论文部分内容阅读
人体运动跟踪是计算机视觉和人工智能领域一个重要的研究课题,在视频监控、交互动画及三维模拟、运动捕捉和高级人机交互等领域具有广泛而重要的应用。然而,由于人体自身形体姿态的变化、衣物可变性和光照混杂等因素的影响,外观变化非常大,导致准确的姿势跟踪成为一个非常困难的问题。为了提高人体跟踪的准确性,本论文由图像的几何流特性出发,提出了基于第二代条带波变换的人体跟踪图像表示方法,并将其应用于机器学习方法的视频人体运动跟踪。在第二代条带波变换的基础上,本论文就寻找低维高效图像描述子,提高图像特征的表征性以及提高人体运动跟踪的鲁棒性等方面做了大量工作,主要涉及基于机器学习的人体跟踪方法、回归方法、全局描述子、基于词袋的图像特征表示方法等。本文主要工作如下：1)提出了一种基于第二代条带波变换的图像特征提取及人体运动跟踪方法。即利用优化后的Bandelet变换中的Bandelet其统计特征作为图像的特征,回归学习并预测单目视频图像中三维人体运动姿势。首先通过实验验证了Bandelet变换用于人体图像特征提取时的最优参数和附加的统计特征,然后利用各类回归方法进行参数学习,并进行了预测性能与人体跟踪测试。2)提出了一种基于最大几何流向直方图(MGH)的人体图像特征表示方法,用于机器学习的人体跟踪框架。即通过基于几何流的Bandelet变换按区域划分图像,统计条带波的各方向强度分布的直方图,提取统计特征。其间对直方图特征进行了归一化,以利于保持特征的鲁棒性和选择性。3)使用了基于高效匹配核的特征表示,提出了一种利用该图像特征进行线性核学习和回归的方法。即先提取图像序列的SURF特征,然后利用CKSVD(?)将特征矢量投影逼近到低维核特征空间；按近似后的核函数结合线性回归方程进行学习,得到图像特征到三维姿势的映射关系,有效地降低了运动估计的时间复杂度。