| 基于特征点的人体运动描述(数学建模)---（三）利用特征点实现人体运动跟踪 |
|
| 作者：Mercy.Wa… 文章来源：本站原创 点击数： 更新时间：2006-3-23 |
|
|
2、利用特征点实现人体运动跟踪 运动信息是生活中一个很重要的信息来源。在现实世界中，随处可见各种运动，人眼是很容易检测和识别这些运动信息，但对于计算机来说，却是个相当难的任务。目前在计算机视觉领域，运动跟踪己经研究了很多年，也取得了不少成果，在众多领域中获得了应用。比如在自动监控系统中，就需要对人体的运动进行自动识别和跟踪。随着计算机技术的不断提高，这方面的研究和应用受到人们越来越多的重视。 在本章中，我们将研究人体运动的跟踪方法，获取人体关节点的二维运动信息序列，它是人体运动分析中非常关键和重要的一步。运动跟踪的目的就是用计算机来代替人去跟踪图像中感兴趣的目标的运动，通过计算机仿真人的视觉对客观世界做出正确的认识和判断。虽然人的视觉可以很容易地识别和跟踪现实场景中刚体或变形物体的运动。但计算机却不能很好地完成这部分功能，所以目前对人体运动跟踪的研究仍处于不断探索阶段。 围绕人体运动所展开的工作最早可追溯到1973年心理学家Johansson[3]对于人类的运动感知所做的研究工作。在他的实验中，在人的关节点附着亮点，使人处于黑暗的环境中，因此只有关节点可见。实验结果表明：对于静态的光点集合，人的视觉感知系统无法得出任何有意义的信息，而对于运动中产生的光点集合序列，人们可以辨别出运动的形态如走路、跑步等，甚至判断出运动者的性别，故由此提出了对于运动的识别问题。在此之后，由 于人体运动分析在各个领域的中重要应用，相应的工作被来自越来越多的各领域的研究者广泛开展。
图2-1 Johansson 实验中人体光点集合
Fig. 2-1 Human light-point set with Johansson 正是在Johansson的理论基础上，本文所采用了跟踪人体节点的方法来实现对人体运动的跟踪，按照如下图的方式建立了人体的棍状模型。 
图 2-2 二维节点的人体建模
Fig. 2-2 2D stick human model
2.1 二维人体运动常用的跟踪方法 目前常用的跟踪方法有：块匹配法(Block Matching)、光流法(optical flow)。每一类方法都有自己的优势和不足，根据具体问题的不同，分别应用在不同的方面。接下来我们将简要介绍这几类方法。
2.1.1 块匹配方法 块匹配方法（Block Matching Algorithm，简称BMA）实质上是在图像序列中做一种相邻帧间的位置对应任务。它首先选取一个图像块，然后假设块内的所有像素做相同的运动，以此来跟踪相邻帧间的对应位置。 块匹配法把一个像素块作为一个整体进行计算，运动表示简单。其算法比较规则、简单，硬件上易于实现，因简单高效的特点而常被采用，在活动视频图像编码的国际标准H. 261，H. 263和MPEG I，MPEG II中实际都采用了块匹配法。 块匹配算法如下所示：在给定两帧顺序图像I帧和I+1帧，对于图像1中的每个像素点（x，y），以此像素为中心形成一个大小为（2n + 1）X（2n + 1）的块Bo围绕图像卜1帧中的对应像素点(x，y)建立一个尺寸为（2N十1）X（2N十1）的搜索窗口R。搜索窗口可根据有关两图像间最大可能位移的先验知识来确定。假设一个像块内所有的像素作速度相同的平移运动，然后在搜索窗口R内进行搜索匹配，在基于一定的误差度量准则下寻找与其最匹配的像素块B'。
2.1.2 光流跟踪方法 光流(optical flow)法是目前运动图像分析的重要方法，它的概念是由Gibso。于1950年首先提出的，是指时变图像中模式运动速度。因为当物体在运动时，它在图像上对应点的亮度模式也在运动。这种图像亮度模式的表观运动（apparent motion）就是光流。光流表达了图像的变化，由于它包含了目标运动的信息，因此可被观察者用来确定目标的运动情况。 由光流的定义可以引申出光流场，它是指图像中所有像素点构成的一种二维(2D)瞬时速度场，其中的二维速度矢量是景物中可见点的三维速度矢量在成像表面的投影。所以光流不仅包含了被观察物体的运动信息，而且还包含有关景物三维结构的丰富信息。 对光流的研究成为计算机视觉及有关研究领域中的一个重要部分。因为在计算机视觉中，光流扮演着重要角色，在目标对象分割、识别、跟踪、机器人导航以及形状信息恢复等都有着非常重要的应用。从光流中恢复物体三维结构和运动则是计算机视觉研究所面临的最富有意义和挑战性的任务之一。正是由于光流的这种重要地位和作用，使得众多的心理物理学家、生理学家和工程研究人员都加入了它的研究行列。十多年来，他们提出了许多种计算光流的方法，而且新的方法还在不断涌现。
2.2 基于光流法的特征点跟踪方法的实现 在本文中我们采用了一种基于特征的跟踪方法来实现对人体关节点的跟踪。它首先通过标注的方式，也可以采用自动标注的方法，来选定跟踪的区域，然后通过特征计算和特征匹配，在后续帧中完成自动的跟踪。跟踪的流程如下图所示：
 图 2-3 人体关节二维跟踪流程
Fig. 2-3 The process of tracking human joints 在这一章中，主要讲述如何选择特征点以及如何实现二维特征点的跟踪，其中自动化特征点的标定将会放在下一章讲述。 在本文研究中我们采用了一种基于特征的跟踪方法一KL（Kanade-Lucas）算法[4]，它是由Lucas和Kanade于1981年首先提出的，后来被Tomasi和Kanade不断完善，目前它己成为一种比较经典的特征跟踪算法，而被广泛使用。它有两个基本的步骤：1）特征点的选择；2）跟踪选定的特征点，下面我们将分别详细描述这两步。
2.2.1 特征点的选择 在跟踪之前，最重要的一步是选择一些可供跟踪的特征。那么我们依据什么标准来选择这些特征点，一个很重要的依据就是根据图像的纹理特征。我们知道，在跟踪过程中，图像的纹理特征大体上总是保持不变的。 当我们观察由多个像素构成的图像区域时，会发现里面存在一种纹理特征。我们跟踪的特征，在这里称为特征窗口就包含着这种纹理特征信息。我们假设一个特征窗口的大小为W(10x10像素)。下面我们以图像序列中一帧为例。 首先我们来定义图像的梯度，假设图像定义为I(x，y)，它的梯度采用数学概念描述，是一个矢量，定义为
 梯度具有两个重要性质： 梯度的方向在函数I（x，y）最大变化率的方向上； 该梯度向量的模为
 从数学上说，梯度的数值就是I(x，y)在其最大变化率方向上的单位距离所增加的量。 但对整幅图像来说，一般可以把梯度向量的模g称为图像的梯度。对于数字图像来说，梯度可按如下方法计算： 水平垂直差分法
 图 2-4 水平垂直差分法求取梯度的实验结果
Fig 2-4 The result of grads with vertical and horizontal shift Roberts梯度（Roberts Gradient，常用的另一种梯度算法）
 绝对差算法
 由上面可以看出，梯度值的大小与相邻像素的灰度差值成正比。从图像上看，在图像轮廓上，像素的灰度值变化比较大，梯度值也大，在图像的非轮廓区域，灰度变换相对平缓，因而梯度值较小;在图像的等灰度区域内，梯度值为零。 在上述算法的依据下，我们可以得出关节特征点的选取，定义一个10×10大小的窗口并且实现了在其中寻找梯度值最大的点作为特征点。我们可以从图中看出，特征点都是位于图像边缘处或者颜色变化剧烈的地方。
图 2.5 特征点选取实验结果
Fig 2-5 The result of marking feature-points
|
