人体姿态三维提取

  随着计算机技术的快速发展，三维人体动画技术在关键帧技术、运动学、动力学等传统方法的基础上，演进产生了效果更加逼真的运动捕获技术。其中，对于单目视频中人体运动的姿态估计和姿态跟踪一直是运动捕获技术的热点问题。

1.基于混合高斯模型的运动物体提取

1.1理论：略      

1.2基于混合高斯模型的仿真测试

        图1的仿真结果就是使用混合高斯模型对一组视频序列的运动物体的捕获结果，三组序列自左向右依次为视频序列的第10帧，第40帧，第70帧，其中第一组为原始的视频序列，第二组为背景更新序列，第三组为提取的运动目标的灰度图。

        本文的前面两个小节，我们已经研究了传统的混合高斯模型和基于帧差法的高斯混合模型。通过对比基于帧差法的高斯混合模型性能优于传统的混合高斯模型。下面对这两种模型进行对比分析。

 

图1基于帧差法的高斯混合模型背景更新效果

        下面，在对另外一组运动较为复杂的测试序列进行测试，这组测试视频，是里面的运动目标在行走过程中，还发生了转外的动作。

 

 

图2基于帧差法的高斯混合模型背景更新效果

        从图1和图2的仿真结果可知，传统的高斯混合模型，其背景更新非常缓慢，当视频在第70帧的时候，人物干扰才逐渐更新掉，而改进后的基于帧差法的高斯混合模型，其背景更新速度较快，在第10帧，即基本完成了背景的更新。

2.基于PCA算法的低纬紧致姿态空间学习

2.1理论

人体骨骼数据如下所示：

ASF骨架数据，其基本结构如下图所示：

 

图3 人体骨架结构数据

其中，骨架数据主要内容如下：

# AST/ASF file generated using VICON BodyLanguage # ----------------------------------------------- :version 1.10 :name VICON :units   mass 1.0   length 0.45   angle deg :documentation    .ast/.asf automatically generated from VICON data using    VICON BodyBuilder and BodyLanguage model FoxedUp or BRILLIANT.MOD :root    order TX TY TZ RX RY RZ    axis XYZ    position 0 0 0     orientation 0 0 0 :bonedata   begin      id 1      name lhipjoint      direction 0.655637 -0.713449 0.247245      length 2.52691      axis 0 0 0  XYZ   end  …………………………………………… :hierarchy   begin     root lhipjoint rhipjoint lowerback     lhipjoint lfemur     lfemur ltibia     ltibia lfoot     lfoot ltoes     rhipjoint rfemur     rfemur rtibia     rtibia rfoot     rfoot rtoes     lowerback upperback     upperback thorax     thorax lowerneck lclavicle rclavicle     lowerneck upperneck     upperneck head     lclavicle lhumerus     lhumerus lradius     lradius lwrist     lwrist lhand lthumb     lhand lfingers     rclavicle rhumerus     rhumerus rradius     rradius rwrist     rwrist rhand rthumb     rhand rfingers   end

        其中，bonedata是人体的骨架数据的基本参数，对于层次结构中的其他骨骼信息分别进行了描述，对每个骨骼的定义都是以“begin’，开始，以“end’’结束的。hierarchy部分描述了各段骨骼之间的层次关系。

 

2.2 基于PCA算法的低维度紧致空间学习

        人体运动捕获数据数据量大、指标多，而且原始数据之间是高度相关的。举个简单的例子，在向前伸手的过程中，小臂驱动手向前运动，此时，大臂一般情况下也是向前运动的。对于大部分运动来说，都存在着类似的相关性。这就传达出了这样一个信息：可以将主成分分析方法应用于人体运动捕获数据，对其进行主成分分析的人体运动捕获数据降维，将其重新组合成为一组新的相互无关的数据，来代替原有数据，然后进行进一步的分析和处理，即将存在相关性的高维数据投影到低维空间。

PCA理论：略

通过仿真之后，行走和跑步的三维流图如下所示：

       通过两个约束原则处理之后，我们可以的紧致的低维空间姿态数据矩阵。通过改进后的PCA算法之后，得到的主成分累积方差百分比。

 

 

2.3.姿态估计

    姿态估计指的是从单幅图像中分析人体姿态，其姿态分析过程可描述为以下优化过程：

 

 

       然后通过上面分析得到的优化算法，对1式子进行训练优化，通过三种方法对1进行训练，分别对比其收敛之后的仿真结果，其仿真结果如下图所示：

    

(1)SAPSO优化结果

    

(2)改进SAPSO优化结果

图2 姿态估计结果对比

       从图2的仿真结果可知，采用改进后的SAPSO的姿态估计结果较为明显，且不存在明显的干扰现象，而采用PSO优化和SAPSO优化，他们的结果分别有一定程度上的影响。

2.4 姿态跟踪

       在完成姿态估计之后，就需要进行姿态的跟踪，姿态跟踪一般分为预测，匹配，修正三个过程。整个过程主要是指使用当前帧的相关信息来预测后面一帧的人体姿态数据值，我们通过结论对比可知，采用改进后的SAPSO算法具有较好的收敛性和稳定性，因此，使用改进后的SAPSO算法进行预测，通过t时刻的姿态信息预测t+1时刻的姿态信息。

       对测试视频进行姿态跟踪仿真，我们可以看到如下的仿真结果。图3给出了在真实行走在本课题所研究的算法对应的仿真结果，实验结果表明了本文方法能有效实现单目视频的姿态跟踪，本课题所研究的算法具有较好的收敛性，能够正确的对目标运动的姿态进行跟踪。