《背景建模基础上骨架提取措施探究.docx》由会员分享,可在线阅读,更多相关《背景建模基础上骨架提取措施探究.docx(3页珍藏版)》请在三一文库上搜索。
1、背景建模基础上骨架提取措施探究第一章绪论1.1引言随着计算机的飞速发展,人类希望计算机能在生活、工作和科学研究中给予更多的帮助,在这样的目的下,计算机也朝着智能化的方向发展。人工智能的根本思想是希望计算机能在某些方面代替人类,解放人类生产力的同时还能提高工作的效率,在很多情况下,计算机比人类更适合,例如需要大量精力进行重复工作或者不适合人类的恶劣的工作环境等,如深井深海作业,矿井坑道作业等,安全隐患极大,很容易发生安全-改,这时人工智能将体现出其无与伦比的优越性。目前国内外还有很多医院使用的机器手也是人工智能的应用的典型例子,手术需要极高的稳定性,此时,人类有时会因为主观因素带来情绪上的不稳定
2、因素,所以人工智能代替人类从需要高精确性和高稳定性的工作。山于计算机强大的处理和计算能力,极高的稳定性和低出错率的重复工作能力,在不久的未来完全有能力从事各个方面的工作,不仅保证了工作的准确性,还节约了大量的劳动力。其实,人工智能所涉及的领域很广阔,包括机器学习、计算机视觉和专家系统等。人工智能的大部分领域都是面向应用的,而且是跨学科的,融合了计算机、数学、生物工程及自动化各个领域方面的知识。其中,作为人工智能应用很广的分支,计算机视觉也是发展非常迅速的,是新世纪以来的研究热点,其目的是利用计算机及摄像头尽可能的人眼实现一些功能,包括对人体信息的识别,例如人脸、指纹的识别及智能监控,典型的有交
3、通监控等。这些都是一直以来从事计算机视觉研究的工作者的工作重点,也取得了重大的研究成果,例如在很多笔记本电脑上和移动智能手机上的人脸识别、笑脸识别等,很多情况F用于采集身份信息、验证身份的指纹识别器以及遍布城市各个角落的大小监控摄像头,现在不仅仅是单纯的摄像头监控,也朝着智能化监控的方向发展。国内外从事计算机视觉的研究人员巳经将研究的精力和重点从二维图像的研究将逐步转移到了三维环境下,其中全息图像、三维提取和三维重建等都是目前计算机视觉中热门的研究方向。进入二十一世纪以来,人类越来越关注自身所处的环境卫生和身体的健康状况,因此也逐渐注重锻炼身体方式的科学性、效率性以及安全性,而不是一味盲目地追
4、求盲目锻炼,相反地,更加合理的安排锻炼的时间地点和方法。但是,仍然有一部分人群是没有合适的时间或者体质进行户外运动,例如没有充足休息时间的上班人群和需要他人监护的老年人和幼童等,虽然对于这类人群来说,充足的锻炼是必不可少的,但是每天保质保量的锻炼和定期的户外运动是不现实的。因此,近年来,由于计算机、电子产品等硬件设备以及科学理论的飞速发展,研究者提出了一种新型的户内运动方式的概念虚拟运动,其通过计算机的处理能力和外围硬件设备的辅助,模拟出虚幻的场景,再通过摄像头或者传感器,形成人机交互,达到娱乐和锻炼身体的目的。这种虚拟运动从实现方法上来分类,可以分为两大种:一类是基于传感器的,另一类基于视频
5、摄像头的。基于传感器的实现方法需要在人体附上或手上持有传感器来用于辅助采集运动数据,典型的有加速度传感器和陀螺仪等 ,这种方法的优点是采集速度快,数据准确,国外己经有雄于这种方法比较成熟的产品,例如任天堂公司推出的Wii游戏,手柄中就装有三轴加速度传感器,优点是人机交互良好,响应速度比较快,用户体验比较好,但是缺点也比较明显,不支持体感,对硬件的配置要求高,因此开发成本高,导致产品价格也会偏高。而基于视频摄像头的方法,在硬件上主要依赖于摄像头和中央处理器,软件算法上主要依赖于图像处理以及计算机视觉的法,而这类方法的改进也主要是在摄像头和软件算法进行改进,摄像头不再使用普通摄像头,而是使用深度摄
6、像头或者双摄像头,可用来三维重建。这类方法不仅有坚实的理论基础,更有广泛的,例如,比较典型的有微软公司为Xbox推出的kinect体感游戏,主要是kinect搭建出来的3D深度感应器,对处于这种特殊摄像头前面的人体构建深度图像,再在深度图像的-签础上提取人体骨架,进行识别及后期算法。第二章算法流程和基本理论.62.1硬件组成.62.2算法流程.62.3基本理论.72.4本章小结.11第三章基于mean shift 算法的.133.1帧差法.133.2光流法.143.3背景减除法.163.4利用mean shift算法进行背景.20第四章骨架提取.354.1骨架的概念.354.2常见的骨架提取算
7、法介绍.364.3 一种基于距离变换和局部比较的快速骨架.40第五章结论与展望5.1论文的总结本论文主要研究的是两个方面的算法:一、背景提取;二、骨架提取。在第二章介绍了整个设计的硬件要求,软件流程算法以及文章可能涉及的计算机视觉和图形处理的一些基本的理论知识。第三章则主要阐述了景提取方而的内容,在比较了传统的帧差等方法之后,选取了背景减除法作为本论文的前景提取法,在众多背景桟的方法中,使用了 mean shift这一算法进行背景建模,mean shift足一个可以利到很多领域的经典算法,仅在图像处理领域就可以用于图像平滑、分割和视频跟踪等,这个从本质上看就是一个密度爬升的过程,将其用于背景模时,对用于背力的一系列的背景点使用密度爬升找到可以用于校的特定数的稳态点,将这些稳态点进行聚类,配以权重形成了本文中所使的模型,再利用背景减除,提取出所需要的前景,同时对已经建立起來的背景模型进行定期的更新,景进行二值化以后为后面的骨架提取服务,这就是笫三章所需要完成的工作。