基于流形学习的低维空间无标记点人体运动跟踪方法研究

由于人体运动自由度非常多、运动空间维数非常高导致人体运动状态空间巨大，使得计算机中基于视频的高质量无标记点三维人体运动跟踪变得非常困难。文献表明，由于人体运动过程中身体自由度之间的相关性，绝大部分人体运动可以在低维空间通过运动模型进行表示。本研究以探索低维空间中无标记点人体运动跟踪方法为出发点，在阐明不同流形学习降维方法对人体运动捕捉数据空间降维的特点和效果的基础上，对低维空间人体运动特征进行分析，研究适用于常见人体运动空间降维的流形学习方法；构建走路、跑步、拳击、蛙泳、踢球5类常见运动的低维空间运动表示模型；研究低维运动空间中基于粒子滤波方法的人体运动跟踪算法。为实现高效、可靠的基于视频的无标记点人体运动跟踪提供新方法，同时也为人体运动规律的研究和运动捕捉数据的重用提供新思路。

基于视频的人体运动跟踪、人体动画制作、人机交互与虚拟现实等计算机应用长期以来受困于人体运动自由度空间维数过高的难题。减少人体运动空间维数，建立人体运动模型成为当前计算机应用的研究热点。本项目围绕人体运动的低维空间表示模型、基于模型的低维空间人体运动跟踪方法及其扩展应用开展研究，完成了项目研究任务，取得了预期的研究成果。在人体运动低维空间表示模型方面，以人体运动捕捉数据库中的真实人体运动捕捉数据为对象，结合当前主流的流形学习空间降维方法，分别研究了在线性低维空间和非线性低维空间的人体运动表示方法，理论分析和实验结果表明高斯过程动态模型（GPDM）适合将人体运动的时间和空间连续性在低维空间进行表达，而线性模型可解决建立人体模型时非线性模型学习时间过长的问题。在此基础上，建立了走路、跑步、拳击、蛙泳、踢球5类常见运动的低维空间运动表示模型，分析了其运动过程平均姿态，发现了不同人类似运动平均姿态相似度高的特点。在基于模型的低维空间人体运动跟踪方法方面，提出了人体肤色区域的自适应鲁棒分割方法，解决了利用肤色进行人体运动跟踪时肤色区域的自动提取问题；提出了结合Wang-Landau和稀疏表示的自适应人体跟踪方法，部分解决了单目视频人体运动跟踪过程中出现的遮挡和视点变化的问题；提出了低维空间运动模型指导的粒子滤波运动跟踪方法，解决了跟踪特定运动时出现的跟踪结果二义性问题，研究结果表明该方法提高了跟踪结果的准确性和鲁棒性。此外，探索了项目研究成果的扩展应用，对于其他运动对象的跟踪，提出了一种融合双掩膜技术的图割运动图像精确分割方法，提出了基于显著图模型的图像目标分割方法，提出了基于生物学运动特征的特定视频目标跟踪方法。本项目的研究进展与成果丰富了人体运动空间降维和运动跟踪的理论与方法，具有重要的理论价值与应用价值。