论文部分内容阅读
摘要：人体运动分析是计算机视觉领域一个十分重要的研究方向,具有广阔的应用前景。但由于人体姿态的复杂性以及视觉理论的局限性,以人的活动为中心的视觉分析目前大部分停留在研究阶段,实际应用场合还不是很多。本文即针对人体运动分析中的手势识别和人体姿态跟踪算法进行研究。手势识别方面,本文提出了一种快速实用的静态手势识别算法,将运动信息与肤色相结合,实现了HSV颜色空间中手势图像的准确分割,提取图像的Hu不变矩作为手势特征,解决了识别过程中手势发生旋转、平移缩放的问题。通过计算输入手势图像与模板手势图像特征向量之间的距离,实现了基于模板匹配的静态手势识别。实验结果表明,此算法的实时性好,针对本文定义的十一个手势的平均识别率为88.2%。在动态手势跟踪方面,本文选用基于颜色特征跟踪的Camshift算法。将肤色分割与Camshift算法结合,把肤色分割后的颜色参数作为Camshift算法反向投影步骤的输入部分,实现了基于Camshift算法的自动手势跟踪,该算法的实时性好,且可以跟踪变化的手势。人体姿态跟踪方面采用融入了退火思想的模拟退火粒子滤波跟踪算法,运用美国布朗大学的人体运动姿态公共数据库HumanEva中的人体运动关节参数,建立三维人体模型,采用剪影、边缘两种图像特征构造似然函数,并加入人体关节角度运动范围和穿透性检测作为运动约束,通过对比实验,选取合适的退火粒子数及退火层数实现跟踪,以平衡跟踪效率和跟踪准确性。为解决人体姿态跟踪中的维数灾难问题,本文对人体姿态数据降维算法进行研究。对比了线性主成分分析(PCA)法和高斯过程隐变量模型(GPLVM)算法,并对GPLVM算法进行改进,用随机梯度下降的方法代替GPLVM中原始的优化求解方法,通过人体运动姿态公共数据库CMU数据库的验证,表明改进的算法在学习结果和学习效率上都优于传统的GPLVM算法和PCA方法,且学习到的数据在低维空间中呈现出聚类的特点。