人体关节运动跟踪

基于计算机视觉的人体关节运动跟踪是建立在计算机基础上的可移植、可拓展的智能人机交互模式.通过极值点确定、初始位置确定、粗定位、精定位、带宽确定,获取运动人体关节的中心和带宽,从而识别人体关节.采用改进的Mean Shift算法对人体运动时的关节进行跟踪,应用改进的Kalman滤波器跟踪算法对运动目标的状态进行估计,解决了快速运动或突然变向的目标丢失的问题.最后,对改进前后Kalman滤波器跟踪算法的跟踪效果进行对比,验证了改进Kalman滤波器跟踪算法的优越性.     

人体下肢运动协调模型

人体在行走、奔跑等运动时,在运动神经中枢的支配下,下肢运动存在一定的协调关系.这种协调性是生物进化和后天学习的结果,它使人体运动更加灵活、高效.研究健康人体的下肢运动协调性对于中风病人的康复治疗、足式机器人的步态规划、外骨骼机器人等助力设备的人机协同控制等领域具有重要意义.目前人体下肢协调性的研究仍比较初级,多停留在现...     

基于运动矢量分析的动作识别技术

改进人体行为识别传统模板匹配方法的算法,提出一种基于运动矢量分析动作识别技术,并对其识别效果进行实验验证.该技术把标准人体动作的百分比运动矢量作为模板,将待识别动作的百分比运动矢量与已知的模板进行对比,从而得到动作识别结果.该技术可以正确识别摆头、点头和摇头动作,动作重复3次的识别率可以达到95%以上.该技术进行实时动作识别具有效果好、算法简单、识别速度快、抗干扰性强等优点.     

智能多媒体内容理解若干关键技术研究

让计算机具有象人睛一样的视觉功能是广大人工智能研究者,特别是从事模式识别与计算机视觉研究领域的学者追求的目标,也是多年来该领域的热门研究课题.但由于其难度较大,很多问题还在探索中.针对该领域存在的一些问题,结合一些应用领域的迫切需求,厦门大学智能多媒体技术实验室从2005年开始从事多媒体内容理解领域的关键技术研究,先后在行人检测、人体行为识别、基于视觉的人体亚健康分析、图像自动标注与检索等领域开展了相关研究.主要针对上述几方面的研究工作,分别介绍国内外的发展情况、我们的研究进展以及未来的工作展望,以便给读者提供相关的参考借鉴.     

基于摄像机的人体运动分析系统标志点图像处理

针对基于普通摄像技术的人体运动分析系统检测精度与处理速度低的问题,提出了一种快速标志点模糊图像预处理及标志点识别与跟踪的新方法。该方法首先利用快速模糊边缘检测算法对图像进行增强处理,然后使用作者构造的基于阈值法的连通域判别算法提取标志点图像边缘,最后运用“一阶预测—局部搜索”方法查找与跟踪标志点。对比实验及临床应用结果表明,该方法具有运算量小,图像处理快的特点,提高了运动分析系统的运行速度。该方法尽管是针对由普通摄像机替代专用设备建造的人体运动信息分析系统中图像处理问题提出的,但它同样适用于其它有关静止或低速运动物体图像的检测、处理与模式识别等方面的研究。     

基于LMP-KCPA的人体动作识别方法

为解决人体动作识别中由于特征描述子的维数过高, 无法表征目标变化的本质运动变化信息的问题,给出了核主成分分析(KPCA: Kernel Principal Component Analysis)对局部运动模式描述子(LMP: Local Motion Pattern)降维方法。首先利用LMP 描述子对人体运动目标进行描述, 然后利用KPCA 算法对局部运动模式特征
描述子进行处理, 获取新的特征描述方式。通过MATLAB 仿真, 与Cuboids+SVM 和LMP+SR 两种算法对比结果表明, 基于LMP鄄KPCA 的人体动作识别, 特征描述子维数明显降低, 可以表征人体运动目标变化关键信息,识别率比Cuboids+SVM 算法提高1. 1%, 比LMP+SR 提高1%。     

基于ISA网络的视频人体行为分类识别

采用基于独立子空间分析(ISA)模型与神经网络理论形成的ISA深度网络模型特征提取方法,并结合数据预处理方法、K-means聚类方法以及支持向量机(SVM)分类器等实现对视频人体行为的分类识别.将本研究方法应用到Hollywood2人体行为数据集上进行人体行为识别实验,并与其他常用人体行为特征提取和识别方法进行对比,实验结果验证了本研究方法在人体行为分类识别中的有效性.     

低成本人体步态在线检测系统

研究了一种由 CCD摄像机、三维测力台及表面肌电信号检测装置组成的人体步态在线检测系统。在该系统中图像、力和表面肌电信号都由一台计算机实时采集。采用普通监控用图像设备和边缘检测、模板匹配等方法识别运动图像中的标志点 ,降低了系统硬件成本和对测试背景的要求。初步应用结果表明 :系统同步性能好 ,空间分辨率小于0 .2 %。该系统不仅适合于临床进行步态分析 ,而且也可用作其他与人体运动姿态有关研究的检测平台。     

基于移动钟摆的步态识别方法

步态识别是一种新兴的生物特征识别技术,具有远距离识别、非侵犯性、难于隐藏等优势。文章针对人体运动的特点,将步态看成是钟摆运动和平移运动的复合,提出了一种基于移动钟摆的步态识别方法。实验证明,该方法简单有效,并在CASIA数据集上取得90%以上的识别率。     

结合人体运动特征的行为识别

人体运动具有马尔可夫性质,即当前状态只受前一状态的影响.目前为止,用于人体行为识别的隐马尔可夫模型(HMM)大多使用的是全连接结构(Full-Connected structure), 并且没有把状态数目的选取和状态转移条件与人体运动特性间的关系作为研究重点.本文针对这种关系提出了基于"从左到右三状态半连接HMM"的人体行为识别方法,为每个状态的输出概率引入了权重的概念.实验表明,该方法能够在降低运算复杂度的同时,提高行为识别率,从而证明了人体运动特性分析在HAR领域中的应用价值.     

步态识别及其在智能视频监控中的应用

步态识别作为远距离下惟一可识别的生物特征识别技术,日益受到专家学者的关注.文章给出了步态识别的概念和相关原理;介绍了智能视频监控系统智能化处理的一些技术,并对步态识别在智能监控下的应用和发展前景做了分析.     

基于腕部IMU数据采集的人体运动模式识别

利用安卓智能可穿戴设备内置的运动传感器采集了特征频率变化较高的人体腕部加速度信息,对人体行走、跑步、站立、下楼4个运动模式进行了分析,提取了运动传感器信号均值、峰值、方差和协方差等特征值,并利用支持向量机算法对4种运动模式分类识别,准确率为88.46％.随后利用网格搜索法、遗传算法、粒子群优化算法对参数C,g进行寻优,...     

基于人体骨架特征学习的动作识别

动作识别是计算机视觉研究中的一个基本但具有挑战性的问题.在过去的几年中,许多基于RGB视频的识别技术已经得到了巨大的发展,并取得了显著的成果.但是,处理RGB视频可能非常耗时.其中,在动作识别领域,人体骨架数据具有轻量级的特点,同时对人体外观、环境背景等信息具有不变性,因此,这种数据模态受到了越来越多的关注.然而,基于人体骨架的动作识别面临两个问题:人体骨架数据的噪声问题和数据标注的依赖问题.噪声问题是指骨架数据中存在噪声影响数据的准确性,而数据标注依赖问题则是指在监督学习中,需要大量的标签数据进行训练.本文针对人体骨架数据在采集中的噪声问题,提出了一种基于噪声适应的动作识别模型,设计了回归模型和生成模型充分利用不同场景下的噪声数据特点.并且针对人体骨架数据过于依赖标签数据,利用自监督学习方法,提出了一个基于多任务自监督学习的动作识别方法.     

虚拟环境中人体运动的控制与实现

虚拟环境中人体运动是虚拟现实技术中的一个重要研究领域，有着广泛的应用前景。通过分析人体运动的特点和虚拟人体的骨骼模型，采用以数据驱动与程序驱动相结合的方式建立了虚拟人体运动模型，采用这种方法建立的人体模型不仅可以修改人体各个部分的静态属性而且可以方便地实现人体的运动控制。文中重点讨论了虚拟环境中虚拟人体运动的控制和实现。利用Vc＋＋6．0和OpenGL，编程实现了通过人机交互输入数据和按预定轨迹对虚拟人体步态的控制。     

视频流分析的隐藏马尔可夫链算法

视频流分析是多媒体技术研究的重要内容,具有广泛的应用领域．应用马尔可夫链模型,研究视频中的人体运动目标位置的跟踪,通过对跟踪的第一帧视频中的人体区域进行手工标注,建立马尔可夫链模型．然后结合卡尔曼估计算法,跟踪出下一帧的人体位置．实验证明,这种算法可以有效地解决在复杂的运动背景下,人体运动目标的跟踪问题．     

肢体运动微型监测系统研究

人体肢体运动的动态检测和模拟具有极大的医学应用价值。介绍一种采用微机电传感器(加速度计和磁强计)集成制作的微型监测装置,可以用于人体姿态和运动的测量。在姿态和运动的表示方面,采用单次转动和空间转轴结合的方式,计算简便,姿态反映直观,运动特征突出。此外对人体头部运动进行了实际测量和运动模拟。实验证明:该装置能够动态检测肢体的姿态和速度等运动信息,并可快速地进行体态模拟。     

视频行人重识别研究进展

视频行人重识别是指在不同摄像头拍摄的视频中检索特定行人的技术.与图像行人重识别相比,视频行人重识别赋含信息更多,包含了帧与帧之间的时间信息、运动信息等,这有利于提高行人检索的准确率,因此视频行人重识别引起了国内外学者的广泛关注.本文探讨了视频行人重识别的处理过程,详细介绍了其中特征提取和距离度量的方法,并对各种特征提取方法的特点及应用进行了总结,给出了一些视频行人重识别实验数据集和评价标准,提出了视频行人重识别研究领域面临的挑战及相应的解决方案,最后对视频行人重识别技术未来的研究问题做了展望.     

老年人下肢康复训练机器人运动识别方法研究

本研究认为,由于后天环境影响和身体机能的下降,老年人下肢运动能力降低的人数不断增多,相应地,康复训练机器人的相关技术则成为了研究的热点.本研究以老年人康复训练机器人为研究对象,提出了一种通过采集前臂压力来识别老年人的运动意图的方法,即建立系统的运动学模型,使用模糊拉格朗日插值法识别机器人的运动方向意图,使用比例变化法识别机器人的速度意图,通过仿真对识别方法的优越性进行验证.仿真结果表明,文中方法识别的速度和方向与实际运动情况基本一致,表明该研究提出的方向和速度意图识别方法是可行的.该研究为下肢康复训练机器人的发展提供了一定的参考.     

关于人体部位识别的一种模糊算法

提出了一种运用模糊逻辑算法,把“星形骨架”法和apar区域方法结合起来,通过定义适合度函数识别人体部位。这种方法充分利用了人体部位的形状特征和各块之间的位置关系,提高了识别人体部位的准确度。实验证明此方法是有效的。     

一种结合深度信息的人体行为识别方法

针对现有的人体行为识别方法中易受到噪声、光照以及复杂背景等因素的影响,同时,未充分考虑到人体交互区域的作用。提出一种结合普通彩色视频和深度信息的人体行为识别方法。首先,对于识别中提取人体运动目标时,利用深度图中物体表面法向量提取运动目标的边缘;同时结合加权累计帧差法获取运动模板。其次,结合深度连续性提取非人体区域(人体与动作的交互区域)并进行描述,作为人体行为表示的一部分。最后利用支持向量机(support vector machine)进行训练和识别。实验部分在CAD-120数据集中测试,通过与一些现有的人体行为识别方法相比较,动作识别准确率提高了5%左右。