隨著人工智能時代的來臨,計(jì)算機(jī)視覺在人們生活、工作中發(fā)揮著越來越重要的作用。人體運(yùn)動姿態(tài)識別作為計(jì)算機(jī)視覺的熱點(diǎn)方向,已廣泛應(yīng)用在視頻監(jiān)控、智能家居、運(yùn)動分析等諸多領(lǐng)域,然而人體運(yùn)動姿態(tài)的復(fù)雜多變,使其在實(shí)際應(yīng)用中存在一定局限性。因此,通過有效特征信息對運(yùn)動姿態(tài)進(jìn)行準(zhǔn)確的描述,是提高人體運(yùn)動姿態(tài)識別效果的關(guān)鍵因素。本文首先在運(yùn)動目標(biāo)檢測部分對四種經(jīng)典背景建模方法進(jìn)行分析研究,通過四種背景建模方法對人體運(yùn)動視頻進(jìn)行運(yùn)動目標(biāo)檢測,分析實(shí)驗(yàn)結(jié)果發(fā)現(xiàn)ViBe算法在運(yùn)動目標(biāo)檢測中運(yùn)動目標(biāo)清晰度和算法實(shí)時性較好,但當(dāng)?shù)谝粠瑘D像存在運(yùn)動目標(biāo)時,易受鬼影影響。針對ViBe算法易出現(xiàn)鬼影問題,本文提出一種結(jié)合朗斯基函數(shù)的改進(jìn)ViBe算法,有效解決鬼影問題,減少噪聲的干擾,獲得較完整清晰的人體運(yùn)動目標(biāo)。其次,構(gòu)建基于多特征融合的運(yùn)動姿態(tài)特征模型。為獲得較為豐富的特征信息,本文提出一種基于八星模型、Hu不變矩、Zernike矩、小波矩的多特征融合人體運(yùn)動姿態(tài)特征模型。通過遺傳算法對提取到的特征信息進(jìn)行優(yōu)化融合,其中以均值方差比為基礎(chǔ)構(gòu)建適應(yīng)度函數(shù),用以選擇在多類別間可分性較好的特征信息。將融合后的特征數(shù)據(jù)繪... 

【文章來源】：河北工業(yè)大學(xué)天津市 211工程院校

【文章頁數(shù)】：77 頁

【學(xué)位級別】：碩士

【文章目錄】：
摘要
abstract
第一章 緒論
    1.1 研究背景及意義
    1.2 國內(nèi)外研究現(xiàn)狀
    1.3 論文主要研究內(nèi)容及章節(jié)安排
        1.3.1 本文主要研究內(nèi)容
        1.3.2 本文章節(jié)安排
第二章 人體運(yùn)動姿態(tài)識別關(guān)鍵技術(shù)分析
    2.1 運(yùn)動姿態(tài)獲取技術(shù)
    2.2 人體運(yùn)動姿態(tài)特征提取技術(shù)
        2.2.1 人體運(yùn)動姿態(tài)特征提取技術(shù)分類
        2.2.2 人體運(yùn)動姿態(tài)特征的融合
    2.3 人體運(yùn)動姿態(tài)識別技術(shù)
    2.4 人體運(yùn)動姿態(tài)識別技術(shù)難點(diǎn)
    2.5 本章小結(jié)
第三章 運(yùn)動目標(biāo)檢測算法研究
    3.1 常見背景建模算法
        3.1.1 平均背景模型
        3.1.2 混合高斯分布模型
        3.1.3 CodeBook背景模型
        3.1.4 Vi Be背景模型
        3.1.5 運(yùn)動目標(biāo)檢測結(jié)果比較
    3.2 結(jié)合朗斯基函數(shù)的改進(jìn)Vi Be算法
        3.2.1 朗斯基函數(shù)
        3.2.2 種子填充算法
        3.2.3 改進(jìn)算法流程
    3.3 實(shí)驗(yàn)結(jié)果分析
    3.4 本章小結(jié)
第四章 基于多特征融合的人體運(yùn)動姿態(tài)特征提取
    4.1 運(yùn)動姿態(tài)特征的描述
    4.2 圖像預(yù)處理
    4.3 運(yùn)動姿態(tài)多特征的提取
        4.3.1 八星模型
        4.3.2 Hu—不變矩
        4.3.3 Zernike矩
        4.3.4 小波矩
        4.3.5 特征數(shù)據(jù)分析
    4.4 特征融合優(yōu)化
        4.4.1 基于遺傳算法的特征融合
        4.4.2 特征融合優(yōu)化及結(jié)果
    4.5 局部特征的提取
        4.5.1 SIFT特征
        4.5.2 視覺詞袋模型
    4.6 本章小結(jié)
第五章 基于支持向量機(jī)的多特征融合人體姿態(tài)識別
    5.1 支持向量機(jī)
        5.1.1 統(tǒng)計(jì)學(xué)習(xí)理論
        5.1.2 支持向量機(jī)
    5.2 基于支持向量機(jī)的人體運(yùn)動姿態(tài)識別模型
    5.3 實(shí)驗(yàn)結(jié)果分析
        5.3.1 實(shí)驗(yàn)環(huán)境和數(shù)據(jù)
        5.3.2 測試視頻預(yù)處理
        5.3.3 標(biāo)準(zhǔn)實(shí)驗(yàn)庫結(jié)果與分析
        5.3.4 自建實(shí)驗(yàn)庫結(jié)果與分析
    5.4 本章小結(jié)
第六章 結(jié)論
    6.1 總結(jié)
    6.2 展望
參考文獻(xiàn)
攻讀學(xué)位期間所取得的相關(guān)科研成果
致謝


【參考文獻(xiàn)】：
期刊論文
[1]VR/AR應(yīng)用場景及關(guān)鍵技術(shù)綜述[J]. 徐碩,孟坤,李淑琴,丁濛,鄔麗君.  智能計(jì)算機(jī)與應(yīng)用. 2017(06)
[2]動作切分和流形度量學(xué)習(xí)的視頻動作識別[J]. 羅會蘭,賴澤云,孔繁勝.  中國圖象圖形學(xué)報. 2017(08)
[3]基于顯著性檢測和稠密軌跡的人體行為識別[J]. 鹿天然,于鳳芹,楊慧中,陳瑩.  計(jì)算機(jī)工程與應(yīng)用. 2018(14)
[4]結(jié)合特權(quán)信息的人體動作識別[J]. 凌佩佩,邱崧,蔡茗名,徐偉,豐穎.  中國圖象圖形學(xué)報. 2017(04)
[5]手外骨骼康復(fù)技術(shù)研究進(jìn)展[J]. 陳學(xué)斌,高海鵬,劉文勇,高敏,安崢.  中國醫(yī)療設(shè)備. 2016(02)
[6]智能視頻監(jiān)控技術(shù)綜述[J]. 黃凱奇,陳曉棠,康運(yùn)鋒,譚鐵牛.  計(jì)算機(jī)學(xué)報. 2015(06)
[7]基于視覺的人體動作識別綜述[J]. 胡瓊,秦磊,黃慶明.  計(jì)算機(jī)學(xué)報. 2013(12)
[8]計(jì)算機(jī)視覺中物體識別綜述[J]. 徐曉.  電腦與信息技術(shù). 2013(05)
[9]運(yùn)動捕捉技術(shù)及其應(yīng)用研究綜述[J]. 向澤銳,支錦亦,徐伯初,李娟.  計(jì)算機(jī)應(yīng)用研究. 2013(08)
[10]動作捕捉技術(shù)應(yīng)用研究調(diào)查報告[J]. 李明宇,趙亮,姜軍.  科技信息. 2011(36)

博士論文
[1]基于表面肌電和加速度信號融合的動作識別和人體行為分析研究[D]. 成娟.中國科學(xué)技術(shù)大學(xué) 2013
[2]基于步態(tài)觸覺信息的身份識別研究[D]. 姚志明.中國科學(xué)技術(shù)大學(xué) 2010

碩士論文
[1]基于無人機(jī)視頻的運(yùn)動車輛檢測研究[D]. 王妍.北京交通大學(xué) 2017
[2]基于MEMS傳感器與Zigbee網(wǎng)絡(luò)的人體手臂運(yùn)動狀態(tài)測量和識別方法研究[D]. 劉震.西南交通大學(xué) 2017
[3]基于長時間視頻序列的背景建模方法研究[D]. 丁潔.中北大學(xué) 2017
[4]基于kinect的人體連續(xù)動作識別研究[D]. 毛一杰.電子科技大學(xué) 2017
[5]基于云塊劃分的FY-2C云檢測技術(shù)研究[D]. 陸琦.南京信息工程大學(xué) 2016
[6]支持向量機(jī)核函數(shù)及關(guān)鍵參數(shù)選擇研究[D]. 尹嘉鵬.哈爾濱工業(yè)大學(xué) 2016
[7]復(fù)雜背景下多特征融合的人體步態(tài)識別研究[D]. 周浩理.海南大學(xué) 2016
[8]基于雙Kinect的人體運(yùn)動重建[D]. 曾繼平.浙江大學(xué) 2016
[9]基于多模態(tài)特征的人體運(yùn)動識別系統(tǒng)[D]. 張瀚之.浙江大學(xué) 2016
[10]基于智能視頻的虛擬現(xiàn)實(shí)體驗(yàn)系統(tǒng)研究與實(shí)現(xiàn)[D]. 于沛.電子科技大學(xué) 2015



本文編號：3165194