人的运动视觉跟踪与姿态分析稳健算法研究

人的视觉运动跟踪与姿态分析在如自动视频监控、智能人机交互等方面有重要的研究意义。由于现实环境中存在的复杂变化场景以及人的姿态空间的高维和非线性等问题，使得设计稳健的跟踪与识别算法变得困难。本项目研究基于粒子滤波的跟踪算法和基于子空间方法的人的运动跟踪与姿态估计，同时研究对子空间的实时、增量更新算法。针对视频中人的运动跟踪研究中的技术难点，提出有效解决方案:(1)在粒子群优化中引入采样方差项和退火因子,提出退火粒子群优化粒子滤波算法（APSOPF）。新算法能够使跟踪误差最小。（2）提出基于对高斯过程隐变量模型(GPLVM)和高斯过程动态模型(GPDM) 的子空间增量更新的人的运动跟踪算法。使得在出现新的复杂场景变化情况下能够获得稳健的跟踪效果。(3)用随机元下降 (SMD)方法优化GPLVM的子空间学习，提出SMD-GPLVM模型。使得能以最小代价、获得最优GPLVM子空间模型。

项目承担人近三年内在人的运动分割，运动跟踪与姿态估计方面作了如下研究工作：.（1）提出了一个新的跟踪算法，基于PSO和退火粒子滤波的运动跟踪算法 (Annealed particle filter based on particle swarm optimization, APSOPF)，用于有关节三维人体运动跟踪 。在PSO的速度更新公式中引入了运动先验和退火策略。相比于其它基于粒子的跟踪算法，APSOPF能克服不精确的图象观测的问题，并获得较小的跟踪误差。跟踪的精确性和有效性都提高了。.（2）研究了基于分级GPLVM(HGPLVM, Hierarchical GPLVM)的人的姿态估计. HGPLVM学习分级的基于部分的模型（part based hierarchical model）。利用分级GPLVM(HGPLVM, Hierarchical GPLVM)，对人体的各肢体部分分别学习GPLVM模型，再进行姿态估计，比起仅进行整体GPLVM模型学习，估计效果会更好。.（3）研究了基于随机梯度下降(Stochastic Gradient Descent)对GPLVM模型优化的算法,以及增量GPLVM算法(Incremental GPLVM)。相比于标准GPLVM，该方法能学习到更光滑的低维流形。当把学习到的隐变量模型作为运动先验模型，用于人的运动跟踪时，能获得更小的跟踪误差。.（4）开展了基于低秩与稀疏矩阵恢复的人的运动分割与姿态估计算法研究（Low-rank and Sparse matrix recovery），提出了多任务稳健主成分分析算法（MTRPCA，Multi-task Robust Principle Component Analysis），用于人的运动分割。该方法在对目标函数的核范数(Nuclear norm)和L1范数(L1 norm)联合最小化的推理过程中结合先验信息，以及多特征联合推理。之前的基于低秩与稀疏矩阵恢复方法仅用单个特征，与之相比，我们的方法把多特征联合起来结合到一个单一的推理步骤中，可获得更好的运动分割结果。