运动人体图像识别.doc

学习报告一意义和背景随着信息技术的快速发展壮大和应用的普及,利用计算机视觉的技术在图像处理方面和模式识别领域中研究,并对视频图像进行人体运动特征提取与有效识别已成为人们关注的热点问题。计算机视觉技术对人体运动的视频或者图像进行识别是基于对其视频或者图像的序列进行分析处理；对检测出的人体运动目标进行运动特征提取和分类识别,从而达到理解和描述其行为的目的。基于视频图像的人体运动特征分析在智能视频监控、智能接口、虚拟现实等领域有着相当广阔的应用前景。 人体运动特征的提取与识别需要结合生物识别技术来识别和判断运动中人的行为、区别个体身份。所谓生物识别技术,其具体操作就是利用人体与生俱来的生物特征进行个体身份认证,最显著的特点是具有不变性和唯一性。 人体运动特征包括：肢体摆动特征,步态特征,人体轮廓投影特征,人体对称特征等,其中从视觉监控的角度来看,步态特征是远距离场景条件下最具有代表性最典型的人体运动特征,近年来备受关注,同时也涌现出大量富有意义的步态识别算法。 2 人体运动特征识别研究运动特征识别在当今的科研领域中涉及面广泛，主要涉及到图像处理，多传感器技术，虚拟现实，模式识别，计算机视觉和图形学，计算机辅助设计，可视化技术，智能机器人等一系列研究领域。针对人体运动图像序列进行分析处理的运动人体视觉分析技术，一般情况下可分为以下几个过程，运动目标检测，运动目标特征提取以及识别复杂背景下的运动目标身份。图1 典型的运动特征识别系统运动特征识别的主要研究方法 目前运动特征识别中的运动特征包含了两种分量：结构化分量和动态分量。其中结构化分量也就是静态分量，它负责记录运动人体的身高，步幅等身体形状信息；而动态分量则形象地表征出了在运动过程中人体的胳膊摆动，肢体倾斜度，迈腿方式等运动特征，依据上述两种类型分量，现有的运动特征识别算法大致分为两类：基于统计的方法和基于模型的方法。使用基于统计的方法来获取人体运动特征的主要方法是在连续的视频图像序列中计算出人体的一些运动参数如速度，轮廓，纹理等，进一步利用其时空统计特性来分类识别。这种方法使用前提是假设运动姿势随着图像序列像素的变化而变化，与人体结构，运动时的动态特性没有直接的关联，易于得出较小数据的计算量，降低了计算的复杂度，适用于实时运算系统，在实际应用中体现出较高的价值。所谓基于模型的方法，是指详细描述并且拟合人体的肢体结构特性或者人体在运动图像序列中所显示出的各种明显运动特征，然后根据得到的结果建立相应的模型。基于模型的方法，与基于统计的方法最大的不同点是在大部分情况下能够很好的描述人体运动中肢体各个部分的变化，使运动更加具体化和直观化，能够有效克服图像视角变化或外物遮挡等外界因素影响，且可以通过获取关键点的关节角度变化特征来提高身份识别的效果。但这类方法也存在一定的缺陷，例如人体运动模型的建立和模型的回复难度，以及计算复杂度等，都是在计算机视觉领域一直未能解决的难点。3 图像预处理和运动目标检测 运动特征识别问题的首要环节是对食品图像进行预处理，并从视频图像序列中检测出质量较高的运动目标图像。高质量的运动目标提取结果对后续的运动特征提取和分类识别等研究起到了基础性的作用。图2 图像预处理和运动目标检测1. 图像提取迄今为止，帧间差法，光流法，背景减除法等是几种最为流行的从运动视频图像序列中提取出人体运动目标区域的方法，其中光流法以运算量大而且过程复杂居首，在要求具有较高实时性的场合中不能采用。通常选取背景减除法或者帧间差法来应对以上情况。2. 运动检测运动检测就