论文部分内容阅读
令计算机能够理解人类的行为,是一直以来人工智能科学家的梦想。人体行为分析是一项具有广阔应用前景的计算机视觉与模式识别的交叉技术。其在军事、安全、医疗、娱乐以及人机交互领域都有着重要的应用前景。本文结合上海交通大学E-Learning实验室的“标准自然教室”(SNC)的创新智能教室框架提出了一种在未来教学环境中应用人体行为分析技术的设想。在SNC中应用了大量人工智能、计算机视觉方法,利用计算机技术,为教师和学生在网络与教室环境中提供人性、智能的教学体验。人体姿态估计是人体行为分析的一项关键技术,提供准确的人体姿态估计,是人体行为分析的前提。本文在智能教室框架下,着重研究了基于视觉的人体姿态估计的算法研究以及相关应用系统的设计。论文的主要贡献是提出了一种利用双目视觉算法,结合深度信息以及轮廓匹配算法的人体姿态估计方法。在视差图计算方面,论文提出了利用中值滤波以及表面约束对SAD视差估计算法的一种改进。基于计算得到的视差图,提出了一种结合深度信息以及Active Contour算法的人体轮廓提取算法。这种人体轮廓提取算法与传统的混合高斯模型分离人像方法相比,具有对环境以及背景的变化有更好的抗干扰性,并且不需要预先学习背景模型。并且,Active Contour算法可以给出平滑的人体轮廓,更贴合人体的外形。最后,在得到的人体轮廓上,论文研究并实验了两种不同的人体姿态估计算法,分别应用于两种不同的应用场景。其一,是一种基于人体轮廓的人体姿态估计方法,算法的目标是判断给定的学生轮廓的坐姿,通过计算轮廓的Hu不变矩,再使用SVM训练人体轮廓分类器,可以在测试数据集上实现80.7%的估计准确率。其二,是一种基于Pictorial Structure模型的人体姿态估计算法,算法的目标是为肢体遮挡不明显的教师估计其身体姿态。在算法研究和实验的基础上,论文还描述了在SNC中人体姿态估计应用系统的设计与实现,通过实现部分原型系统,验证了论文工作的有效性,并且为后续的研究工作完成了基础框架的构建。