人体动作姿态的自动识别方法研究

提出了一种人体动作姿态的自动识别算法,用运动历史图像和运动能量图像分别表示动作姿态发生的区域以及动作姿态发生的过程,并从中提取出改进的不变矩作为特征向量进行人体动作姿态的自动识别,实验结果表明,该算法显著地提高了人体动作姿态的识别效率.     

基于累积运动能量图像的人体动作识别

指出了动作识别中的最大困难是难以提取有效的特征来准确描述人体的动作,动作模板是众多方法中的一种简单有效的方法,用来描述动作特征的经典动作模板是运动历史图像.由于受噪声的干扰,用运动历史图像描述复杂环境下的人体动作并不十分理想.为了得到比运动历史图像更加有效的动作模板,提出了将视频序列中的运动能量信息用一张图描述出来,称之为累积运动能量图像,提取其直方图特征来表征人体动作.经You Tube数据集上的实验表明:该累积运动能量图像的识别率比同类方法高.     

基于视频的人体运动肢体检测

要实现对视频中人体动作的捕捉和分析首先要提取出人体的运动肢体,当视频中背景和人体姿态比较复杂时,帧差法、光流法等传统的运动目标提取方法并不能准确检测出人体运动肢体的轮廓.在帧差法基础上,提出了动态区域边缘点保留法来获取运动区域的边缘点集,并根据人体先验知识总结出一种边缘点整合的算法,用于对运动区域的边缘点集进一步处理,得到了人体运动肢体较为完整的轮廓.实验证明,该方法可以较好地解决背景干扰和人体及服饰的非刚性问题,比较准确地检测出人体运动肢体的轮廓.     

基于改进式主动轮廓模型的序列超声心动图左室短轴轮廓跟踪

提出了一种序列超声心动图左室短轴轮廓跟踪方法.运用改进式主动轮廓模型算法并结合帧间图像配准原则逐帧进行轮廓提取,从而实现序列超声心动图左室短轴轮廓跟踪.该方法的突出特点是在复杂的心脏运动条件下解决左室短轴运动的序列图像轮廓跟踪问题.从实验结果可以看出,该方法能够比较准确地跟踪序列超声心动图左室短轴轮廓.     

基于图像序列的三维人体扫描仪

提出一种根据计算机视觉原理来获取人体表面信息的三维人体扫描仪方案,利用摄像机和人体之间的相对运动采集连续的图像序列,对序列图像进行预处理,从而获得各个角度的人体轮廓图像.然后根据轮廓图像的边缘点求取图像中各个高度的人体的侧影轮廓.最后通过一系列的人体的外侧影轮廓来逼近人体的原始形状,进而重建出人体表面三维信息.实验结果表明,本方案和算法是低成本、合理、有效的,根据本方案研制出来的原型系统的性能达到了预定的目标.     

基于改进主动形状模型的前列腺超声图像分割算法

为了提高前列腺超声图像的分割精度,提出了一种基于改进主动形状模型的前列腺超声图像分割算法.首先,提取前列腺超声图像的特征集合,该特征集合由Gabor纹理特征和局部二值模式(LBP)特征组成.然后,通过利用k均值算法对提取的特征集合进行聚类分析,得到超声图像的聚类表示图.最后,在聚类表示图上应用ASM获取超声图像中前列腺的形状信息.结果表明,该算法可以准确地定位前列腺边界信息,与医生手动标记的前列腺轮廓相比,平均绝对距离仅为1.559 6 mm,戴斯相似度系数最高可达93.88%.利用超声图像的聚类表示图可以获得更加精确的前列腺轮廓信息,可用于海扶高聚焦超声(HIFU)手术中的精准导航.     

基于运动段分类的人体轮廓提取方法

基于运动段分类的思想,提出一种人体轮廓提取方法.首先通过离散轮廓演变(DCE)提取场景各像素点所对应的运动段,然后在特征子空间(PCA)内对图像包含的运动段进行分类,最后去除属于背景类的运动段得到人体轮廓.在场景包含了其他运动干扰(如车辆、树叶、雨滴等)的情况下,该方法也能够高效地分割出人体轮廓区域.对USF室外步态序列的实验结果表明,经过运动段分类之后的人体轮廓提取效果较分类之前有明显改善.     

基于机器学习的人体动作深度信息识别方法研究

为了实现人体动作的准确检测识别,提出基于机器学习的人体动作深度信息识别方法,构建人体动作的三维图像采集模型,建立人体动作三维重建图像的表面结构重构模型,结合模糊度特征提取方法对人体动作三维重建图像进行多尺度分解,采用三维空间结构重组的方法进行人体动作细节特征识别,建立人体动作图像的多维分割模型;采用机器学习算法进行人体动作的细节特征分类识别,建立人体动作深度信息的提取和分类模型,在机器算法下实现人体动作的深度信息检测和多维识别。仿真结果表明,采用该方法进行人体动作深度信息识别的准确度较高,特征分辨力较好,具有很好的人体动作信息检测和辨识能力。     

利用卷积曲面模型的人体运动姿势估计

基于通过单目图像进行人体运动姿势估计,是计算机视觉中非常困难的问题,提出了一种利用单目图像进行人体运动姿势估计的框架.首先建立了一种新颖的多项式密度卷积曲面人体模型,该模型由连接体线骨架与某种卷积核卷积而成,整个曲面是一张连续曲面,调节多项式和半径参数可以让人体任意变形;给出了正交投影下卷积曲面和曲线对应的概念和相关定理,为二维的图像轮廓和三维人体模型之间建立对应关系;根据正交投影下卷积曲面与曲线对应定理,用卷积曲线去逼近人体的图像轮廓曲线,从而估计和恢复出三维人体运动姿态.实验证明,该方法在没有遮挡的情况下,可以很好地恢复人的三维运动.     

一种轮廓变化图像小波矩的步态识别

针对计算机视觉中的步态图像提取问题,提出了一种基于行人轮廓变化的人体步态识别方法.对图像序列进行预处理,提取并采样行人轮廓,通过分析基于区域直方图的运动信号来估计2个单步长度,叠加前后帧间的新增轮廓区域和消失轮廓区域,从而构造出2组运动历史图像,并用其表达行人的步态特征,最后采用小波矩不变量提取这2组图像的特征,以作分类和识别之用.经Soton数据库实验表明,所提算法能很好地体现步态的时变信息和空间信息,大大降低了计算维数,所用小波矩的特征向量不仅具有平移、缩放和旋转不变性,而且具有局部性和多分辨率特征,正确识别率可达88.20%.     

基于Adaboost关键帧选择的多尺度人体动作识别方法

针对手工制作关键帧检测器和最初“特征包”方法的局限性,提出一种基于Adaboost关键帧选择和多尺度运动特征表示的人体动作识别方法.首先,从视频序列中提取兴趣点,使用生物启发特征结合光流的多尺度方法提取运动特征;然后,利用Adaboost学习方法从一个大的特征池中选取最具辨识度的几帧图像,并将排列前十的Adaboost帧作为相应的关键帧;最后,利用相关图表示关键帧,由支持向量机(support vector machine,SVM)完成人体动作分类.在KTH、多视图IXMAS和TUM数据库上的实验结果显示,该方法在3个数据库上的识别精度可分别高达95.5％,93.7％和91.5％,识别性能明显优于其他几种较新的方法,表明利用Adaboost学习算法可有效选取每个视频动作序列的关键帧,并有效解决了“特征包”方法的局限性问题.     

基于光流约束自编码器的动作识别

为了改进特征学习在提取目标运动方向及运动幅度等方面的能力,提高动作识别精度,提出一种基于光流约束自编码器的动作特征学习算法.该算法是一种基于单层正则化自编码器的无监督特征学习算法,使用神经网络重构视频像素并将对应的运动光流作为正则化项.该神经网络在学习动作外观信息的同时能够编码物体的运动信息,生成联合编码动作特征.在多个标准动作数据集上的实验结果表明,光流约束自编码器能有效提取目标的运动部分,增加动作特征的判别能力,在相同的动作识别框架下该算法超越了经典的单层动作特征学习算法.     

基于Kinect 的康复训练系统设计与研究

针对运动功能障碍患者的康复训练需求,在使用Kinect 设备提取人体骨架拓扑结构的基础上,提出了一 种基于关节点角度序列提取人体运动特征的动作模型,并设计了一种基于Kinect 体感相机的康复训练系统。 该系统利用Kinect 设备实时采集人体骨骼数据,计算特征关节点间的角度,形成关节角度变化序列。利用动态 时间规整算法( DTW: Dynamic Time Warping ) 比较被测角度序列与动作库的标准动作序列的相似度,判断动作 是否标准并输出评估结果。该系统具有使用便捷、成本低的特点,提高了训练过程的趣味性。测试结果表明, 该系统通过人机交互实现了对运动障碍患者的康复训练指导,对康复训练过程具有积极影响。     

基于超限学习机的深度网络时间分组行为识别

为准确识别视频目标个体完整行为动作序列, 增强视频行为识别精度, 提出一种基于超限学习机的深度网络时间分组行为识别方法。 首先按照人体行为关键姿态个数明确行为识别模型的状态数量, 建立人体运动行为多尺度结构关联, 把运动轨迹及边缘轮廓小波矩的不同尺度特征引入行为模型中, 获取人体运动行为概略特征; 其次利用视频分组稀疏抽样法, 将视频分割成等时长分组, 运用标准反向传播法优化模型参数, 实现低成本视频级时间建模, 并确保建模过程信息完整性; 最后根据隐含层激活函数输出及对应输出层权重系数,得到灵敏度解析式, 按照灵敏度参数对隐含节点进行排序, 删除次要节点, 实现深度网络时间分组行为的精准识别。 仿真实验结果表明, 该方法具备较高水准的识别精度, 且耗时少, 拥有极强的鲁棒性。     

基于信息融合的运动目标自动提取

提出了一种采用主动轮廓模型来融合多种图像信息的运动目标提取算法．通过对含有运动信息的差分图像进行统计分析，可以获得运动目标的粗略位置，从而解决了主动轮廓的启动问题．利用图像中的色彩信息，构建了一种新的色彩力．由于这种色彩力在作用范围、定位精度上与反映目标边缘特征的图像力具有互补性，因此在这两种力的共同作用下，主动轮廓可以有效地解决其初始位置远离目标边缘的难题，并精确地提取目标的真实轮廓．实验表明，这种算法在长达数百帧的图像序列中，始终能准确地分割出运动目标，并稳定跟踪目标的运动．     

一种基于轮廓特征的运动目标识别方法

针对视频图像中形状匹配的局限性,即当待检测物体出现平移、旋转变化时识别目标需要很长的计算时间,提出了一种基于轮廓特征的运动目标识别方法.首先获取能自动更新的背景图像,采用背景减法提取运动目标的轮廓,然后运用其轮廓的边界不变矩特征和形态学特征,构建一个轮廓特征向量的模型,再分析比较待测运动目标轮廓特征向量与每类标准样本之间的欧氏距离,实现对运动目标的识别分类. 试验结果表明,该方法具有识别精度高、计算量小、实时性好的特点.     

一种基于颜色直方图的人体部位外观模型

为提高单幅静态图像中人体姿态估计的准确度,提出了一种仅利用单幅静态图像建立的基于颜色直方图的人体部位外观模型。模型的建立主要包括三个步骤,即:①计算人体部位减小后状态空间中的每个状态所对应图像区域的HOG特征与基于HOG特征的部位外观模型的似然度;②利用似然度较高的状态学习定位概率;③根据学习得到的定位概率建立基于颜色直方图的部位外观模型。仿真实验表明当将所提人体部位外观模型用于单幅静态图像的人体姿态估计时可以得到更好的估计效果。     

基于K-means和GVF Snake模型的纤维图像分割

在纤维图像自动识别系统中,分割出完整连续的纤维是纤维特征分析的必要前提.针对纤维图像的背景和前景灰度区别不大、光照不均对图像的影响等特征,提出融合K-means和GVF(Gradient Vector Flow)Snake模型的纤维图像分割算法.该算法以提取完整连续的纤维轮廓为标准,利用K-means聚类分割结果为GVF Snake模型的初始轮廓线,并对得到的存在毛刺的轮廓结果采用轮廓跟踪去除毛刺,从而得到完整连续的单根纤维图像.该算法不仅能有效解决传统图像分割方法对纤维图像分割的不连续问题,而且能有效抑制纤维图像中噪声的影响.     

基于视觉词袋和三角函数法的动作识别

为了能够更为迅速与准确地对交警指挥等已知动作进行识别,提出了一种将人体特征点的运动轨迹三角函数化后用视觉词袋进行识别的方法.该方法通过将人体运动肢体的端点定义为特征点后,将特征点的空间位置与时间的关系看作是一组三角函数曲线,用不同的正弦公式的组合代替特征点的运动轨迹,以提取特征;同时此算法利用视觉词袋法,提取人体动作时的特征子通过金字塔模型与视觉词袋词典中的特征进行匹配,再通过抽象隐马尔科夫模型实现动作的预测,从而能够自适应地识别出动作.实验结果表明该算法在针对多个动作时优于传统算法.     

静态特征和动态特征融合的步态识别

提出一种融合步态运动中的人体形状静态特征和动态特征的步态识别算法:使用改进的Hu矩表达人体轮廓特征,用于描述步态序列的静态特征;依据人体解剖学的知识定位下肢关节点,并提取两脚间的步幅,用于描述步态序列的动态特征;最后,将这两种特征进行组合处理。实验结果表明本文的算法具有不错的识别效能。