吴玥[1]2008年在《基于单目视频运动跟踪的叁维人体动画研究》文中研究表明如何方便的生成高逼真度的叁维人体动画一直是计算机图形学、虚拟现实等领域的研究热点与难点。基于运动捕获方法的人体动画具有逼真度高、数据可重用等特点,在动画技术中得到广泛应用,商业产品中一般使用硬件设备(如Vicon)来捕获人体运动,要求运动员身穿紧身衣并在关节位置粘贴反光小球或反光片,这样限制了运动员的运动;另一方面硬件设备比较昂贵,制作成本较高。本文在前人研究的基础上,将视觉技术与图形学技术融合起来,提出了一种基于单目视频运动跟踪的叁维人体动画方法,具有使用方便、制作成本低廉、动画效果较好等特点。论文的主要工作及贡献如下:第一、在现有技术基础上,结合视觉技术和图形学技术,提出了基于单目视频运动跟踪的叁维人体动画生成系统的实现框架。第二、在基于二维关节位置已获取的假定下,以比例正交投影模型近似摄像机成像过程,根据运动连续性求得唯一的可变因子S,然后根据人体骨架比例约束求得各关节的叁维相对坐标,最后利用逆运动学求得各关节的旋转欧拉角。第叁、采用VRML标准中的H-anim对虚拟人进行几何模型,按照H-anim标准建立了虚拟人树型关节拓扑结构,根据已获得的关节欧拉角驱动虚拟人获得连续的动画效果。第四、在理论研究的基础上,根据该框架实现了一个原型系统。实验结果表明,该系统能够对人体运动进行准确的跟踪和叁维重建,可应用于人体动画制作领域。
邱显杰[2]2005年在《基于视频的叁维人体运动捕获方法研究》文中提出基于视频的人体运动分析是近年来模式识别、智能人机接口以及虚拟现实等研究领域中一个备受关注的前沿方向。它不仅具有重要的研究意义，而且在智能监控、体育运动分析、动画生成等方面具有广阔的应用前景。因此，它吸引了越来越多的研究者的兴趣。基于视频的人体运动分析的主要目的，是从一组包含人的视频图像序列中检测、识别、跟踪人体行为，并对其进行分析和理解。其中，运动检测和运动跟踪等属于底层视觉问题，而行为的理解和描述属于高层视觉问题。 本文针对基于视频的人体运动分析中的人体运动的行为理解的视觉问题，即人体运动捕获进行了研究，重点研究如何从蹦床、体操等复杂高动态视频中提取人体3D运动信息。创新之处如下： 1、在总体思想与方法上，提出了一种新的基于视频的3D人体运动生成方法 从运动视频中获取人体的3D运动信息是一个非常困难的问题。目前国内外的研究成果，都是只能对特定条件下采集的运动视频进行处理，并且只能针对例如走，跑步等简单的周期性运动类型。我们针对记录人体复杂运动的高动态运动视频，进行了基于视频的3D运动信息生成的研究，旨在得到3D人体运动数据的精确、整体描述。在研究策略中，我们加入了一些基于领域的知识，即，针对某种运动类型，充分利用基于领域内采集的3D运动数据库，同时，采用视频图像处理与学习策略相结合的策略来提取视频中的人体3D运动信息。我们选用蹦床运动视频作为研究实例，并通过大量实验数据进行了验证。实验结果表明，本文的方法避免了摄像机定标的繁琐计算过程，能对任意给定的运动视频进行处理；其次，由于采用基于领域的学习策略，与现有方法相比，本文的方法在计算稳定性与结果精度方面都有了很大的提高：重构效率可以达到次线性级(sub-lineay)，能基本满足实时处理的要求；同时，经过量化测试，在输入视频数据较为理想的情况下，姿态重构的成功率稳定在97％以上；而且算法对图像噪声也具有较好的鲁棒性，在视频图像具有较大噪声的情况下，其姿态重构成功率也可以达到94.5％。在此基础上获取的连续3D人体运动数据也体现了良好的运动相关性和物理真实性。 2、提出了一种基于轮廓相似性匹配的人体姿态重构方法 3D人体姿态重构是基于视频的3D人体运动生成的基础。本文中，我们提出了一种改进的基于轮廓相似性匹配的人体姿态重构方法。该方法将经典的Hu矩不变量与仿射矩不变量(AMIs)相结合。实践证明，与经典的Hu矩方法相比，基于Hu矩不变量与仿射矩不变量(AMIs)相结合的方法不仅修正了Hu矩方法中由于旋转不变性所导致的误差，而且计算的总体效率也提高了10％以上。
冯莲[3]2006年在《基于视频的人体运动跟踪技术研究》文中研究表明近年来,人体运动的视觉分析在图像处理与计算机视觉领域引起了广大学者的关注。这一课题在虚拟现实、智能监控、高级用户接口、运动分析、视频压缩等领域具有广阔的应用前景。本文研究基于视频的人体运动跟踪技术,在归纳和总结国内外这一领域的研究现状,对比各种方法的优势和劣势,分析人体运动跟踪的技术难点的基础之上,针对现有的基于模型的人体运动跟踪方法大多需要人工干预,从而不能满足实时性要求这一局限,以及步行运动跟踪研究中双腿自遮挡造成跟踪准确度不高的问题,提出了一种基于单目视觉的人体步行腿部骨架的自动检测和跟踪算法。算法分析人体步行运动的特征,跟踪下肢的五个关节点,获得了步行的各个参数,重建了人体步行运动的过程。主要研究成果如下:1)提出了无标志的腿部骨架自动提取算法。首先将视频分解成许多连续的静态图像帧,经过背景去除,把感兴趣的人体区域提取出来,通过二值化,中值滤波等预处理方法得到只有人体的一个单连通区域,然后用Sobel算子检测出BoundingBox最宽帧中人体下半身的轮廓,根据运动规律及特征找到后腿踝关节点,结合从BoundingBox最窄帧中所获取的腿长依次得到后腿膝关节,跨部关节,前腿踝关节,前腿膝关节四点,从而构建出腿部骨架模型。2)实现了人体步行腿部骨架的跟踪算法。在完成对腿部骨架模型的自动初始化之后,本文对跨关节、膝关节及踝关节分别采用运动建模、圆周相交定点算法、运动预测及预测点周围搜索RGB相似矩形块叁种方法确定每一帧中其实际坐标,从而重构出腿部骨架的运动过程。论文以中国科学院自动化研究所下载的步态图像序列库及实验小组自己拍摄的视频为实验素材,用本文提出的算法实现了对步行人体腿部骨架的自动检测及跟踪。实验结果表明,本文算法对骨架的提取及跟踪准确度较高,不仅摆脱了手工标注的约束,还有效解决了双腿自遮挡造成跟踪准确度降低的问题。论文最后给出了全文的总结及对未来工作的展望。
卢昕[4]2003年在《基于视频的人体运动分析》文中研究指明人体运动分析一直是多个学科领域中的重要研究问题，在生物医学、虚拟现实、机器人技术、安全监控等领域有着广泛的应用。本文的研究对象是基于视频的人体运动分析即在视频序列中对人体的运动进行跟踪，捕捉和分析。人体运动属于非刚体运动的范畴，具有高度的非线性特点，利用视频进行人体运动分析，有着极大的研究价值和现实应用前景。利用视频进行人体运动分析一直以来都是研究者所面临的难题，尽管如此，还是有不少研究者提出了相应的部分解决办法。本文介绍了目前基于视频的人体运动分析中所存在的问题。同时将目前的研究工作划分为基于特征和基于模型这两种不同的方法，并以此为线索回顾了解决该问题的一般思路与框架，并就这二类方法作了科学的比较。本文对两类不同单目视频中的人体运动跟踪问题进行了研究。第一类视频的研究对象是在实验室环境下穿着紧身衣、用MLD(Moving Light Display)标注关节点的人体所作的步行运动。我们采用基于特征的方法对人体进行了跟踪。本文提出使用相关模板的方法检测特征，实验表明该方法可有效检测特征。传统方法中跟踪特征往往使用一种模式，而本文在分析人体运动特点基础上，利用人体的结构约束条件结合人体不同部分的运动特性，对人体不同部分采用不同的跟踪策略。实验表明，利用该方法在无遮挡情况下，可以较好的跟踪人体的肢体运动。在第二类视频中，我们对身着普通服装的人体步行运动进行了研究。对这类视频我们采取了基于模型的研究方法。首先讨论了对于视频的预处理以及全身运动的跟踪问题。接着构建了人体腿部的二维模型。然后通过搜索一组参数使得合成数据与实际图象数据最为相似的方法，来跟踪腿部运动。模型跟踪中如何在参数空间中搜索有效参数一直是一个难题，传统方法一般通过优化的方法加以解决，而本文在跟踪过程中，逐个分析各参数的求解，降低了参数空间的维数，使得计算更为简单有效。此外通过定义合适的相似度函数提高了在遮挡情况下跟踪的准确性。实验表明，该方法可以很好的跟踪步行人体的腿部运动，并可以克服一定的遮挡现象。
赵国英[5]2005年在《基于视频的步态识别》文中进行了进一步梳理在智能环境研究中,人体运动分析与生物特征识别相结合目前已经成为一个流行的研究方向。步态识别,非接触式远距离的身份识别研究——基于运动视觉的第二代生物特征识别技术,是根据拍摄的行走视频,通过人体走路的方式辨别人体身份。和其它生物特征相比,无需接触和干扰,不具有侵犯性,其信息可以在相对较远的距离秘密地得到并进行识别。本文从理论和实际应用的角度,对以视频为输入的步态识别进行了一些新的探索。本文的主要贡献如下:1)提出了幅值谱和反射对称作为关键帧特征的步态识别算法。分别利用了步态图像在频域上的特征和心理学研究中步态的对称性对步态进行分析。幅值谱反映了人体步态的频域特征,而反射对称隐含表示了行走时人体的胳膊和身体的摆动习惯。反射对称性虽然不是唯一的特征,但实验证明反射对称是人体运动的特征之一,可以辅助进行识别。其优点是计算简单、快速,特征直观、有效。2)提出了小波速度矩和小波反射对称矩,以及用二者的结合来描述步态,进行步态识别。小波矩将小波特性和矩特征结合在一起,是一种新的矩特征,不仅具有平移、缩放和旋转不变性,而且具有小波分析的局部性、较强的抗噪性和多分辨率特征,很好地避免了高阶几何矩的计算,同时大大加强了矩特征对图像结构精细特征的刻划能力。在相似信号的识别中表现出很好的特性。速度描述了行走时的动态特征,反射对称隐含了身体的倾斜和手脚的摆动。文中将速度特征和反射对称特征分别和小波矩相结合,获得小波速度矩和小波反射对称矩。实验结果表明,算法得到了较好的识别结果,并具有一定的遮挡处理和抗噪性。3)提出了分形维数小波分析描述子步态识别算法,并利用训练信号,得到优化滤波器,提取特征,进行识别,改进识别结果。在小波矩计算中,只应用了那些能够显式表达的小波函数,并没有应用Mallat算法,从而限制了小波矩的广泛应用。本文将计算机小波和Mallat算法融入了小波矩的计算,并通过小波分析的方法求解分形指数,它增加了小波矩的灵活性,保留了小波矩描述子的性质,充分利用二维图像序列不同尺度上小波分析系数的自相似性,同时减少了计算复杂度。为得到针对不同数据的优化滤波器,文中算法通过学习训练信号,得到广义M进制多尺度滤波器,使得重构信号对原始信号达到最佳逼近。最后,通过最优滤波器提取特征,进行模式分析,在一定程度上提高了识别率。同时,对我们的算法和国内外的主要算法在计算时间、等错误率、复
刘国翌[6]2005年在《基于视频的人体运动跟踪技术研究》文中认为基于视频的人体运动跟踪是一种使用普通摄像机跟踪无标记人体运动的技术。它在自动监控、人机交互、体育运动分析等许多领域有重要的应用价值。在该方面的研究是近年计算机视觉领域的一个热点研究方向。由于问题的复杂性和缺乏对人类视觉本质的理解,基于视频的跟踪始终是计算机视觉中的难题。本文的研究内容以奥运科技项目为背景,针对以举重运动为代表的体育运动分析所提出的非接触、无妨碍的测量与仿真的要求,利用计算机图形图像和计算机视觉等技术,探讨了基于多摄像机视频的叁维人体运动跟踪和仿真技术。本文的主要工作和贡献如下:(1)提出了一个基于优化算法的跟踪框架。该框架直接融合来自多个摄像机的数据,使用灰度、边界和轮廓叁种图像特征来建立人体运动跟踪的目标函数。目标函数采用残差平方和形式,通过比较人体模型投影与提取的图像特征来建立,并使用高斯-牛顿优化算法求解。(2)设计了一个多摄像机人体运动跟踪环境,包括一个参数化的人体骨架模型和人体外观模型,以及一种实用的外参定标算法。在此基础上我们实现了多摄像机叁维人体运动跟踪的算法实验平台。(3)提出了一种基于轮廓匹配来预测二维关节点的算法,有效地解决了遮挡和跟踪错误积累这一关键问题。另外我们提出使用“人体自相交限制”、“肤色区域约束”、“对称性约束”等先验知识来提高跟踪算法对遮挡、环境变化以及噪声的适应性。(4)实现了面向举重运动的叁维人体运动跟踪原型系统。该系统能够自动跟踪举重运动的叁维人体运动参数以及杠铃的运动参数。(5)设计并实现了一个可以实时捕捉人体上半身运动的系统,实现了跟踪的自动初始化以及自动从跟踪错误中恢复,并且在一定程度上处理光照变化、身体自遮挡等问题。该系统通过结合使用人脸检测、肤色检测和概率跟踪等技术,可以使用单个普通摄像头在一般的室内环境下跟踪人体的脸部和手臂关节位置。
郝春刚[7]2005年在《人体运动分析中的轮廓处理技术》文中提出人体运动的视觉分析是近年来计算机视觉领域中备受关注的前沿方向,人体轮廓的获取技术是其中的关键问题,可以广泛应用在各个领域。本文提出了一个通用的基于体育运动视频的人体运动分析方法,并将研究重点放在基于视频的人体运动分析中的轮廓匹配技术以及具体实现方案上。取得了以下研究成果。一、基于Level Set方法实现了轮廓的平滑与去噪功能;二、基于EMD度量与LSH搜索算法进行人体轮廓匹配工作;叁、基于Shape Context方法的人体轮廓建模。在输入为单目静止背景视频的情况下,该方案可以获得准确的人体轮廓匹配结果。此外,为克服匹配速度过慢的问题,本文基于PCA方法减少计算量,获得了轮廓匹配精度与匹配速度两者之间的平衡。
史操[8]2011年在《基于计算机视觉的叁维人体运动数据压缩》文中研究指明人体运动数据压缩在数据压缩和人体运动分析中具有重要研究价值。随着运动捕获系统在体育运动分析、医学理疗、虚拟现实、动画制作、影视等商业应用和研究领域的广泛使用,众多人体运动数据库占用了大量存储空间,研究运动数据压缩能解决运动数据海量存储问题。近年来随着互联网角色扮演游戏的兴起,运动数据库可用于生成人物角色动画,因此对运动数据压缩能突破网络带宽瓶颈,提高游戏实时交互性。本文针对人体运动视频和叁维运动捕获数据两种时间序列进行了压缩研究。视频序列包含了空间信息冗余和时间信息冗余,本文研究了视频压缩算法及技术框架,提出了一种新的六边形块匹配算法用于去除视频中的时间信息冗余。基于视频的人体运动分析一直是计算机视觉的研究热点,对人体运动建模是运动分析的关键步骤。通过分析各种运动建模方法,本文提出了有利于数据压缩的基于叁次样条异步重采样的运动模型,并应用于运动数据压缩。在深入分析H.264压缩技术框架和叁角网格压缩算法后,本文挖掘了人体运动数据所固有的特点,根据人体运动数据中的空间和时间信息冗余提出了人体运动数据压缩框架。本文研究成果如下：(1)提出了一种基于方向的内搜索六边形搜索算法。通过分析视频中的信息冗余,研究了各种视频压缩算法,探索视频的工、P、B帧编码机制以及压缩算法,针对去除视频时间信息冗余的块匹配算法,提出了一种基于方向的内搜索六边形搜索算法。本文研究发现两帧图像之间图像子块的相似度不仅与离块匹配算法搜索中心的距离成线性关系,且与搜索方向相关。通过与国际上叁种六边形算法进行对比,实验表明本文提出算法不论在压缩比和画面质量,还是在搜索精度与速度上,都是一种适用于视频压缩的块匹配算法。(2)建立了一种基于叁次样条的异步重采样人体运动模型。探讨了不同取值域下的人体运动建模方法,通过研究人体运动受到的主观与客观约束条件和挖掘运动数据的特点,提出了有利于数据压缩的多路信号异步重采样思想,理论上论证异步重采样相对于同步重采样更利于运动数据压缩,并针对单个标记点提出了基于叁次样条的自适应重采样算法。通过压缩实验分析了不同运动阶段的数据可压缩性,以及运动序列长度对压缩性能的影响。(3)提出了人体运动数据压缩框架,其能同时去除空间和时间信息冗余。分析叁维人体运动数据固有的空间信息冗余和时间信息冗余,采用视频压缩标准H.264的设计思想,提出了能同时去除空间和时间信息冗余的人体运动数据压缩框架。通过研究数据降维算法PCA、KPCA、PPCA、PGA和CPCA,提出了自适应PCA算法用于去除数据的空间相关性,达到数据压缩的目的,同时分析了本文提出算法对数据的重构能力。自适应叁次样条异步重采样算法与自适应PCA算法组成了本文提出的人体运动数据压缩框架的核心。实验表明本文提出的人体运动数据压缩框架能有效实现运动数据压缩,解压重构毫不影响视觉效果。综上所述,本文提出一种新的块匹配算法用于视频压缩,设计了人体运动数据压缩框架,针对框架中去除时间和空间信息冗余这两种核心技术,提出了自适应叁次样条重采样算法与自适应PCA算法,取得很好的压缩效果,数据解压重构不影像视觉效果。
艾玮[9]2008年在《基于自适应粒子滤波的人体运动视频跟踪方法研究》文中研究指明基于视频的人体运动跟踪是一种使用普通摄像机跟踪无标记人体运动的技术,是近年计算机视觉领域的一个研究热点。人体运动的视频跟踪往往由于目标动作的复杂性和不规律性而变得非常困难。尽管人们对人体运动的视频跟踪进行了较广泛的研究,并提出了许多有效的跟踪方法,但对于复杂运动的人体动作,开发出一套鲁棒的视频跟踪算法仍存在较多困难。本文作者针对人体复杂运动的视频跟踪问题进行了研究。由于此类问题高度的非线性、非高斯性,本文作者采用基于概率模型的粒子滤波算法来作为跟踪框架。粒子滤波算法虽然能完成一般的跟踪任务,但对于人体运动跟踪仍然存在困难。传统粒子滤波在人体运动的视频跟踪中存在突出的问题:观测模型不能适应目标身体的表观变化;运动模型不能准确预测目标位置的快速改变。针对这两个问题,本文提出一种自适应粒子滤波算法。算法在粒子滤波的跟踪框架下引入一种自适应观测模型,并根据跟踪误差与人体动作改变幅度的大小自适应选择噪声方差和粒子数量。本文作者对大量的人体运动视频进行了跟踪实验,并将本文算法与传统的粒子滤波算法进行了比较。实验结果表明,本文算法不仅能完成一般的人体步行视频跟踪,并且能够完成复杂动作的视频跟踪任务,同时具有更低的跟踪误差率。
陈静[10]2011年在《基于视频的人体上肢运动分析技术研究》文中研究表明基于视频的人体运动分析是计算机视觉领域的一个重要研究方向,它是从视频序列中检测出运动物体,提取人体的关键部位,获得人体运动的有用信息,实现对人体动作、姿态等的进一步识别和分析。基于视频的人体运动分析技术作为生物力学同数字图像处理技术相结合的一项重要技术,在人机交互、智能监控、体育运动分析、医疗诊断、虚拟现实等领域都有着广阔的应用前景。本文以高尔夫球辅助练习系统为背景,对基于视频的人体上肢运动分析技术进行了深入的研究。本文对Canny边缘检测的阈值选取方法进行了改进,用于视频序列的边缘检测；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；根据人体先验知识总结出一种边缘点整合的算法,对运动区域的边缘点集进一步处理,用于得到人体运动肢体较为完整的轮廓。本文根据视频人体检测技术和体育运动领域的知识和经验,设计并实现了高尔夫球辅助练习系统。该系统通过对运动员挥杆视频进行处理,实时地判断出运动员上杆过程中手臂动作正确与否,同时还可以定量的显示出待测动作与标准动作之间手臂姿态的差异。实验结果表明,本文较好地解决了视频人体运动分析中背景干扰和人体及服饰的非刚性问题,可以比较准确地检测出人体运动肢体的轮廓。高尔夫球辅助练习系统完成了对运动员上杆过程中手臂动作的检测和分析,达到了辅助训练的目的。
参考文献：
[1]. 基于单目视频运动跟踪的叁维人体动画研究[D]. 吴玥. 湖南大学. 2008
[2]. 基于视频的叁维人体运动捕获方法研究[D]. 邱显杰. 中国科学院研究生院（计算技术研究所）. 2005
[3]. 基于视频的人体运动跟踪技术研究[D]. 冯莲. 湖南大学. 2006
[4]. 基于视频的人体运动分析[D]. 卢昕. 浙江大学. 2003
[5]. 基于视频的步态识别[D]. 赵国英. 中国科学院研究生院（计算技术研究所）. 2005
[6]. 基于视频的人体运动跟踪技术研究[D]. 刘国翌. 中国科学院研究生院（计算技术研究所）. 2005
[7]. 人体运动分析中的轮廓处理技术[D]. 郝春刚. 华北电力大学（北京）. 2005
[8]. 基于计算机视觉的叁维人体运动数据压缩[D]. 史操. 中南大学. 2011
[9]. 基于自适应粒子滤波的人体运动视频跟踪方法研究[D]. 艾玮. 中南大学. 2008
[10]. 基于视频的人体上肢运动分析技术研究[D]. 陈静. 哈尔滨工程大学. 2011