层级潜变量空间中的三维人手跟踪方法

针对人手状态空间维数过高的问题,提出一种基于层级流形学习的三维人手跟踪方法.将人手状态空间划分成多个人手部分状态空间,采用层级高斯过程潜变量模型得到更能反映人手运动本质的树状低维流形空间,降低了粒子滤波器有效跟踪人手所需的粒子数量;使用径向基函数插值方法构建低维流形空间到图像空间的非线性映射,将低维粒子直接映射到图像空间中观测.实验结果表明,该方法可以鲁棒地跟踪关节人手.

采用改进粒子群优化粒子滤波的三维人手跟踪

针对高维人手状态空间中的采样稀疏问题,提出了一种基于改进粒子群优化粒子滤波的关节人手跟踪方法,用于从Kinect获取的深度图像序列中恢复三维人手运动。首先,利用简单几何基元建立三维人手模型,并为其添加自由度节点,用于在跟踪过程中生成可与观测特征进行比较的人手姿势假设。然后,在粒子滤波框架下,使用深度图像作为观测输入,融合深度特征与区域特征建立了系统观测模型。最后,将粒子群优化粒子滤波应用于关节人手运动跟踪。为避免在高维空间中的早熟收敛问题,利用模拟退火思想和局部随机化方法对算法进行改进,增强了算法的全局搜索能力。通过合成序列和真实序列上的跟踪实验对该方法进行了评价,结果表明该方法的关节角度跟踪误差均值约为2.3°,标准差约为1.7°,优于标准粒子滤波和标准粒子群优化跟踪方法,可以准确、鲁棒地从深度图像跟踪三维人手运动。

三维人手跟踪中微观结构的应用

为构建更准确、更自然的三维人手交互系统,提出基于状态变量微观结构的粒子滤波算法和基于交互微观结构的反馈机制。对三维人手跟踪系统中的人手交互行为数据和人手状态变量数据进行分析,确定有效的交互微观结构和状态变量微观结构;利用交互微观结构建立有效路径选择及交互反馈机制;应用状态变量微观结构建立各个动作采样模型,构造采样数据库,完成基于状态变量微观结构的粒子滤波算法;采用基于状态变量微观结构的粒子滤波算法和基于交互微观结构的反馈机制构建三维人手交互系统,完成虚拟装配任务。实验结果表明:微观结构应用于三维人手交互系统,提高了算法的精度。

快速的三维人手运动跟踪方法研究

三维人手运动跟踪是人机交互领域的一个重要研究方向.提出了一种新的基于模型的三维人手运动跟踪方法,该方法将层次优化嵌入到基于粒子滤波器的跟踪框架中,通过在隐状态空间中对粒子采样来提高粒子滤波器采样效率.首先,提出了采用低维隐状态来描述人手的配置状态,并根据人手的生理运动约束建立人手动态模型;其次,为提高粒子在隐状态空间的采样效率,提出了采用层次遗传优化来快速地在局部寻找好的粒子,并以此作为重要度采样函数修正粒子滤波的采样算法.实验结果表明,该方法可以在人手自遮挡存在时的复杂背景下快速地对人手运动进行跟踪.

以多模型融合为特征的三维手势跟踪算法

三维手势跟踪是基于手势交互中的一个基础性研究课题,要实时、高精度地实现三维手势跟踪是一个具有挑战性的热点问题.为提高三维人手跟踪的精确度,提出一种基于多模型融合状态预测的粒子滤波跟踪算法.首先通过对基于数字手套的虚拟烤箱系统进行实验,结合人手的行为理解和描述建立了基于认知实验的人手运动状态预测模型;其次对人手跟踪过程中的数据建立人手运动模型,将Sigma点原理应用到人手模型数据上,得到基于局部分析预测模型;最后将这2个模型按照其与当前帧图像的相似度进行融合,得到粒子滤波过程中的状态预测模型.与退火算法相比较的实验结果表明,在运行时间基本相同的情况下,该算法通过改善粒子滤波过程中状态预测的精度提高了人手跟踪过程中的精度.

基于特征点分布分析的手势特征检测方法

为提高对手势特征点检测的精度和速度,提出一种快速、准确的复杂背景下手势特征检测方法。利用基于肤色亮度的手势分割方法将手势提取出来,获得手势轮廓,针对不同手型,利用改进的曲率算法对轮廓点进行初步筛选,通过对候选点区域内分布特点的分析,最终确定特征点位置。进一步提出了新的特征点分离算法。与已有算法相比,该算法提出基于亮度分布的肤色模型,增强了手势分割的鲁棒性;引入了手型分析尺度和特征点分布分析,对手势特征位置由粗到精进行检测,改善了算法的精度和时间开销。实验表明,该方法在复杂背景下对手势特征的检测有较高的准确率和实时性,有效地减少了传统曲率方法中干扰点的误判和特征点的冗余,对不同大小的手型具有一定的鲁棒性。最后,通过在运动三维人手跟踪中的成功运用,验证了该方法的有效性。