姿势识别开题报告.ppt

人体姿势的结构化表示及识别方法的研究与应用 答辩人：许碧雅 指导教师：战荫伟（教授） 广东工业大学 选题背景 研究目的和意义 创新点 具体方法 预期结果分析 实验环境 选题背景 研究目的和意义 具体方法 结果分析 总结展望 参考文献 背景 人机智能交互 虚拟现实 视频监控 基于内容的检索和动作分析 研究目的和意义 研究目的和意义 具体方法 选题背景 预期结果分析 总结展望 参考文献 尽管近年来国内外人体动作行为识别的研究取得了重要进展,但人体运动的高复杂性和多变化性使得识别的精确性和高效性并没有完全满足相关行业的实用要求. 总体来说人体姿势识别中的挑战来自空间复杂性和时间差异性两方面.。 本选题采用隐马尔科夫模型（HMM）作为分类器对采集的数据进行处理。HMM有两个重要的特征：首先，HMM模型适合多幅图像 线索的融合，且提供离线训练；其次，HMM能够学习不同类型 数据的分布。 选题背景 研究目的和意义 具体方法 创新点 预期结果 姿势识别的流程框架 待识别姿势 Kinect 深度图像采集 3D骨架采集 动作特征提取 （关节角度时间序列） 隐马尔科夫模型 动作模板库 work1 work2 ………… workN 识别结果 研究目的和意义 具体方法 选题背景 创新点 预期结果 Kinect传感器 深度数据流 应用开发 提取角度特征 Kinect传感器可以接受三种数据流，包括深度数据流、彩色图像数据流和音频数据流 获取人体内的二十个骨架关节点的三维坐标 算法总框架 研究目的和意义 具体方法 选题背景 创新点 预期结果 输入：训练数据集 输入：测试数据集： 提取特征----关节角 提取特征---关节角 训练隐马尔可夫分类器 训练成功的隐马尔可夫分类器 计算分类器匹配概率 找到概率中的最大值 输出：动作识别结果 研究目的和意义 具体方法 选题背景 创新点 预期结果 特征提取流程 隐马尔可夫模型 是 研究目的和意义 具体方法 选题背景 创新点 预期结果 隐马尔可夫模型 可以表示为一个五元组( S, V, A, B, p )  S 是一组状态的集合。 S = {1, 2, 3, …, N } (状态n对应坛子n)  V 是一组输出符号组成的集合。 V = {v1, v2, v3, … , vM } (v1对应红色小球)  A 是状态转移矩阵，N 行 N 列。 A = [aij] aij  P(qt  1  j | qt  i),1  i, j  N B 是输出符号的概率分布。 B = { bj(k) } bj(k) 表示在状态j时输出符号vk的概率 bj(k) = P( vk | j ), 1≤k≤M ,1≤j≤N  p 是初始状态概率分布 p = { p i } pi = P( q1 = i ) 表示时刻1选择某个状态的概率。 实验环境 HMM的主要算法 1、前向—后向算法 此算法用于估值问题：给定一个观察序列和模型，计算给定模型产生给定观察序列的概率。 2．Viterbi算法 此算法用于计算模型中的隐藏部分，如找出 合理的状态序列。 3．Baum—Welch算法 此算法用来优化模型参数，使其更好的描述观察序列。 创新点 选题背景 研究方案 具体方法 实验环境 创新点 预期结果 2）本文在特征提取方面，选择的是使用人体上的关节角角度变化来描述人体骨架，这样既考虑到了人体骨架的静态特征，同时也考虑到了人体骨架的动态特征。 3）在将特征向量用于隐马尔可夫分类器的时候，本文使用了一种动态编号组合的方式对观察值进行编码。这样既降低了计算观察值编码时的时间复杂度，又省去了存储码书所需要的硬盘空间。 1）大部分已有的人体动作识别方法都是基于非人形特征进行识别的，即在进行特征提取过程时，特征往往是基于像素或者图像块的。与以往常见的人体动作识别算法不同，本文所提出的方法Kinect传感器获取人体骨架信息，进行分析与识别 实验环境 PC机一台，双核2.50GHz，4G内存；Kinect传感器 硬件平台 软件平台 Win7系统 ， Visula Studio2010 具体方法 创新点 选题背景 研究方案 预期结果 实验环境 研究方案 具体方法 选题背景 创新点 实验环境 预期结果 预期结果 1、本选题是在Kinect三维骨架的基础上提出了一种关节角度变化序列运动特征模型。以人体运动过程中的关节运动情况为切入点，发现关节的旋转角度决定了四肢在空间中的位置，则四肢的运动也必定能反映出关节角度的变化。该模型通俗简单，计算复杂度低。该算法之能够得到较好的识别精度，主要在于特征的提取是基于骨架的，而不是基于普通的视频，因此保证人体骨架的正确性，保证了识别的精度。 2、本选题提出基于HMM的人体姿势识别方法，将人体行为特性与HMM