《人的運動視覺跟蹤與姿態分析穩健算法研究》是依託上海大學，由王向陽擔任項目負責人的面上項目。
基本介紹
- 中文名：人的運動視覺跟蹤與姿態分析穩健算法研究
- 項目類別：面上項目
- 項目負責人：王向陽
- 依託單位：上海大學
中文摘要,結題摘要,
中文摘要
人的視覺運動跟蹤與姿態分析在如自動視頻監控、智慧型人機互動等方面有重要的研究意義。由於現實環境中存在的複雜變化場景以及人的姿態空間的高維和非線性等問題，使得設計穩健的跟蹤與識別算法變得困難。本項目研究基於粒子濾波的跟蹤算法和基於子空間方法的人的運動跟蹤與姿態估計，同時研究對子空間的實時、增量更新算法。針對視頻中人的運動跟蹤研究中的技術難點，提出有效解決方案:(1)在粒子群最佳化中引入採樣方差項和退火因子,提出退火粒子群最佳化粒子濾波算法（APSOPF）。新算法能夠使跟蹤誤差最小。（2）提出基於對高斯過程隱變數模型(GPLVM)和高斯過程動態模型(GPDM) 的子空間增量更新的人的運動跟蹤算法。使得在出現新的複雜場景變化情況下能夠獲得穩健的跟蹤效果。(3)用隨機元下降 (SMD)方法最佳化GPLVM的子空間學習，提出SMD-GPLVM模型。使得能以最小代價、獲得最優GPLVM子空間模型。
結題摘要
項目承擔人近三年內在人的運動分割，運動跟蹤與姿態估計方面作了如下研究工作： （1）提出了一個新的跟蹤算法，基於PSO和退火粒子濾波的運動跟蹤算法 (Annealed particle filter based on particle swarm optimization, APSOPF)，用於有關節三維人體運動跟蹤 。在PSO的速度更新公式中引入了運動先驗和退火策略。相比於其它基於粒子的跟蹤算法，APSOPF能克服不精確的圖象觀測的問題，並獲得較小的跟蹤誤差。跟蹤的精確性和有效性都提高了。 （2）研究了基於分級GPLVM(HGPLVM, Hierarchical GPLVM)的人的姿態估計. HGPLVM學習分級的基於部分的模型（part based hierarchical model）。利用分級GPLVM(HGPLVM, Hierarchical GPLVM)，對人體的各肢體部分分別學習GPLVM模型，再進行姿態估計，比起僅進行整體GPLVM模型學習，估計效果會更好。 （3）研究了基於隨機梯度下降(Stochastic Gradient Descent)對GPLVM模型最佳化的算法,以及增量GPLVM算法(Incremental GPLVM)。相比於標準GPLVM，該方法能學習到更光滑的低維流形。當把學習到的隱變數模型作為運動先驗模型，用於人的運動跟蹤時，能獲得更小的跟蹤誤差。 （4）開展了基於低秩與稀疏矩陣恢復的人的運動分割與姿態估計算法研究（Low-rank and Sparse matrix recovery），提出了多任務穩健主成分分析算法（MTRPCA，Multi-task Robust Principle Component Analysis），用於人的運動分割。該方法在對目標函式的核範數(Nuclear norm)和L1範數(L1 norm)聯合最小化的推理過程中結合先驗信息，以及多特徵聯合推理。之前的基於低秩與稀疏矩陣恢複方法僅用單個特徵，與之相比，我們的方法把多特徵聯合起來結合到一個單一的推理步驟中，可獲得更好的運動分割結果。
