论文部分内容阅读
对人体运动状态的分析一直以来都是人工智能领域的研究热点,其应用面也极为广泛。传统对人体运动状态的分析一般使用彩色摄像头作为输入设备,通过对彩色图像的分析来获取人体的运动信息。而随着越来越多以Kinect为代表的带有深度摄像头设备的出现,使得输入设备可以在获取彩色图像的同时获取深度信息,从而大幅提高对人体区域的检测和分割精度。因此基于深度信息的人体运动分析具有重要的研究价值。在本文中,主要使用Kinect 2.0为硬件设备对近景下的人体运动做分析。主要工作如下:1、针对Kinect获取的深度图像中存在大量噪声的问题,改进了双边滤波算法,实现了对Kinect深度图像的预处理,并取得了良好的效果。2、针对Kinect获取的关节点信息存在偏移和抖动的问题,改进了部位圆限定法,实现了对偏移关节点真实位置的估计,并结合卡尔曼滤波算法对关节点的抖动进行了修复。3、针对基于关节点的动作识别,提出以人体25个关节角度为特征,结合动态时间规整的方法做近景动作识别。在MSRAction3D数据集和自采数据集上做测试,分别取得了 84.7%和87.5%的平均识别率。在实验阶段,对MSRAction3D数据集中的567个动作序列中的关节点修复后进行识别,取得了 84.7%的平均识别率。针对“High arm wave”动作分别录制了40组Kinect原始数据和40组经过深度图像预处理和关节点修复后的数据,对这两组动作的识别率分别为82.5%和87.5%。实验结果表明,对Kinect深度图像的预处理和关节点修复可以有助于提高动作识别的稳定性和准确率。