多視點非接觸式人體運動捕捉的研究.pdf

1、運動捕捉是檢測記錄運動目標的動作或表情，將其轉化為數字化的“抽象運動”的技術。運動捕捉結果表達為不同時刻目標所處的姿態(tài)，可用于新一代人機自然交互、動畫制作、游戲制作、運動分析、虛擬現實等諸多應用領域。由于非接觸式人體運動捕捉具有非強迫、成本低、智能化等優(yōu)點，如何不依賴于特殊設備或標志，克服噪聲、復雜背景、遮擋和自遮擋等因素的干擾，從圖像序列中獲取人體的姿態(tài)信息已成為運動捕捉領域的重要熱點之一。本文對多目圖像序列中的人體運動捕捉的相關技術

2、進行了研究和探討，提出了一系列新的解決方案和算法。主要內容如下： 1.在運動目標的提取中提出了一種自適應層次式混合高斯(GMM)背景模型，即HGMM。它使運動捕捉系統能夠處理更多復雜場景中采集的數據，較好的解決了自適應混合高斯背景模型中存在的三個方面的問題：背景模型初始化速度慢、暫停運動或運動緩慢的目標被背景模型過快吸收、無法處理劇烈的光照變化。為了解決這些問題，本文介紹了一種小樣本集上的背景模型學習算法、一種新的背景模型選取算

3、法以及背景模型的層次式組織形式。 2.在運動目標的提取中提出了一種新的結合“自適應GMM背景模型”的馬爾可夫隨機場后驗概率最大化(MRF-MAP)方法，即GMM-MRF。它是一種固定攝像機條件下實時、準確的運動目標自動提取方案，解決了已有MRF-MAP方法中存在的四個方面的問題：無法處理動態(tài)背景造成的“偽目標”、陰影的干擾、提取結果不符合圖像中的邊緣特征、算法效率太低。本文對MRF-MAP方法的貢獻在于：設計了基于“自適應GMM

4、背景模型”的能量項、設計了陰影消除能量項、設計了對比能量項以及引入了動態(tài)的切圖算法。 3.在基于學習的人體運動捕捉中，提出了一種從視點基本無關的三維體素數據中學習人體姿態(tài)的方法，即LPFV(Learning Pose From Voxel)。它在一定程度上解決了以往的同類方法中存在的問題，即攝像機位置發(fā)生變化時需要花費大量資源重新學習回歸模型，把運動捕捉的學習方法向視點無關的目標推進了一大步。本文的主要貢獻還包括：改進了三維形狀

5、描述子3DSC，更有效的描述體素數據；提出了一種體素數據特征提取的貝葉斯方法，增強了特征矢量的區(qū)別力；引入了多變量相關向量機，學習單個映射函數，保持回歸模型的稀疏性。 4.在基于模型的人體運動捕捉中，提出了一種三維動態(tài)馬爾可夫隨機場方法，即3D-DMRF。它把運動捕捉和三維重建巧妙的結合在統一的貝葉斯框架MRF中，能夠同時給出運動捕捉的準確姿態(tài)和三維重建的更好結果，解決了以往三維擬合方法中存在的問題，即沒有考慮三維數據中(尤其是

6、稀疏視點下)所包含的誤差對運動捕捉精度的影響。本文的主要貢獻還包括：設計了一種新的人體模型——增強型的骨架圖，較好的平衡了模型的復雜度和真實感；提出了3D-DMRF的構造方法，使觀測數據和人體模型兩種形式的信息互為補充；提出了3D-DMRF的兩層嵌套優(yōu)化技術，同時求解人體運動捕捉和三維重建問題。 各部分的合成與真實數據實驗證明了本文工作內容的可行性和有效性，最后介紹了一個實用簡便、成本低廉、精度較高的非接觸式的人體運動捕捉原型系