基于轮廓图像空频域特征的人体姿态分层识别算法

人体姿态识别是当前自动视频理解技术的研究热点,其难点在于在实际应用中很难同时保障准确度、鲁棒性和实时性.当前基于二维图像的主流算法中,一类为基于高层人体结构的信息,其准确度高,但实时性较差;另一类为基于低层图像信息,算法简单,但其准确度较低.针对该问题,文中提出一种人体姿态建模和识别算法.该算法首先采用高斯混合模型快速提取运动目标和归一化轮廓图像,然后利用人体轮廓参数构建一组12维特征向量,建立人体姿态模型,最后通过分层识别方法实现对人体姿态的认知.该算法可以有效地识别人体姿态,计算复杂度较低,对存在干扰的图像具有较好的识别效果.基于标准视频库的实验结果验证了方法的有效性,与链码标记算法的对比实验验证了方法的优越性.     

基于深度信息的人体姿态识别研究综述

随着RGB-D传感器的出现,深度图像信息可以弥补基于彩色图像的人体姿态识别在复杂环境和光照变化下鲁棒性较差的问题,因此利用深度信息识别人体姿态变得更加便捷。为了解人体姿态识别的发展现状,在广泛调研现有文献和最新成果的基础上,从深度图像预处理、特征提取、姿态识别算法三方面对基于深度信息的人体姿态识别进行阐述,介绍人体姿态识别相关的技术发展及应用领域,并对其中存在的难点与问题进行讨论,为以后的相关研究提供思路。     

基于单一深度图像的人体姿态实时识别技术研究

为探索更自然、逼真的交互方式,对基于深度图像技术进行研究。介绍当前深度图像技术的应用现状以及主要研究方法;利用深度图像对人体进行识别,包括基于多幅深度图像和基于单一深度图像;对于人体姿态静态追踪,基于当前研究成果将人体部位进行分割处理,以计算机处理速率及鲁棒性为出发点,将随机森林算法应用于单一深度图像中人的定位,并提出改进方法,实现身体部位的识别以及骨骼关节点的空间位置精确标定。通过试验分析对人体深度图像识别速率及精确度方面的改进效果进行验证。     

多姿态图像生成的行人重识别算法研究

不同行人的高度相似性以及相同行人外观姿态的差异性,使得不同摄像头下的行人重识别面临严峻的挑战。生成对抗网络可以合成新的图像,被认为是解决行人姿态变化的主要技术手段。提出一种基于多姿态图像生成的行人重识别算法,利用生成对抗网络生成不同姿态的行人图像,通过归一化消除姿态的影响,从而大幅度提升行人重识别的整体性能。该行人重识别算法包括多姿态行人图像生成、不同姿态的行人特征提取与融合、距离度量和重排序三部分内容。在Market-1501数据集和DukeMTMC-ReID数据集上的实验证实了所提出算法的有效性,通过与state-of-the-art行人重识别方法比较,展示了多姿态图像生成方法在行人重识别任务中的优越性,同时表明生成行人图像的特征与原始图像的特征是相互补充的。     

基于堆叠沙漏网络的人体姿态估计

人体姿态估计在许多计算机视觉任务中起着重要的作用,然而,由于姿态的多变、光照、遮挡和分辨率低等因素,它仍然是一个具有挑战性的问题.利用深层卷积神经网络的高级语义信息是提高人体姿态估计精度的有效途径,本文提出了一种改进的堆叠沙漏网络,设计了一个大感受野残差模块和预处理模块来更好地获得人体结构特征,以此获得丰富的上下文信息,对部分遮挡、大姿态变化、复杂背景等有较好的效果,此外,还对不同阶段的结果进行了融合,以进一步提高定位精度,在MPII数据集和LSP数据集上对本文提出的模型进行实验和验证,结果证明了本文模型的有效性.     

利用改进生成对抗网络进行人体姿态识别

针对人体模型中某些重要关节点准确定位的问题,提出了一种新型深度卷积生成对抗网络以进行静态图像中人体姿态的估计的方法。该方法采用了深度卷积的堆叠沙漏网络来准确提取图像上关键关节点的位置,该网络的生成和辨别部分被设计用于编码第一层次结构（亲本）与第二层次结构（子本）中的空间关系,并且展示了人体部位的空间层次。生成器和判别器在网络中被设计为两部分,并按照顺序连接在一起用来编码外观可能的关系,同时为人体部位存在的可能性以及身体的每个部分与其亲本部分之间的关系进行编码。在静态图像中,可以较准确地识别人体模型关键节点以及大致人体姿态。该方法在不同的数据集上进行了实验,在大部分情况下,提出的方法获得的结果优于其他几种对比方法。     

基于深度图像的多学习者姿态识别

在数字化学习场景中,人体姿态的识别有助于分析学习者的学习状态。提出了一种基于深度图像的多学习者姿态识别方法。首先通过Kinect的红外传感器获取包含深度信息的图像,利用深度图像进行人像-背景分离;然后提取人体的轮廓特征Hu矩;最后采用SVM分类器对轮廓特征进行分类和识别。实验结果表明,本方法能有效地识别多个学习者的举手、正坐和低头等姿态。     

基于单目视觉的FMS人体姿态识别

针对部队日常体能训练中引入功能性动作筛查(FMS)的困难,提出一种基于单目视觉的自动化解决方案.通过改进现有人体姿态识别算法,再结合余弦相似性完成FMS动作提取.分析现有算法的弊端,提出利用帧间光流提高人体姿态识别精度的解决思路,并验证其可行性.     

基于全局姿态感知的轻量级人体姿态估计

人体姿态估计是近年来人机交互领域的热点话题.当前,常见的人体姿态估计方法集中在通过增加网络的复杂性来提高精度,却忽视了模型的效益问题,导致模型在实际应用中精度高但计算资源消耗巨大.针对这一问题设计了一个基于全局姿态感知的轻量级人体姿态估计模型,其在MSCOCO数据集上精度达68.2％AP,速度保持在255 fps,参数...     

基于姿态引导的场景保留人物视频生成

人物视频生成技术是通过学习人体结构与运动的特征表示,实现从特征表示到 人物视频帧的空间生成映射。针对现有的人物视频生成算法未考虑背景环境转换及人体姿态 估计精度较低等问题,提出一种基于姿态引导的场景保留人物视频生成算法(PSPVG)。首先, 取合适的源视频和目标视频,利用分割人物外观的视频帧代替源视频帧作为网络的输入;然 后,基于GAN 的运动转换模型将源视频中的人物替换成目标人物,并保持动作一致性;最后, 引用泊松图像编辑将人物外观与源背景融合,去除边界异常像素,实现将人物自然地融入源 场景且避免改变画面背景环境和整体风格。该算法使用分割出的前景人物图代替源视频帧中 的人物,减少背景干扰,提高姿态估计精度,自然地实现运动转移过程中源场景的保留,生 成艺术性与真实性和谐并存的人物视频。     

基于单幅图像的真实感人体动画合成

由于单幅图像缺失三维信息以及完整的纹理信息,基于单幅图像的真实感三维人体动画合成极具挑战性。针对单幅图像三维信息缺失问题,提出了一种基于SMPL参数模型的三维人体几何重建方法。该方法以单幅图像为输入,先根据输入图像人体轮廓信息变形标准的SMPL参数模型分别生成与目标轮廓一致的正反面的三维几何模型,然后利用基于B样条插值的网格拼接融合算法拼接正反面三维几何,最后为了恢复正确的手部几何,利用基于B样条插值的网格拼接融合算法,将重建后的模型上错误的手部几何用标准SMPL参数模型上正确的手部几何替换。同时,针对单幅图像中纹理缺失的问题,提出了一个称为FBN（front to back network）的对抗生成网络,用于恢复被遮挡的人体背面纹理。实验结果表明,该方法生成的具有完整纹理的人体几何能够由3D运动数据驱动运动,生成具有高度真实感的三维人体动画。     

姿态无关的人体模型朝向判定

人体朝向判定是人体模型自动配准、人体运动分析和数据驱动动画的基础.针对现有人体朝向判定方法存在的对模型姿态过于敏感、计算结果不准确等问题,提出一种基于支持向量机的姿态无关人体朝向判定方法.首先分析人体朝向与人体下肢骨骼的关系,构造由下肢骨骼与人体朝向的夹角组成的特征向量,然后利用支持向量机理论训练朝向判定分类器,实现不同姿态人体朝向判定.实验结果表明,文中所构造的特征向量具有较好的线性可分性,朝向判定分类器可以有效地识别各种姿态的人体朝向,并可以非常方便地集成到现有的骨骼提取算法中.     

基于深度图像学习的人体部位识别

针对人体部位识别问题,提出一种基于深度图像学习的人体部位识别系统。构建深度图样本库,包括训练集和测试集,提取训练样本中的局域梯度特征,利用随机森林学习得到分类器,并对图像进行单点分类,计算人体各关节点。实验结果表明,该系统能快速准确地识别人体的不同部位。     

一种基于RGB图像的复杂背景下的运动检测方法

在计算机视觉领域,人运动的视觉分析的研究具有广阔的应用前景,实时分割出运动的人体是研究起始的关键。然而由于人运动的复杂性,已有的研究方法对运动的人体和背景加了诸多的限制条件。本文提出了一种新的方法。该方法不对运动的人体和背景做限制,利用基于彩色RGB图像的背景减除法来获取运动人体目标的提取。     

基于步态能量图和不变矩的身份识别算法

分析步态能量图即具有作为静态的外观特征,又包含了识别的动力学有用信息,同时证明了步态能量图对噪声的不敏感性。文章提出了一种基于步态能量图和不变矩的身份识别算法,介绍了不变矩的基本理论以及Hu提出的七个不变矩,利用图像不变矩的平移、尺度和旋转不变特性,从原始的步态能量图中提取不变矩特征作为步态能量图的输入特征向量,运用不变矩的最小距离分类器的模式匹配进行步态特征分类。最后在CASIA步态数据库上对所提出的算法和其他新的步态识别方法相比较。实验结果表明,提出的算法是一种有效的步态识别方法。     

基于深度扫描仪的高辨识度三维人体模型重建方法

3D 照相打印馆人像的打印质量取决于3D 扫描获得的三维人体模型的辨识度。然 而,由于现有3D 人体扫描仪价格昂贵、操作复杂等原因,使得3D 人像打印成本高、耗时长和 打印精度较低。针对这些缺点提出一种基于深度扫描仪重建高辨识度三维人体模型方法。利用 多组深度扫描仪分工协作、优势互补,分别获取高辨识度的人体面部五官点云数据,上半身与 全身表面轮廓点云数据。然后,通过引入特征点和改进的最近点迭代法将采集到的三组点云数 据进行对齐、替换、拼接,将拼接后的无拓扑关系的点云数据进行曲面重构即可获得高辨识度 的三维人体模型。该方法的扫描时间较短,以较低的成本构建了具有高辨识度的三维人像模型。     

一种人体运动骨骼提取和动画自动生成方法

现有的动画生成方法存在手工操作繁琐、模型姿态受局限等问题.提出了一种新的人体模型动画自动生成方法,首先自动提取和识别位于人体四肢和头顶末端的5个特征点,以特征点为起点,计算模型等测地线的中心线.在中心线上根据人体测量学知识,确定关节点的近似位置,然后根据人体骨骼刚性运动特征和运动数据文件提供的骨骼信息,进行关节点精确定位,再通过热力学扩散方程计算顶点权重最后将提取的骨骼采用局部坐标架对齐的方法实现与运动数据匹配,并以运动数据驱动皮肤产生人体动画实验结果表明,与现有算法相比,具有与模型姿态无关、全自动、产生动画效果好等特点.     

基于深度信息的快速身份识别方法

采用传统视频信号进行身份识别时,易受遮挡、复杂背景等因素干扰的问题,本文提出一种利用 Kinect深度信息进行身份快速鉴别的方法。首先利用微软Kinect设备获取人体俯视图（深度图像）,然后根据深度信息提取以下特征：（1）身高,（2）肩宽,（3）深度直方图,根据人体生理结构的差异达到判别人身份的目的。实验结果表明,该方法计算简单,具有较高的识别精度和较强的鲁棒性。     

一种姿态无关的人体模型骨骼提取方法

随着三维扫描技术的逐渐成熟,三维人体扫描模型的骨骼提取逐渐成为虚拟人建模研究领域的热点之一.现有的三维人体模型骨骼提取方法,存在手工标注任务繁重、对模型姿态过于敏感、计算结果不准确等问题.提出了一种新的三维人体模型的骨骼提取算法:首先,根据Morse原理,将测地距离作为Morse函数的要素,实现姿态无关的人体模型特征点以及拓扑结构的提取;其次,将测地距离等值面作为基础数据,采用截面似圆性判别准则提取模型关节中心所在等值面,从而获得关节中心的准确结果.实验结果表明,与已有算法相比,该方法具有模型姿态无关、计算结果准确等特性,并且能够完全自动地提取三维人体扫描模型的骨骼.