陈晓棠,康运锋,谭铁牛. 计算机学报. 2015(06)
[7]基于视觉的人体动作识别综述[J]. 胡琼,秦磊,黄庆明. 计算机学报. 2013(12)
[8]计算机视觉中物体识别综述[J]. 徐晓. 电脑与信息技术. 2013(05)
[9]运动捕捉技术及其应用研究综述[J]. 向泽锐,支锦亦,徐伯初,李娟. 计算机应用研究. 2013(08)
[10]动作捕捉技术应用研究调查报告[J]. 李明宇,赵亮,姜军. 科技信息. 2011(36)
博士论文
[1]基于表面肌电和加速度信号融合的动作识别和人体行为分析研究[D]. 成娟.中国科学技术大学 2013
[2]基于步态触觉信息的身份识别研究[D]. 姚志明.中国科学技术大学 2010
硕士论文
[1]基于无人机视频的运动车辆检测研究[D]. 王妍.北京交通大学 2017
[2]基于MEMS传感器与Zigbee网络的人体手臂运动状态测量和识别方法研究[D]. 刘震.西南交通大学 2017
[3]基于长时间视频序列的背景建模方法研究[D]. 丁洁.中北大学 2017
[4]基于kinect的人体连续动作识别研究[D]. 毛一杰.电子科技大学 2017
[5]基于云块划分的FY-2C云检测技术研究[D]. 陆琦.南京信息工程大学 2016
[6]支持向量机核函数及关键参数选择研究[D]. 尹嘉鹏.哈尔滨工业大学 2016
[7]复杂背景下多特征融合的人体步态识别研究[D]. 周浩理.海南大学 2016
[8]基于双Kinect的人体运动重建[D]. 曾继平.浙江大学 2016
[9]基于多模态特征的人体运动识别系统[D]. 张瀚之.浙江大学 2016
[10]基于智能视频的虚拟现实体验系统研究与实现[D]. 于沛.电子科技大学 2015
本文编号：3165194
本文链接：https://www.wllwen.com/kejilunwen/zidonghuakongzhilunwen/3165194.html
