基于人体特征三维人体模型的骨架提取算法

实现骨骼动画的一个前提是获取人体模型的骨架,现有的骨架提取算法不是计算复杂度高,就是提取准确度不高,或者需要手工干预.提出一种基于人体特点和黄金比例律的人体模型骨架提取算法,首先对模型进行精简,然后根据人体的特点与黄金比例律确定模型关节点的大概位置,在此基础上对模型进行分割.由于人体存在个体差异且姿势也可能不一致,采用测地距离方法对关节点的位置进行修正,确定其位置.与现有的算法相比,本方法效率高,同时实验显示本算法具有更好的骨架提取效果.     

一种改进的基于特征点求解的骨架提取算法

基于特征点求解和Reeb图思想,实现了一种新的骨架提取算法。首先求取模型特征点集,以特征点为计算依据,根据三角网格中每个顶点与特征点的不同对应关系得到网格分支点,聚合成一系列骨架点,依据骨架点携带的拓扑信息,连接拓扑相邻的骨架点得到模型骨架。采用了改进的特征点提取算法,其时间复杂度由O（n^3）提高到了O（n^2log（n））,实验表明算法能够快速提取骨架,针对一般模型的骨架提取效果令人满意。     

膝关节矢状面接触分析的研究

软骨给膝关节提供了一种摩擦系数比最好的人工材料要低许多倍的低摩擦抗磨损的支撑面,而且会减小下面胫骨的接触应力.为了了解和比较软骨在正常情况下和病理状态下的相关生物力学机理,建立了矢状面上包含胫股和膑股关节的膝关节二维有限元接触模型,认为模型所有组成部件都为弹性体,运用有限元方法求解了膝关节屈曲过程中矢状面上股骨与胫骨接触过程中有无覆盖软骨层对应力及接触面积的变化.结果表明由于自然关节覆盖着软骨层,在屈膝过程中增大了股胫关节的接触线,减小了股骨屈膝所需要的力矩和胫骨应力.从力学角度解释了膝关节软骨对膝关节的保护作用,从而更加真实地描述了膝关节的力学接触机制.     

基于优化DRG的三维人体点云骨架提取方法

针对离散Reeb图（Discrete Reeb Graph,DRG）描述人体骨架时分支部位骨架线偏离中轴的问题,采用了能量函数最小化的方法对DRG曲线进行优化。将人体模型的DRG曲线作为初始骨架,定义其能量函数,在点云模型的距离场梯度的作用下,迭代地调整偏离中轴目标段的曲线位置使其逐渐逼近中轴,能量函数最小时得到优化的骨架。将该算法应用于同一模特四个不同姿势和四个不同模特同一姿势的人体点云模型,并与基于拉普拉斯算子的点云收缩的骨架提取方法进行了比较。结果表明,该算法能够很好地适应各种不同姿势和体型,模型分叉部位的特征得到更加完善的描述,得到的骨架曲线更接近模型的中轴。     

利用模板和邻域信息的静脉骨架提取新算法

为提高骨架提取的准确性和连通性,提出了一种利用模板和邻域信息的静脉骨架提取新算法,该算法首先对二值图像进行平滑,并通过自适应方法计算静脉纹路上所有像素点邻域之和,以快速区分出边缘点和中轴点,然后遍历图像找出所有符合中轴点模板的像素点,并删除其中的孤立中轴点之后,得到一些间断的中轴线段,最后从这些中轴线段的端点开始采用最大邻域点跟踪方法提取出静脉骨架。实验结果表明,该算法提取的静脉骨架与中轴线重合且平滑稳定,且具有尺度不变性,角度不变性和良好的抗噪性能,是一种有效的骨架提取算法。     

基于神经网络的图象序列特征点匹配

利用神经网络优化技术解决图象序列的特征点匹配问题,将特征点匹配归结为一个带约束的优化问题,并用2D Hopfield网络实现,在Hopfield网络的能量函数的设计中,综合考虑了特征点的预测结果、特征点的遮挡等情况,从而克服了现有的多数方法所存在的误匹配现象,对于特征点的跟踪,头3帧图象的正确匹配是十分关键的。本文提出了一种3D Hopfield网络用以解决头3帧图象的特征点匹配,并提出了一个运动平滑性的代价函数用以构造3D Hopfield网络的能量函数,实际图象序列的实验结果证明了本方法的有效性。     

一种基于模型分割的三维人体骨架提取方法

针对当前三维骨架提取方法复杂度较高、提取结果不够准确,以及专门针对人体模型的方法较少等问题,提出一种基于模型分割的三维人体骨架提取方法。首先,根据模型顶点与末端特征点的最小测地距离将模型分割;然后由归一化的测地距离函数确定模型各顶点所属拓扑层次;接着在模型分割的基础上依据拓扑层次提取出原始骨架点;最后经过微调,将各骨架点按照拓扑关系连接得到较为精确的人体骨架。实验结果表明,该方法有效降低了骨架提取算法的复杂度,且对不同姿势的人体模型均可获得较为准确的提取结果。     

基于形态学的视频序列人体骨架提取

本文在数学形态学算法的基础上,出了一种新的序列图像中人体目标骨架提取方法。首先运用数学形态学对二值图像的滤波、腐蚀和膨胀功能平滑图像中人体目标的边缘,去除背景中误分割出来的噪声。之后运用形态学算法中的击中击不中变换细化目标,提取骨架。运用单人和多人运动图像序列进行实验,结果证明,本文提出的方法效果较好。     

基于区域分割的点云骨架提取算法

针对L_1中值骨架提取方法存在迭代次数较多、相邻区域较紧密时骨架易跨越区域等问题,提出一种分区提取骨架的算法。结合点云区域的连通性及局部相关性,采用马尔科夫随机场模型,将给定点云分割成不同区域。在相同标号的区域根据区域大小和点集数自适应地计算不同的初始收缩邻域尺度,用L_1中值不断收缩迭代提取各区域的骨架分支,通过主成分分析及连接角判定骨架连接方式,并根据该连接方式将骨架分支连接成完整的点云骨架。实验结果表明,该算法能够自适应地提取点云骨架,减少点云收缩的迭代次数,保持模型原有的拓扑结构,对于含有区域紧密度不均匀的模型有较好的效果。     

人体骨架模型的建立

人体运动分析在计算机视觉研究领域中具有广泛的应用前景。人体骨架包含了很多的人体运动信息,且简单明了,所以对人体骨架提取具有很重要的意义。本文提出了一种人体骨架模型的建立方法,该方法在骨架提取方面有较强的去噪和抗干扰能力,有很好的鲁棒性,可提取更加有效的骨架图像,进一步结合人体解剖学的基础,建立了人体骨架模型,为人体特征识别(HID)和运动人体的实时追踪打下了坚实的基础。     

个性化虚拟人体模型骨架生成方法

采用基于自动化骨架匹配和可视化骨架编辑的方法,可以方便地完成个性化的骨架建模．首先定义一个标准的虚拟人骨架模板,通过骨架模板与人的几何模型的自动匹配,得到初始的骨架模型;然后利用可视化的骨架编辑工具,就可以很容易地生成个性化的虚拟人骨架．实验表明：该方法可以快速、简单地生成精确的个性化的骨架模型,方便虚拟人运动显示。     

一种基于Hopfield网络的立体匹配方法

立体匹配是计算机视觉研究的经典难题,其算法的复杂度和精度直接影响了视觉系统对外部景物的重建性能。为此提出了一种新的基于神经网络的立体匹配方法,其基本思想是：在实现核线重排的前提下,利用唯一性、相容性以及相似性等匹配约束条件,建立反映对应极线间所有匹配点约束关系的能量函数,将其映射到二维Hopfield网络进行极小化求解,网络最后的稳态表示匹配点的对应关系;通过对图中所有极线进行上述操作,可以得到所求的视差图。与传统方法相比,本算法具有两个明显的特点：(1)匹配基元采用了普通的图像点,可以直接获得稠密的深度图;(2)Hopfield网的外部输入不再为常数,而是一个反映对应点灰度相似性关系的值。通过对合成图以及真实图景进行测试,验证了该方法的有效性。     

基于模板匹配的三维人体语义特征提取算法

随着社会经济发展,生活水平的提高,人们对定制产品的需求越来越多,例如服装高级定制、健身计划定制等。为更好地满足这些需求并提供精准的数据支撑,需提取精确的人体语义特征,即人体的身高、胸围、腰围等一系列参数。对现有特征提取算法进行分析研究,设计一种基于模板匹配的三维人体语义特征提取算法。通过模板模型逼近输入模型,将模板模型上的语义特征采样点拓展到输入模型上,使用NURBS曲线拟合采样点,计算曲线长度。实验结果表明本文所提算法综合性能好,能够为服装定制、人体动画、人体工程学设计等提供精确广泛的数据支持。     

点线特征融合的激光雷达单目惯导SLAM系统

多传感器融合的SLAM系统定位精度相比单一传感器的SLAM系统更高,但在低纹理场景或退化场景下的定位精度有待提高。提出一种点线特征融合的激光雷达视觉单目惯导紧耦合SLAM系统（PL2VI-SLAM）,其由点线特征融合的视觉惯导系统（PLVIS）和激光雷达惯导系统（LIS）两个子系统组成。通过PLVIS系统实现点线特征的提取与匹配,使用滑动窗口选择性地引入关键帧,并将惯性导航器件与相机紧耦合以解算位姿。LIS系统将多个约束集成到因子图中进行联合优化,其初始化状态可以作为PLVIS的初始猜测,通过扫描匹配实现激光雷达里程计,并将点云深度分别与PLVIS系统的特征点以及特征线进行关联,为视觉特征提供精确的深度值,提升定位精度。此外,两个子系统将联合进行回环检测,并对位姿进行矫正。在jackal、handled以及自制的长走廊数据集上的实验结果表明,与LVI-SAM、VINS-MDNO及LIO-SAM系统相比,该系统的定位精度更高,适用于低纹理场景及退化场景,并能满足实时性要求。     

基于RGB-D序列的人体动态建模方法

人体建模是计算机视觉研究领域的重要研究课题。人体建模被广泛应用于科研、动画、游戏、服装设计、工业等领域,具有非常广阔的应用前景。传统的建模方法可以在大体上还原人体的姿态,但细节上会有偏差。本文提出一种基于RGB—D序列的人体动态建模方法。人体在场景中自然活动,利用廉价的深度摄像设备Kinect可以获取人体的骨架信息和三维点云。利用获得的骨架信息将模板人体分段刚性地变形到目标位置,使用ICP算法将变形后的模型与Kinect获取的点云进行更精确的配准,使用TPS变形获得一个平滑的柔性形变人体。     

基于多尺度特征提取的均值漂移目标跟踪算法

为在图像对比度较低、相似目标过多等情况下较好地实现目标跟踪,提出一种基于多尺度特征提取的均值漂移跟踪算法.前一帧目标区域的特征点经匹配得到后续帧目标区域的特征点,利用所得特征点集的中心坐标修正均值漂移搜索窗位置,以此为约束条件,减小均值漂移迭代产生的偏差.实验结果表明,该算法可以提高跟踪精度、鲁棒性及实时性.     

基于红外热图像的分区域RANSAC匹配算法

RANSAC是一种鲁棒性估计算法,常用于可见光图像的匹配。文章将其用在红外图像的匹配过程中,并根据红外图像清晰度差,纹理信息少等特点,改进了该算法,提出了一种分区域的RANSAC算法。应用HARRIS算子提取特征点,在匹配过程中将人脸划分为不同区域,应用RANSAC算法进行匹配。实验仿真结果表明,此算法在红外热图像的匹配上,具有准确率高,计算量小的优点,有红外热图像的建模上有较高使用价值。     

深度学习多模态图像语义分割前沿进展

图像语义分割旨在将视觉场景分解为不同的语义类别实体,实现对图像中每一个像素的类别预测。多模态图像语义分割通过联合利用不同模态图像（即通过基于不同成像机理的传感器获取的图像）间的互补特性,能够全面且准确地实现复杂场景信息的学习与推理。目前基于深度学习的多模态图像语义分割前沿成果较多,但缺少系统且全面的调研与分析。本文首先总结并分析了目前主流的基于深度学习的可见光—热红外（red-green-blue-thermal,RGB-T）图像语义分割算法和可见光—深度（red-green-blue-depth,RGB-D）图像语义分割算法。依据算法侧重点不同,将基于深度学习的RGB-T图像语义分割算法划分为基于图像特征增强的方法、基于多模态图像特征融合的方法和基于多层级图像特征交互的方法;依据算法对深度信息的利用方式,将基于深度学习的RGB-D图像语义分割算法划分为基于深度信息提取的方法和基于深度信息引导的方法。然后,介绍了多模态图像语义分割算法常用的客观评测指标以及数据集,并在常用数据集上对上述算法进行对比。对于RGB-T图像语义分割,在MFNet（multi-spectral fusion network）数据集上,GMNet（graded-feature multilabel-learning network）和MFFENet（multiscale feature fusion and enhancement network）分别取得了最优的类平均交并比（mean intersection-over-union per class,mIoU）（57.3%）和类平均精度（mean accuracy per class,mAcc）（74.3%）值。在PST900（PENN subterranean thermal 900）数据集上,GMNet仍然取得了最优的mIoU（84.12%）值,而EGFNet取得了最优的mAcc（94.02%）值。对于RGB-D图像语义分割,在NYUD v2（New York University depth dataset v2）数据集上,GLPNet（global-local propagation network）的mIoU和mAcc分别达到了54.6%和66.6%,取得最优性能。而在SUN-RGBD（scene understanding-RGB-D）数据集上,Zig-Zag的mIoU为51.8%,GLPNet的mAcc为63.3%,均为最优性能。最后,本文还指出了多模态图像语义分割领域未来可能的发展方向。