基于骨架的圖像中物體表示與識別研究.pdf

1、制造出具有人工智能的機(jī)器人一直是科學(xué)家們的夢想。要實現(xiàn)這一目標(biāo)關(guān)鍵的一步是識別圖像中的物體。物體的骨架不僅包含了物體的形狀特征,還具有拓?fù)浣Y(jié)構(gòu),所以它在物體識別及相關(guān)應(yīng)用領(lǐng)域,例如基于內(nèi)容的圖像檢索、字符識別、生物醫(yī)學(xué)圖像分析和監(jiān)控系統(tǒng)中,是一種有用而且重要的描述符。最近幾年,鑒于骨架能方便地描述有關(guān)節(jié)的物體,所以在人機(jī)交互系統(tǒng)和體感游戲中,骨架被廣泛用于模擬人體運(yùn)動姿勢?？偠灾?研究基于骨架的物體表示和識別能加速計算機(jī)視覺領(lǐng)域的發(fā)展

2、。
　　本文的工作主要集中在解決基于骨架的識別問題上,包括骨架剪枝,形狀分類與聚類和人體姿勢修正。本文的主要貢獻(xiàn)包括如下幾個方面:
　　1.提出一種新的叫做彎曲潛能比率的重要性度量,將其用于骨架剪枝。根據(jù)這種重要性度量,一段骨架枝是否該去除取決于它所對應(yīng)的輪廓段對整個形狀的貢獻(xiàn)。而同樣一段輪廓段處于整個輪廓上不同位置時所表現(xiàn)出的重要程度可能會有所不同,所以判斷輪廓段對整個形狀的貢獻(xiàn)還需考慮其所處位置。同時,通過在骨架生長中結(jié)

3、合該重要性度量進(jìn)行剪枝,以保證剪枝骨架的連通性。實驗結(jié)果表明,該剪枝算法能去除冗余的骨架枝,并得到適用于形狀匹配的精確骨架。
　　2.提出一種新的骨架剪枝算法,它與傳統(tǒng)的方法有著本質(zhì)的不同。它將骨架剪枝問題通過貝葉斯模型抽象成一個骨架簡單性和形狀重建誤差之間的開關(guān)問題。形狀重建誤差通過重建形狀與原始形狀的面積覆蓋程度度量,而形狀簡單性則反比于骨架長度。一個簡單的貪心算法被用來去逼近最大的貝葉斯后驗概率,由此定義了一個剪枝順序,從而

4、得到最終的剪枝骨架。實驗表明,在不調(diào)節(jié)任何參數(shù)的情況下,該算法得到的骨架對于物體輪廓變形及類內(nèi)形狀變化依舊是穩(wěn)定的。
　　3.提出一種基于骨架的形狀分類方法。通過有監(jiān)督學(xué)習(xí)得到同類形狀的骨架聯(lián)合樹,樹中的節(jié)點包含了樣例骨架的接合點以及它們的統(tǒng)計分布。隨后,根據(jù)貝葉斯準(zhǔn)則,這些信息會被用來對新的形狀進(jìn)行分類。在兩個知名的形狀數(shù)據(jù)集上的分類精度都要好于其他最先進(jìn)的形狀分類方法,說明了該算法的有效性。
　　4.提出一種基于骨架的方

5、法去解決形狀聚類的問題。該方法發(fā)掘出一種能表示同類物體固有內(nèi)在信息的共同結(jié)構(gòu)。一般聚類方法僅僅考慮成對的相似性度量,與之不同,本文提出的聚類方法采用合并型多層次框架,在聚類的同時更新共同結(jié)構(gòu),并將之用于下一次合并迭代以改進(jìn)形狀間相似度。實驗結(jié)果表明,該方法能發(fā)掘出同類形狀的共同結(jié)構(gòu),同時能自動檢測出異常骨架節(jié)點,并對參數(shù)設(shè)置不敏感,且在四個形狀數(shù)據(jù)集上都取得了最好的聚類效果。
　　5.提出一種基于從Kinect深度圖像中估計得到的

6、初始人體骨架的姿勢修正算法。它顯示了基于樣例的方法是解決姿勢修正問題的一個有效途徑,而通過隨機(jī)森林回歸去學(xué)習(xí)非齊次的系統(tǒng)化誤差則是解決問題的關(guān)鍵。采用級聯(lián)回歸和增加運(yùn)動一致性約束也可以幫助提高姿勢修正的結(jié)果。實驗結(jié)果表明,該姿勢修正算法,確實可以極大程度地提高姿勢識別的精度,并且遠(yuǎn)好于當(dāng)前Kinect系統(tǒng)所采用的姿勢修正算法的效果。
　　本文所要解決的問題都是計算機(jī)視覺領(lǐng)域中的基礎(chǔ)問題,所以本文所提出的模型和算法對其他的視覺任務(wù)和