АННОТАЦИЯ 2
ОГЛАВЛЕНИЕ 5
ВВЕДЕНИЕ 6
1 ОСНОВНЫЕ ПОНЯТИЯ И ОБЗОР ЛИТЕРАТУРЫ 7
1.1 SD-сенсор, карта глубины и облака точек 7
1.2 Скелетная модель человека и её параметризация 9
1.3 Получение ответов регрессионных деревьев 11
1.4 Обзор методов построения скелетной модели 13
Выводы по разделу 1 15
2 КРИТЕРИЙ КАЧЕСТВА 16
2.1 Метод максимального правдоподобия 16
2.2 Алгоритм оптимизации 18
2.3 Модификация апостериорной оценки вероятности точек 19
2.4 Проблема корректного определения кистевых суставов 20
Выводы по разделу 2 22
3 ЧИСЛЕННОЕ РЕШЕНИЕ ЗАДАЧИ ОПТИМИЗАЦИИ 23
3.1 Вычисление градиентов параметров скелетной модели 23
3.2 Оптимизация 25
Выводы по разделу 3 25
4 РЕЗУЛЬТАТЫ РАБОТЫ 26
ЗАКЛЮЧЕНИЕ 30
БИБЛИОГРАФИЧЕСКИЙ СПИСОК 31
ПРИЛОЖЕНИЯ
ПРИЛОЖЕНИЕ 1 32
Оценка позы человека это одна из ключевых проблем компьютерного зрения, которая изучается уже более 15 лет. Причиной важности этой проблемы является обилие приложений, которые могут использовать эту технологию.
Например, оценка позы человека позволит на более высоком уровне взаимодействовать с компьютером. Так же она является основой для безмаркерной технологии захвата двнження(тоПоп capture). Технология захвата движения полезна для разных приложений, начиная с анимации персонажей до клинических исследований патологий походки.
Однако, несмотря на многие годы исследований этой проблемы, оценка позы остается очень сложной и еще в значительной степени нерешенной проблемой.
Цель работы - по поступающей последовательности облаков точек построить скелетную модель, путём оптимизации её параметров, рассмотреть возможности улучшения качества, основываясь на особенностях входных данных.
Для достижения цели были решены следующие задачи.
1. Параметризация скелетной модели человека.
2. Постановка задачи многомерной оптимизации в пространстве параметров модели.
3. Численное решение оптимизационной задачи.
В работе предложен алгоритм для оптимизации. Рассмотрены некоторые проблемы при оптимизации и пути решения этих проблем. Метод основан на EM- алгоритме с последующей оптимизацией.
В работе предложен алгоритм оценивая параметров скелетной модели по поступающим облакам точек с регрессионного дерева. Приведены возможные модификации алгоритма, связанные с особенностями входных данных.
Предложенный алгоритм позволяет качественно провести обработку данных и в совокупности с остальными модулями может быть использован в робототехнике, распознавании жестов и для представления человека в виртуальной реальности.
Проведено тестирование метода на открытом наборе данных StanfordMotionCaptureDataset. Средний процент попаданий составлил 95.3288%, что превышает значение в 91,4%, полученное для алгоритма, использующегося в сенсоре MicrosoftKinect1.
Минимальное время работы алгоритма на настольном компьютере на базе четырехъядерного процессора InterCorei5 с частотой 2,2 Ггц с уровнем качества, позволяющим решить проблему с достаточной точностью, равняется ~0,5 миллисекунд.
