论文部分内容阅读
手部关节跟踪是计算机视觉中一个基础性和关键性的研究课题,它涉及图像处理、机器视觉、计算机图形学等多个学科。该课题具有广阔的应用领域,包括人机交互、虚拟现实、仿生机器人、工业智能化生产和智能医疗等。手部关节跟踪的主要研究目标是在视频序列中完成对手部位置与姿态信息的估计,进而实现对手部动作的描述与理解。虽然该研究领域得到了广泛关注并取得了一定的进展,但是仍然面临着许多挑战。首先,手部关节的自由度较高(26-27个自由度),对于手部位姿信息的求解过程比较困难。其次,由于手部关节运动的灵活性,导致其频繁地出现自遮挡情况,从而影响跟踪的稳定性及准确性。最后,由于求解手部位姿参数的问题往往是非线性的,因此计算复杂度较高。围绕上述问题, 国内外高校与科研机构的学者们进行了大量的研究,然而已有研究工作仍难以同时满足准确性、鲁棒性和实时性这三个要求。本文以RGB-D图像序列作为输入,并基于混合高斯模型(Gaussian Mixture Model, GMM)与改进的自适应粒子群优化算法(Adaptive Particle Swarm Optimization, APSO),对三维手部关节跟踪中的关键问题展开了研究,主要工作包括以下几个方面：(1)设计简化的手部关节模型并基于GMM建立三维手部模型。同时,不同于部分已有算法基于多幅图片进行自适应手部建模,本文提出一种基于单幅深度图像的自适应手部建模方法。(2)针对已有手部跟踪算法的目标函数不能很好地解决手部自遮挡或特征匹配的计算复杂度较高的问题,本文结合GMM的相似性匹配准则与深度相似性准则作为目标函数的主约束项并进行归一化处理,从而有效解决手部自遮挡问题。同时,加入肤色特征惩罚项与帧间连续性惩罚项作为目标函数的辅助约束项,以提高算法的鲁棒性。(3)针对梯度下降法求解多峰值多参数方程的局部收敛问题以及APSO算法的收敛速度问题,本文对APSO算法分别在局部收敛问题处理与算法收敛速度上进行改进,提高优化算法的性能。