人體運動的跟蹤與識別.pdf

1、圖像序列中人體運動的視覺分析是計算機(jī)視覺研究領(lǐng)域的重要課題之一，也是近年來備受研究者關(guān)注的前沿方向。人體運動的跟蹤與識別主要包括：從背景圖像中檢測出運動人體；在視頻中對運動人體進(jìn)行跟蹤；提取運動特征；運動識別。本文主要對人體運動的跟蹤、特征提取與識別進(jìn)行了研究，主要工作體現(xiàn)在以下幾個方面： (1)提出了一種多特征的基于Mean Shift算法和粒子濾波器的跟蹤算法。利用系統(tǒng)模型對粒子進(jìn)行傳播得到粒子新的預(yù)測值后，將Mean Sh

2、ift算法用于每一個粒子，經(jīng)過Mean Shift迭代，使粒子集中在其局部區(qū)域內(nèi)。粒子在集中的過程中會獲得較大的權(quán)值，很好地克服了粒子濾波器的退化現(xiàn)象，且在很大程度上減少了所需的粒子數(shù)目，提高了算法的效率。同時考慮到單一特征的局限性，取顏色和紋理特征作為觀測模型，增強(qiáng)了算法的魯棒性。 (2)提出一種綜合運動歷史圖像(MHI)、特征圖像、人體輪廓高寬比和速度的特征提取方法。采用基于梯度的光流場計算速度，人體輪廓高寬比可以較好的區(qū)分

3、不同的運動模式，MHI在空間上很好地描述了運動發(fā)生的位置和區(qū)域，又在時間上反映了運動是如何發(fā)生的，特征圖像隱式包含了運動的速度與方向。從運動序列中的一個運動周期內(nèi)提取出多幅MHI及特征圖像，通過主成分分析法進(jìn)行降維，得到表示運動的特征點；將特征點與速度和人體輪廓高寬比組成一個向量作為復(fù)合運動特征。 (3)采用基于改進(jìn)模糊C均值聚類(FCM)和學(xué)習(xí)矢量量化網(wǎng)絡(luò)的識別方法對人體運動進(jìn)行識別。在FCM中，提出了一種自適應(yīng)初始化聚類中心