基于姿态估计的行为识别方法研究

发布时间：2017-08-27 12:08

  本文关键词：基于姿态估计的行为识别方法研究

  更多相关文章： 混合部件模型 姿态估计 姿态专家 姿态表示 行为识别 加权投票

【摘要】：人体姿态估计和行为识别在计算机视觉领域中一个非常热门的研究问题。在本课题中,我们主要探讨了静态二维图像中的人体姿态估计和行为识别的问题,并提出了一个新的方法进行人体姿态估计并且识别图片中的人体行为。这是一项非常有挑战性的工作,因为人体姿态有很高的自由度并且缺少运动线索。为了克服这一缺点,我们基于混合部件模型采用分治的思想细分了人体姿态的类型。我们构建了一个姿态专家的集合,集合中的每一个姿态专家可以的描述一种类型的姿态,这些姿态比较相似或者是同一种行为的姿态,因而我们采用了这两个方案构建姿态专家集合。实验结果显示两种方案都可以在困难的条件下提高姿态估计的精度。我们在两个公开的数据库上对我们的模型进行了测试,实验结果表明我们的模型在姿态估计和行为识别两个方面的精度都有显著提高。在行为识别中,我们参考了之前得到的姿态估计专家的估计结果,结合姿态估计模型提出了一种新的静态图像中行为识别方法。与其他方法不同的是,我们直接把每个姿态专家的姿态估计所得到的形状向量作为动作识别的依据,通过姿态估计模型得到静态图像中的人体的若干个姿态向量。本文中我们使用了一种新的姿态表示方法,使得这种姿态表示模型能够概括不同类别动作间具有判别信息的特征。由于每个姿态专家对测试图像都有一个行为识别的预测,这里我们提出了一种改进的加权投票方法进行行为识别,具体来讲就是把每个姿态专家的姿态估计精度值作为置信度,并以此来调整姿态专家在行为识别的权重。我们在一个非常困难的数据库上对行为识别模型进行了检测,实验结果表明我们的模型非常有效,并且能在一定程度上容忍不太准确的姿态估计结果。
【关键词】：混合部件模型 姿态估计 姿态专家 姿态表示 行为识别 加权投票
【学位授予单位】：南京航空航天大学
【学位级别】：硕士
【学位授予年份】：2015
【分类号】：TP391.41
【目录】：

• 摘要4-5
• ABSTRACT5-10
• 注释表10-11
• 缩略词11-12
• 第一章 绪论12-20
• 1.1 研究背景12-13
• 1.2 研究意义13-15
• 1.2.1 虚拟现实13
• 1.2.2 智能监控13-14
• 1.2.3 增强现实14
• 1.2.4 智能人机交互14
• 1.2.5 图像理解14-15
• 1.2.6 病人监护15
• 1.2.7 运动员辅助训练15
• 1.3 国内外研究状况15-17
• 1.3.1 人体姿态估计15-16
• 1.3.2 人体行为识别16-17
• 1.4 本文的主要研究工作17-19
• 1.5 本文的内容安排19-20
• 第二章 基于部件模型的人体姿态估计方法20-34
• 2.1 部件模型简介21-22
• 2.1.1 星形结构模型21
• 2.1.2 树形结构模型21-22
• 2.1.3 其它相关的估计模型22
• 2.2 部件模型理论介绍22-23
• 2.2.1 颜色模型22
• 2.2.2 方向梯度描述符22-23
• 2.2.3 常用的部件检测方法23
• 2.3 部件模型中的结构约束23-29
• 2.3.1 线性参数的弹簧模型24-26
• 2.3.1.1 部件模型外观度量25
• 2.3.1.2 部件模型形变度量25-26
• 2.3.2 关节模型26
• 2.3.3 高斯树模型26-28
• 2.3.3.1 空间先验26-27
• 2.3.3.2 特征似然27-28
• 2.3.3.3 线性后验28
• 2.3.4 推理求解28-29
• 2.3.4.1 MAP估计28-29
• 2.3.4.2 部件模型的复杂度分析29
• 2.4 采样29
• 2.5 学习过程29-32
• 2.5.1 生成模型30
• 2.5.2 条件随机场30-31
• 2.5.3 结构最大间隔模型31
• 2.5.4 隐变量结构模型31-32
• 2.6 其他模型32
• 2.7 小结32-34
• 第三章 基于姿态专家的人体姿态估计34-46
• 3.1 基于混合部件模型的人体姿态估计34-35
• 3.2 混合部件模型简介35-38
• 3.2.1 模型介绍35-37
• 3.2.2 动态规划求解37
• 3.2.3 模型分析及对策37-38
• 3.3 基于姿态专家的人体姿态估计38-41
• 3.3.1 姿态专家38-39
• 3.3.2 姿态聚类39-41
• 3.3.2.1 SHAPE CONTEXT特征39-40
• 3.3.2.2 姿态专家训练过程40-41
• 3.4 实验结果41-44
• 3.4.1 UIUC PEOPLE数据库41-43
• 3.4.1.1 实验配置41-42
• 3.4.1.2 实验结果及分析42-43
• 3.4.2 WEB数据库43-44
• 3.4.2.1 实验配置43
• 3.4.2.2 实验结果及分析43-44
• 3.5 小结44-46
• 第四章 基于姿态专家的行为识别46-55
• 4.1 行为识别概述46-48
• 4.2 行为识别48-50
• 4.2.1 基于图模型的行为表示方法48-49
• 4.2.2 基于姿态专家的行为识别模型49-50
• 4.3 实验结果50-54
• 4.3.1 实验配置50
• 4.3.2 实验结果及分析50-54
• 4.4 小结54-55
• 第五章 总结与展望55-58
• 5.1 人体姿态估计55-56
• 5.1.1 工作总结55
• 5.1.2 未来展望55-56
• 5.2 行为识别56-58
• 5.2.1 工作总结56-57
• 5.2.2 未来展望57-58
• 参考文献58-65
• 致谢65-66
• 在学期间的研究成果及发表的学术论文66

【相似文献】

中国期刊全文数据库 前10条

1 马瑾;陈立潮;张永梅;;基于分类的头部姿态估计算法的研究[J];科技情报开发与经济;2006年02期

2 傅泽宁;邵晓巍;龚德仁;段登平;;最优递归线性姿态估计算法[J];测控技术;2012年06期

3 张小平,朱红锋,刘志镜;多姿态人脸照片的姿态估计[J];计算机仿真;2005年04期

4 史东承,于德海,杨冬;一种多视角人脸姿态估计算法[J];长春工业大学学报(自然科学版);2004年01期

5 钟志光;易建强;赵冬斌;洪义平;李新征;;一种鲁棒的只需两帧图像的姿态估计方法[J];模式识别与人工智能;2005年04期

6 张根宝;杨永;;粒子滤波器及其在卫星姿态估计中的应用[J];计算机工程与科学;2011年06期

7 张彩霞;赵青娥;;基于旋转体的摄像机姿态估计[J];北方工业大学学报;2011年03期

8 郭作敏;飞行器实时姿态估计系统[J];光机电信息;1997年12期

9 陈晓钢;陆玲;周书民;刘向阳;;一种新的人脸姿态估计算法[J];数据采集与处理;2009年04期

10 刘淼;郭东伟;马捷;孙浩翔;周春光;;基于椭圆模型和神经网络的人脸姿态估计方法[J];吉林大学学报(理学版);2008年04期

中国重要会议论文全文数据库 前2条

1 叶蓬;刘方;;一种基于李群的目标姿态估计方法[A];全国第二届信号处理与应用学术会议专刊[C];2008年

2 牟忠凯;隋立芬;甘雨;黄贤源;;观测噪声为有色噪声的UKF姿态估计算法[A];第二届中国卫星导航学术年会电子文集[C];2011年

中国博士学位论文全文数据库 前4条

1 刘袁缘;自然环境下头部姿态估计方法的研究与应用[D];华中师范大学;2015年

2 崔锦实;基于三维模型的关节式物体姿态估计与跟踪方法研究[D];清华大学;2004年

3 赵松;人脸识别中的姿态估计、识别算法和融合算法的研究[D];中国科学技术大学;2009年

4 欧阳毅;单目视频中人体运动建模及姿态估计研究[D];浙江大学;2012年

中国硕士学位论文全文数据库 前10条

1 石广升;基于Kinect的物体三维模型构建和姿态估计方法研究[D];哈尔滨工业大学;2015年

2 杜署明;基于捷联惯性传感的吊钩姿态估计技术研究[D];大连理工大学;2015年

3 刘则芬;基于扩展梯度直方图的行人检测及姿态估计研究[D];合肥工业大学;2014年

4 张亚男;低成本动中通测控系统姿态估计算法的设计与实现[D];电子科技大学;2015年

5 张培浩;基于姿态估计的行为识别方法研究[D];南京航空航天大学;2015年

6 孙昊翔;关于人脸姿态估计问题的研究[D];吉林大学;2007年

7 李华明;基于中国人面貌形态学特征的人脸姿态估计方法研究[D];西北大学;2005年

8 杨旭;基于稀疏流形的头部姿态估计研究[D];华中科技大学;2013年

9 臧舒婷;基于单目相机的头部姿态估计算法研究[D];东北大学;2013年

10 崔少奇;人脸姿态估计算法的研究[D];西北大学;2015年

，

本文编号：745480