基于随机森林算法的服装3D人体特征识别

提出了一种基于随机森林算法的3D人体特征识别算法.首先,利用bootsrap重抽样从3D人体特征样本中抽取多个样本,并对每个bootsrap样本进行建模,生成一定数量的决策树,在此基础上组合多个决策树的预测,通过投票预测特征点,把投票比例最高的点作为特征点.然后,利用3次B样条对特征点进行拟合得到3D扫描人体轮廓线,并测定人体尺寸数据.最后,将测试结果与标准测量结果进行比较,计算误差值.仿真实验表明,该方法对不同的3D扫描人体模型具有良好的识别效果.     

基于卷积神经网络的3D服用人体特征识别

提出了一种基于卷积神经网络的3D人体特征识别算法。首先,获取训练数据,具体包括数据的去冗余、3D到2D的投影以及人体局部区域图像的获取。然后,根据局部图像的大小,设计神经网络的结构,并进行参数初始化,对网络进行训练,通过调整网络参数提高网络的准确度。基于训练好的网络,通过对人体自上而下的扫描获取的人体局部图像进行特征识别并获取其对应的特征概率,通过阈值以及特征变化判定出特征出现在人体的的相对位置。然后,使用最小二乘拟合将经过该位置的横向切面与3D人体模型相交的二维点离散坐标点进行闭合曲线拟合,计算出人体各部位的尺寸。最后将测试结果与标准测量结果进行比较,计算出误差值。仿真实验结果表明,通过该方法可以较好的实现对各种差异性3D扫描人体模型的特征识别。     

基于AR动态图像的人体动作识别方法

传统算法在三维影像转化为二维数据的程序运算过程中错误率较高,故提出了基于AR动态图像的人体动作识别技术.对AR动态图像中的人体动作图像进行预处理,通过摄影设备采集人体数据信息,以此构建人体特征三维模型,并标记此模型中的各节点,通过AR技术使三维人体模型做出不同动作,同时进行三维动态跟踪识别,将这些动作所涉及的数据记录下...     

基于弱监督迁移网络的3D人体关节点识别

针对2D图像缺少深度信息,行为姿态空间结构信息不完备的问题,提出一种基于弱监督迁移网络的3D人体关节点识别方法。首先,提出一种用于真实图像的端到端3D人体姿态估计框架,使用2D与3D混合标签图像对深度神经网络进行训练,在2D人体姿态识别子网络中,添加深度回归模块对2D人体姿态识别子网络进行改进,解决3D人体姿态识别出现的深度歧义性问题;其次,在3D人体姿态识别子网络中,引入3D几何约束对人体姿态识别进行规范化操作,针对无真实深度标签的情况,可更好地学习深度特征,有效解决存在遮挡情况的人体姿态识别问题。在Human 3.6M和MPII数据集中关节点预测平均误差低于其他方法,具有更好的3D人体姿态识别效果。     

基于三维模型的飞机识别与姿态估计

提出一种飞机识别和姿态估计的新方法,利用飞机的几何对称特性,经过边缘检测和直线提取,根据两幅二维数字照片进行姿态估计,计算出飞机在三维的摄影坐标系的坐标.并以飞机的3D模型作为样本模型,根据姿态估计的结果,经过3D引擎得到样本模型在当前姿态下的投影图像,将投影图像与飞机的数字照片进行比对,通过对称轴和角点匹配的方法对飞机进行识别.实验结果表明该方法稳定可靠,具有较强的实用性.     

基于图像的三维人体特征参数提取方法

为了解决三维人体建模中人体参数和尺寸提取的问题,提出基于图像的人体特征参数提取方法,进而对人体图像的各特征区域进行定位,并给出计算流程.对采集的图像进行预处理,再对人体正面和侧面图像特征点进行识别,从而识别出人体特征区域,提取出人体特征尺寸.阐述用模型法和参照法计算特征尺寸的方法与原理,推导出由图像像素计算特征尺寸的公式,分析模型法和参照法的优缺点,并结合两者的优点,提出模型参照法特征尺寸计算方法.利用实际采集的图像,根据模型参照法进行人体参数提取,结果表明,该方法能够方便、准确地从用户照片得到人体特征参数.     

基于Kinect的三维人体扫描、重建及测量技术的研究

利用微软公司推出的深度相机Kinect对人体进行扫描,获取人体深度数据,进一步构建人体表面点云数据;再运用Pro/E软件对点云数据进行人体模型重建,最后对人体表面特征数据进行测量.结果表明:与传统的3D扫描仪相比,Kinect能在视频速率下获得深度图像数据并且不用过分考虑光线和纹理环境.     

采用动态残差图卷积的3D点云超分辨率

为了在超分辨率中对非欧数据的3D点云进行局部信息高效提取,提出采用动态残差图卷积的3D点云超分辨率网络(PSR-DRGCN),该网络包括特征提取模块、DRGCN模块及上采样模块.对于输入的3D点云,特征提取模块采用k-近邻(k-NN)算法在3D空间中找到每个点对应的k个邻居,通过逐点卷积把局部几何信息转换到高维特征空间中;DRGCN模块利用多层图卷积操作将3D空间中每个点的局部几何特征抽象为语义特征,在每一层对点的近邻空间进行动态调整以增加感受野范围,并通过残差连接融合多层次语义信息,从而对局部几何信息高效提取;上采样模块将特征空间中的点进行上采样并转换到3D空间中.实验结果表明,PSR-DRGCN生成的高分辨率点云在放大尺度为2倍时,相似性指标CD、 EMD、 F-score相比第2网络分别优化了10.00%, 4.76%,16.84%;当放大尺度为6倍时,相似性指标相比第2网络分别优化了2.35%,40.00%,0.58%;在所有情况下的均值与标准差指标上达到最优效果,生成的高分辨率点云质量高.     

一种构建三维人体模型的方法

本文针对网上三维物体显示的需要,介绍了开发工具java3D的特点。在深入分析3DS文件结构的基础上,通过读取3DS建立的三维人体文件数据,根据人体模型数据的特点,使用散乱数据点三角剖分技术形成曲面三角面逼近建立了三维人体模型,并开发了一套基于java3D的三维人体展示系统。     

基于真实三维人体点云的特征参数提取

针对真实三维人体点云数据,提出一种快速提取人体特征参数的方法。首先对点云数据进行预处理,并将人体中心点转化为坐标原点,然后利用人体几何形状以及特征参数的定义,通过分层探索法来定位人体特征点,最后利用人体特征点得到相应的特征截面信息,使用边缘识别法提取特征轮廓边界点,对于不同人体体型,基于人体几何形状分析法自动识别正常和肥胖人体体型,有效地计算不同体型的真实特征参数信息。数值实验说明了该方法的有效性。     

基于非均匀变形的人体模型定制算法

提出了一种改进的人体模型定制算法,采用非均匀变形算法将照片中的人体外形特征添加到参考人体模型中,得到个性化和结构化的新模型.算法首先采集照片、合成参考图像、提取人体的轮廓线并将其划分成若干分段,然后在切割线空间构造从参考轮廓线（源于参考模型）中的一点到目标轮廓线（源于照片）中一点的二维映射,最后通过投影、二维映射和反投影改变参考模型中每个点的几何位置,从而生成新模型.实验结果表明,算法生成的结果不仅能够更加准确地体现出照片中人的外形特征,而且保证了结果模型的良好拼合,同时输入的照片不要求其中的人摆出规定的姿势.     

一种结合区域特征的人体标记跟踪方法

为了解决人体标记在运动过程中因为遮挡而出现跟踪错误的问题,提出了一种结合区域特征的人体标记跟踪方法,按照两个部分进行跟踪:一个是对区域的跟踪,另一个是对人体标记点的跟踪。首先,初始化人体模型,并将人体划分出三个固定区域;然后,通过模板匹配的方法对区域进行跟踪;最后,结合区域和标记点的关系实现对标记的跟踪。实验结果证明,该方法能够有效的解决一些标记跟踪错误的问题,提高标记跟踪的准确率。     

基于三维特征点模型的人脸表情识别算法

提出了一种基于三维特征点模型匹配的人脸表情识别算法.首先,以混合树结构建模不同姿态脸部特征组合,实现特征点定位,并建立脸部三维几何特征模型;然后,基于广义普鲁克分析原理对特征点模型进行归一化计算,并建立具有鲁棒性的匹配特征;最后,采用支持向量机实现表情的训练和识别.通过对BU-3DFE数据库中6种脸部表情的测试,表明该算法能够达到很好的识别效果.     

基于组合特征和SVM的视频中人体行为识别算法

针对复杂场景中的人体行为识别困难的问题,提出了一种基于组合特征和SVM的行为识别算法.该算法使用光流特征、HOG特征、重心特征和3D SIFT特征构成的组合特征来描述人体的各种行为;使用一对一的方式训练SVM分类器对提取出的特征进行分类,并以投票的方式得到具体的行为类别.使用包含4个场景的KTH数据集进行仿真.结果表明,所提出的算法能适应各种复杂环境,且相比只采用单一特征的识别算法具有更高的分类精度.     

序列图像处理的快速人体检测方法

在序列图像中进行运动人体检测 ,一般都采用差图像算法 ,作者在应用尺度滤波器消除噪声的基础上 ,提出了将数学形态学的闭运算用于人体轮廓断裂处的连接填充。在此基础上得出人体轮廓的宽度直方图 ,并利用人体几何尺寸的固有比例对人体轮廓检测算法进行改进。实验结果验证了上述方法对噪声抑制、人体图像断裂处填充及人体识别的有效性     

基于三维点云数据的虚拟人台中间体模型的构建

利用[TC]2三维人体扫描仪采集了华东地区72名40～49岁B体型女性的三维人体数据,对[TC]2扫描获得的三维人体＊.wrl数据文件进行预处理,并建立三维直角坐标系.采用模糊逻辑算法中三角形线形隶属度函数进行噪点的过滤,将人体数据进行标准化处理,建立人体躯干部位特征矩阵.通过计算特征矩阵的均值获得人台中间体特征矩阵,经过对称化处理获得最终的人台中间体特征矩阵.采用Delaunay三角刨分算法将人台中间体特征点进行三角刨分,通过计算点或面的法线向量来光滑曲面获得最终的三维虚拟人台中间体模型.此方法可用于不同规格系列人台三维模型的制作.     

基于多时长特征融合的人体行为识别方法

对于视频中的人体行为识别问题,提出了多时长特征融合模块以提取多种具有不同时长的行为信息,多时长特征融合模块由多个具有不同时间维度的3D卷积核计算并联组成,并结合密集连接模块设计了一种基于多时长信息特征融合的密集连接卷积神经网络。该网络对从视频中提取的序列图像进行特征学习,有效地提取了动态行为特征,并对其进行分类。同时,提出了一种3D卷积神经网络预训练策略,实现了从2D到3D卷积神经网络的迁移学习。实验结果表明:该方法能够对视频中的人体行为进行有效地识别,在UCF101与HMDB51数据集上分类准确率分别达到87.1%与58.3%。     

基于AdaBoost算法特征提取的人体动作识别方法

提出了一种利用AdaBoost算法对原始特征进行提取的人体动作识别方法,即从表征大量的训练数据的原始特征中提取出少量的、可分性高的特征样本,进而在保证识别率的基础上,减少了识别的计算量,达到快速、准确的人体动作识别。首先,利用基于时空兴趣点的三维尺度不变特征变换(3D SIFT)描述子对运动视频序列进行表示得到原始特征数据,然后将表征每个视频序列的原始特征通过AdaBoost算法进行提取,筛选出对于识别贡献最大特征数据作为训练样本。最后利用最近邻分类器在现有的KTH数据库上对本文方法进行测试,实验表明在得到较好的识别率的同时,大大提高了识别的速度,验证了所提方法的有效性。     

一种行为识别的新方法

行为识别技术是一种可用于智能视频监控的生物识别技术.本文提出一种基于统计主成份分析和行为序列匹配的人的行为识别算法,对于输入序列采用改进的背景减法获取人体侧影并归一化,对归一化的人体侧影进行距离变换.训练过程使用PCA算法进行特征空间的计算,测试过程则将获取的距离图像序列在特征空间投影并结合改进的序列匹配算法实现人的行为识别,多个数据库上测试的结果验证了算法的有效性.     

基于Loop细分算法的人体模型网格平滑

网格平滑是实现三维模型离散造型的主要方法。为了实现数字人体几何模型的光顺效果,本文提出一种基于Loop细分算法的三维人体模型的网格平滑方法。细分曲面是用低分辨率的控制网格和定义在控制网格上的一种细分规则来表示曲面的,它能有效改善三维人体几何模型的表面不光滑以及分辨率低的缺点。实验证明,该方法对基于参数化建模方法的、多曲率网格人体模型取得了很好的效果,实现简单高效,特征保持效果也很好。