發(fā)布時間：2017-03-31 00:08

  本文關(guān)鍵詞：基于隱變量概率統(tǒng)計模型的人體運動形態(tài)估計，由筆耕文化傳播整理發(fā)布。

【摘要】：隨著社會的現(xiàn)代化發(fā)展,圖像處理,機器學(xué)習(xí)及智能計算領(lǐng)域作為信息及計算機技術(shù)的重要分支,其研究更是日益顯得重要。人體運動形態(tài)估計作為這幾個領(lǐng)域的交叉熱點研究課題,近些年受到國內(nèi)外很多學(xué)者的關(guān)注,其已經(jīng)成功應(yīng)用于角色動畫的制作,3D人物的立體電影制作,人體運動醫(yī)學(xué)診斷等等多個領(lǐng)域。人體運動形態(tài)估計的研究源于對物體運動的視頻跟蹤,目標檢測及監(jiān)控遮擋的處理。視頻跟蹤的實現(xiàn)在于視頻里輸出簡單的標記來套著運動的物體。后來發(fā)現(xiàn),僅僅是做簡單的標記形狀跟蹤不能滿足我們對運動物體許多參數(shù)的獲取,并且人體運動形態(tài)估計就屬于這類問題的研究。由于人體運動形態(tài)估計和物體視頻運動跟蹤類的處理有類似的特征,而且其能進行廣泛應(yīng)用,使我們生活多個方面受益,所以研究就進一步發(fā)展和細化到了人體運動形態(tài)估計,以此來獲取更多的人體運動信息,以滿足我們的需求。本文對人體運動形態(tài)估計的研究主要從隱變量概率統(tǒng)計模型入手,再結(jié)合圖像處理及智能計算的一些理論進行。其主要核心問題有兩個,其一,利用隱變量概率統(tǒng)計模型對三維人體運動形態(tài)的已知高維數(shù)據(jù)樣本進行學(xué)習(xí),然后估計出未知的三維人體運動形態(tài);其二,對多視角人體運動圖像進行處理,提取出多視角人體運動的輪廓特征,利用該輪廓特征估計出其對應(yīng)的三維人體運動形態(tài)。本文主要工作概括如下:1.GPDM無法學(xué)習(xí)不完整步態(tài)(不足一個運動周期)覆蓋的人體運動形態(tài)樣本來對人體運動形態(tài)進行估計。因此,空間約束概率估計算法的提出解決了這個問題,其可計算出不完整步態(tài)中的缺失姿態(tài)樣本在隱變量空間的隱變量數(shù)據(jù),從而利用該數(shù)據(jù)估計出其相應(yīng)缺失姿態(tài)樣本(高維數(shù)據(jù)樣本),以此補全不完整步態(tài)的隱變量數(shù)據(jù)和其相應(yīng)的姿態(tài)樣本(高維數(shù)據(jù)樣本),再帶入GPDM進行訓(xùn)練,實現(xiàn)人體運動形態(tài)的估計。2.為了實現(xiàn)估計出兩段不相關(guān)人體運動形態(tài)之間的過渡運動形態(tài),本文提出隱變量數(shù)據(jù)特征相似度優(yōu)化學(xué)習(xí)算法來實現(xiàn)對人體過渡運動形態(tài)的估計。該算法是在平衡高斯動態(tài)模型(B-GPDM)的學(xué)習(xí)算法基礎(chǔ)上進行改進,通過建立相關(guān)隱變量數(shù)據(jù)投影距離和投影長度的目標函數(shù),學(xué)習(xí)過程中不斷對隨機初始化的過渡運動形態(tài)的隱變量數(shù)據(jù)進行優(yōu)化,即特征相似度優(yōu)化(FSO)。該模型完成學(xué)習(xí)后,可以估計出兩段不相關(guān)人體運動形態(tài)之間的過渡運動形態(tài)。3.為了更好實現(xiàn)對兩種不同的人體運動形態(tài)(周期性運動形態(tài))高維數(shù)據(jù)樣本進行擬合,并且其中有數(shù)據(jù)樣本為不完整步態(tài)的數(shù)據(jù)樣本,本文提出一種基于正交子空間搜索的流形隱概率優(yōu)化(MLPO-OSS)算法,該算法可以增強不完整步態(tài)的高維數(shù)據(jù)樣本的數(shù)據(jù)擬合,從而更好的估計人體運動形態(tài)。4.為了從多視角運動圖像的輪廓特征較準確的估計出相應(yīng)三維人體運動形態(tài),本文提出雙隱變量空間局部粒子搜索算法(DLVSLPS)。該算法用高斯過程動態(tài)模型(GPDM)降維建立雙隱變量空間和隱變量數(shù)據(jù)到高維數(shù)據(jù)的映射關(guān)系后,然后對雙隱變量空間的低維粒子使用近鄰權(quán)重先驗條件搜索(NWPCS)進行局部搜索來生成較優(yōu)高維粒子,從而估計相應(yīng)幀的三維人體運動形態(tài)。與傳統(tǒng)的粒子濾波算法(APF,PSO-PF,PF)相比,其可以產(chǎn)生有效且正確粒子進行估計,并且有較好的性能。5.在已知少量高維數(shù)據(jù)樣本的條件下,本文提出低維空間(隱變量空間)增量學(xué)習(xí)算法從多視角運動圖像序列的輪廓特征較準確的估計出相應(yīng)三維人體運動形態(tài)。該算法利用隨機極值記憶自適應(yīng)搜索(SEMAS)算法和增量概率降維模型(IPDRM)對三維人體運動形態(tài)進行估計,收集相應(yīng)新高維數(shù)據(jù)樣本,然后,再通過IPDRM對所收集的新高維數(shù)據(jù)樣本進行增量降維,獲取其低維數(shù)據(jù)(隱變量數(shù)據(jù)),再根據(jù)低維數(shù)據(jù)的距離(相似度)比較,對新高維數(shù)據(jù)樣本進行選擇后更新低維空間到高維空間的映射關(guān)系完成增量學(xué)習(xí),進而估計相應(yīng)三維人體運動形態(tài)。該算法與一些傳統(tǒng)的算法相比又進一步提高了估計性能。6.為了提高從多視角運動圖像的輪廓特征估計出相應(yīng)三維人體運動形態(tài)的準確程度,本文提出了高斯增量降維與流形Boltzmann優(yōu)化(GIDRMBO)算法。該算法把表示人體運動立體模型的高維數(shù)據(jù)按空間位置信息與姿態(tài)信息進行分段,即分成兩個子向量,用高斯增量降維模型(GIDRM)分別對兩個子向量樣本進行降維,獲取兩個子向量樣本的低維數(shù)據(jù)(隱變量數(shù)據(jù)),建立相應(yīng)低維空間(隱變量空間)及映射關(guān)系。然后,在分別在相應(yīng)的子向量低維空間,使用流形Boltzmann優(yōu)化(GIDRMBO)來尋找與多視角運動圖像的輪廓最匹配的子向量,組成最終表示人體運動立體模型的高維數(shù)據(jù),從而進行估計。該算法與傳統(tǒng)算法相比,其也具有較好的性能。上述研究工作表明恰當使用隱變量概率統(tǒng)計模型能夠很好估計三維人體運動形態(tài),其可以對表示三維人體運動形態(tài)復(fù)雜的高維數(shù)據(jù)進行學(xué)習(xí),簡化該數(shù)據(jù),使人體運動形態(tài)的特征規(guī)律容易掌握。若其能再結(jié)合智能計算方法可以獲取很好的估計效果。
【關(guān)鍵詞】：人體運動形態(tài)估計 隱變量 空間約束 特征相似度優(yōu)化 正交子空間搜索 粒子搜索 增量學(xué)習(xí) 增量降維 流形Boltzmann優(yōu)化
【學(xué)位授予單位】：華南理工大學(xué)
【學(xué)位級別】：博士
【學(xué)位授予年份】：2015
【分類號】：TP391.41
【目錄】：

• 摘要5-7
• ABSTRACT7-16
• 主要縮略語對照16-18
• 第一章 緒論18-23
• 1.1 課題研究背景及意義18-19
• 1.2 國內(nèi)外研究現(xiàn)狀及進展19-20
• 1.3 本文研究工作及章節(jié)安排20-23
• 第二章 人體運動形態(tài)數(shù)據(jù)模型及降維算法介紹23-32
• 2.1 人體運動形態(tài)數(shù)據(jù)模型23-26
• 2.2 人體運動形態(tài)估計的評價指標介紹26
• 2.3 降維算法介紹26-31
• 2.3.1 PCA算法27
• 2.3.2 ISOMAP算法27-29
• 2.3.3 LLE算法29-30
• 2.3.4 降維算法分析30-31
• 2.4 本章小結(jié)31-32
• 第三章 空間約束概率估計32-43
• 3.1 引言32
• 3.2 人體運動形態(tài)樣本數(shù)據(jù)特點及需要解決的問題32-33
• 3.3 GPDM主要理論33-36
• 3.3.1 GPDM33-34
• 3.3.2 GPDM的條件概率34-35
• 3.3.3 GPDM學(xué)習(xí)及隱變量數(shù)據(jù)遞推35-36
• 3.4 空間約束概率估計36-39
• 3.4.1 不完整周期的人體運動形態(tài)隱變量數(shù)據(jù)的低維結(jié)構(gòu)36-37
• 3.4.2 空間結(jié)構(gòu)約束及目標函數(shù)模型37-39
• 3.5 實驗及評價39-42
• 3.5.1 經(jīng)過處理后的不完整隱變量數(shù)據(jù)39-40
• 3.5.2 訓(xùn)練估計誤差及評價40-41
• 3.5.3 視覺上的運動形態(tài)數(shù)據(jù)41-42
• 3.6 本章小結(jié)42-43
• 第四章 特征相似度優(yōu)化學(xué)習(xí)43-52
• 4.1 引言43
• 4.2 隱變量模型及學(xué)習(xí)算法研究介紹43-44
• 4.3 隱變量數(shù)據(jù)的特征相似度優(yōu)化44-48
• 4.3.1 特征相似度的描述44-45
• 4.3.2 特征相似度的目標函數(shù)45-46
• 4.3.3 特征相似度優(yōu)化(FSO)算法46-48
• 4.4 實驗評價48-51
• 4.4.1 被估計的人體過渡運動形態(tài)和估計誤差48-50
• 4.4.2 隱變量數(shù)據(jù)軌跡50-51
• 4.5 本章小結(jié)51-52
• 第五章 隱變量概率優(yōu)化擬合52-62
• 5.1 引言52-53
• 5.2 優(yōu)化目標函數(shù)的建立53
• 5.3 隱變量空間正交子空間搜索53-55
• 5.3.1 不完整步態(tài)運動形態(tài)的隱變量數(shù)據(jù)53-54
• 5.3.2 正交子空間的約束函數(shù)54-55
• 5.4 隱變量數(shù)據(jù)與其他人體運動形態(tài)擬合55-56
• 5.4.1 RBF網(wǎng)絡(luò)數(shù)據(jù)擬合55-56
• 5.4.2 簡要算法流程56
• 5.5 仿真結(jié)果56-61
• 5.5.1 用MLPO-OSS估計缺失幀57-58
• 5.5.2 用MLPO-OSS處理的隱變量數(shù)據(jù)的擬合58-61
• 5.5.3 與空間約束概率估計比較61
• 5.6 本章小結(jié)61-62
• 第六章 雙隱變量空間局部粒子搜索62-74
• 6.1 引言62-63
• 6.2 高斯過程動態(tài)模型(GPDM)降維63-64
• 6.3 雙隱變量空間局部粒子搜索64-69
• 6.3.1 相關(guān)數(shù)學(xué)模型建立64-65
• 6.3.2 低維局部粒子的NWPCS及運動形態(tài)估計65-68
• 6.3.3 雙隱變量空間局部粒子搜索(DLVSLPS)算法建立68-69
• 6.4 仿真實驗69-73
• 6.4.1 估計非連續(xù)幀69-70
• 6.4.2 消除輪廓圖像數(shù)據(jù)歧義估計70-72
• 6.4.3 估計誤差72-73
• 6.5 本章小結(jié)73-74
• 第七章 低維空間增量學(xué)習(xí)74-99
• 7.1 引言74-75
• 7.2 相關(guān)數(shù)據(jù)模型75-76
• 7.3 隨機極值記憶自適應(yīng)搜索76-79
• 7.3.1 搜索基本原理76-78
• 7.3.2 SEMAS的相關(guān)推導(dǎo)及計算78-79
• 7.4 增量概率降維模型79-81
• 7.4.1 GPDM的低維到高維映射關(guān)系79-80
• 7.4.2 增量降維映射關(guān)系的建立80-81
• 7.5 多輸出正交最小二乘學(xué)習(xí)算法81-84
• 7.5.1 基本算法原理81-83
• 7.5.2 條件滿足推導(dǎo)83-84
• 7.6 低維空間增量學(xué)習(xí)84-87
• 7.7 低維空間搜索的人體運動形態(tài)估計87-91
• 7.7.1 搜索方法87-89
• 7.7.2 人體運動形態(tài)的整個算法流程89-91
• 7.8 實驗與評價91-98
• 7.9 本章小結(jié)98-99
• 第八章 高斯增量降維與流形Boltzmann優(yōu)化99-117
• 8.1 引言99-100
• 8.2 數(shù)據(jù)匹配模型100-101
• 8.3 高斯增量降維與流形Boltzmann優(yōu)化101-112
• 8.3.1 GIDRM的子向量樣本降維與增量降維101-104
• 8.3.2 基于GIDRM映射關(guān)系的流形Boltzmann優(yōu)化104-108
• 8.3.3 GIDRMBO算法流程108-109
• 8.3.4 GIDRMBO的算法性能優(yōu)勢分析109-112
• 8.4 仿真實驗與評價112-116
• 8.5 本章小結(jié)116-117
• 總結(jié)與展望117-121
• 參考文獻121-128
• 攻讀博士學(xué)位期間取得的研究成果128-130
• 致謝130-131
• 附件131

【參考文獻】

中國期刊全文數(shù)據(jù)庫 前2條

1 趙正旭;戴歡;趙文彬;袁潔;;基于慣性動作捕捉的人體運動姿態(tài)模擬[J];計算機工程;2012年05期

2 李毅;孫正興;陳松樂;李騫;;基于退火粒子群優(yōu)化的單目視頻人體姿態(tài)分析方法[J];自動化學(xué)報;2012年05期

  本文關(guān)鍵詞：基于隱變量概率統(tǒng)計模型的人體運動形態(tài)估計，由筆耕文化傳播整理發(fā)布。

，

本文編號：278404