人体姿态估计本科毕业论文(2)

第1章 引言

第1章 引言

1.1 绪论

人机交互(Human-Computer Interaction，HCI)是一门研究系统与用户之间互动关系的一门学科。这里的系统可以是各种各样的机器，也可以是计算机化的系统和软件。人类获取的外部世界信息，其中是通过人的眼睛即视觉感知得到的超过80％以上，让机器能够拥有像人类一样的视觉是人类社会多年的梦想。随着人机交互技术的快速发展，人与机器之间自然的、多模态的交互将成为人与机器之间交互的主要方式。这里首先遇到的问题就是需要机器能够正确地认识和理解人的行为，正是在这种背景情况下，姿态估计被人们提出。姿态估计是指检测和估计目标(通常是人)的姿态动作，需要将这些姿态动作转化成为数字形式的“抽象运动”的技术，输出的结果表示当前人体的姿态动作。

1.2 人体姿态估计的研究意义

过去二十多年里，自动理解图像以及视频序列中的人体姿态，一直都是机器视觉研究的重点。除了人类自己对探索和仿造自身的兴趣外，促使人体姿态估计成为研究重点的最主要原因还是电子设备的迅速发展以及由它所产生的巨大应用市场。最近几年，数字照相机、智能手机、平板电脑、网络摄像头、监控摄像头等数码产品渐渐融入人们的日常生活，地球上每时每刻都会产生大量新的数字图片和视频数据，其中人类活动必然是人们想从这些数据中获得的最主要内容。有效的处理和理解数据中的人类活动，将会为人类社会的发展带来深远影响。概括来讲，人体姿态估计的应用领域主要包括：

（1）高级人机交互

人们都希望机器能够理解人类活动并与人进行自然交互，这是人类由来已久的科技追求目标。随着科技的发展，人类生活离不开各种各样的机器设备，从智能手机到数字电视，从个人电脑到平板电脑，但是传统的键盘鼠标以及现在触摸的交互方式还是占主要部分。2010年微软后来居上，发布 Kinect（如图1-1），其是一种3D 感知体态的摄影机，它具有即时语音识别、麦克风输入、辨识影像、

1

电子科技大学学士学位论文

动态捕捉信息、社区互动等其他功能。玩家可以在游戏中打球、开车、分享信息等。由此能够预见的是，当人体姿态估计技术走向成熟时，人机交互方式的革命性变化必然会被人类迅速接受，使得人与机器的交互自然而友好，并且使人们控制机器的方式变的更加容易以及更易接受。

图1-1 Kinect游戏

（2）智能监控

视频监控目前已经成为保障人类财产、生命安全、维护社会秩序稳定的主要手段之一。越来越多的监控设备安装在办公楼、广场、车站等人群相对聚集的社会公共场所。

（3）人体姿态捕捉

人体姿态数据的捕捉现在主要应用在制作动画、工业测量、医疗分折和控制等领域。精准的人体姿态数据能够用来驱动动画角色，减轻动画设计师的负担；同时也可以帮助运动员分析自己的运动特点，并有针对性的制定训练计划、治疗方法；也可帮助车辆设计师分析和改进产品，有效预防事故、减少伤害等。

2

第1章 引言

1.3 人体姿态估计研究现状

正是由于人体姿态估计的重要应用价值，所以它吸引着越来越多工业以及学术研究人员的目光。

1.3.1 人体姿态估计分类

人体姿态可以分为二维和三维两类情形：二维的人体姿态是指人体关节在图像二维平面分布的一种描述，一般使用线段或者矩形等来描述人体关节在图像二维平面的投影，线段长度和线段角度分布或者矩形大小和矩形方向就描述了人体二维姿态，二维姿态中不存在二义性问题；三维人体姿态是指人体在三维空间中的位置和角度信息，一般用关节树模型来描述估计的姿态，也有一些研究者采用更加复杂的模型，一般使用模型反投影的方法获取三维姿态。

由1.2节知，人体姿态估计可以应用于人体活动分析、人机交互以及视觉监视等领域，是近期计算机视觉领域中的一个热门问题。人体姿态估计常常被人们在视频跟踪环境中提起，近年来人体姿态估计开始转到静态图片人体姿态估计，这是因为这一问题对视频运动捕捉的初始化非常有用。人体姿态估计面向的人体对象在广义上比较宽泛，既包括整体的人体，也包括人体的其他局部肢体，如脸部、肩膀、胳膊、腿部等。本文只关注人体作为整体时在静态图片（人体姿态的二维情形）中的姿态估计，而不考虑其他身体部位的局部姿态。

1.3.2 静态图片中的人体姿态估计

现有的人体姿态估计工作可以分为无模型（model-free）、基于模型（model-based）的两类方法。 1.3.2.1 无模型人体姿态估计

无模型的人体姿态估计方法又可以划分为基于学习的方法（learn-based）和基于样本（sample-based）方法。

（1）基于学习的方法：使用训练样本学习从图像特征空间到人体姿态空间的回归模型，将大量训练样本浓缩表达为紧致的函数，从新观测图像中提取图像特征代入学习得到的回归模型，这样即可估计当前的人体姿态[1]。例如，文献[2]中使用人体轮廓的形状关联作为特征，采用 Relevance Vector Machine 作为回归器，用稀疏贝叶斯非线性回归方法学习得到一个紧凑的映射模型，并将特征空间映射

3

电子科技大学学士学位论文

到参数空间，对输入特征直接输出其相应的人体姿态参数；文献[3]中则是将输入空间分成许多简单的小区域，这里的每个小区域都有相对应的映射函数，并使用了一种反馈匹配机制对姿态进行重构，由于训练数据范围较小，映射函数有较好的拟合效果，所以这种方法能够很大程度上提高估计准确度。虽然基于学习的方法执行速度快，不需要专门初始化，具有较小的存储代价，且无需保存样本数据库，但是基于学习方法的估计结果往往受训练样本规模的影响较大。

（2）基于样本的方法：首先需要建立模板库，其中存储大量特征以及已知的人体姿态训练样本。当输入估计测试图像时，提取相应特征再用某种度量与模板库里的样例进行比较，即找到和估计图像相似的训练样本，再使用最近邻（KNN）或者其他算法估计测试图像的人体姿态。人体姿态十分复杂，不同的姿态所投影得到的图像特征描述符可能非常相似，即特征描述符与姿态空间之间是一对多的关系。

1.3.2.2 基于模型的人体姿态估计

基于模型方法将人体划分成一些相互联系的部件，用图模型（Pictorial Model）表示人体架构，并使用图推理（inference）方法优化人体姿态，即在进行人体姿态估计的过程中使用先验的人体模型，并且模型的参数也随着当前状态的变化而更新。基于模型的人体姿态估计中主要由三部分组成—图模型、优化算法、部件的观测模型。图模型用来表示部件连接之间的约束关系，其中树模型最常用的模型，树形模型是根据部件之间的连接情况来定义，相对直观。

基于模型的人体姿态估计具有较强的通用性，它减少了训练样本的制作成本同时也减少了训练样本的存储代价。

1.4 人体姿态估计研究难点

静态图片中人体姿态估计是运用学习、推断算法结合图像处理过程来获得人体的姿态参数并重建人体结构和姿态，最终目标是达到能够对人体姿态做出正确理解与合理应用。本文研究的静态图片姿态估计则是直接利用图片信息进行人体姿态参数的获取、估计。

人体作为一个被分析对象，相对于其他物体（比如汽车、人脸等），具有特殊内在属性，且在静态图片中缺少三维信息，这样使得静态图片中的人体姿态估计在视觉研究中显得尤为困难。

4

百度搜索“77cn”或“免费范文网”即可找到本站免费阅读全部范文。收藏本站方便下次阅读，免费范文网，提供经典小说综合文库人体姿态估计本科毕业论文(2)在线全文阅读。