本發(fā)明屬于圖像處理技術(shù)領(lǐng)域，更進(jìn)一步涉及計(jì)算機(jī)視覺(jué)領(lǐng)域中實(shí)現(xiàn)人體運(yùn)動(dòng)跟蹤的一種方法，采用一種多目標(biāo)優(yōu)化的方法實(shí)現(xiàn)人體運(yùn)動(dòng)跟蹤和三維姿態(tài)估計(jì)，可用于體育訓(xùn)練和動(dòng)畫(huà)制作等領(lǐng)域。

背景技術(shù)：

人體運(yùn)動(dòng)跟蹤的主要任務(wù)是從視頻圖像中檢測(cè)出人體輪廓，再對(duì)人體的關(guān)節(jié)點(diǎn)進(jìn)行定位，在此基礎(chǔ)上識(shí)別出人體運(yùn)動(dòng)姿態(tài)，最終重建三維人體運(yùn)動(dòng)姿態(tài)。由于目前視頻圖像是三維場(chǎng)景中的人體輪廓在二維圖像上的投影，所以，丟失了大量的深度信息，并且人體運(yùn)動(dòng)過(guò)程中，人體四肢自遮擋現(xiàn)象時(shí)常發(fā)生，視頻圖像存在歧義性，這使得很難從無(wú)標(biāo)記單目視頻中恢復(fù)人體運(yùn)動(dòng)姿態(tài)。但是，由于基于單目視頻的人體運(yùn)動(dòng)跟蹤在醫(yī)學(xué)治療、體育訓(xùn)練、動(dòng)畫(huà)制作、智能監(jiān)控系統(tǒng)等各個(gè)方面都有潛在的應(yīng)用和經(jīng)濟(jì)價(jià)值，所以受到了很多學(xué)者的關(guān)注。至今，基于視頻的人體運(yùn)動(dòng)跟蹤的方法主要分為兩大類：基于學(xué)習(xí)的人體運(yùn)動(dòng)跟蹤和基于模型的人體運(yùn)動(dòng)跟蹤。

第一種，基于學(xué)習(xí)的人體運(yùn)動(dòng)跟蹤方法：該方法首先在訓(xùn)練的視頻圖像和目標(biāo)視頻圖像數(shù)據(jù)庫(kù)里提取精確的圖像特征，然后學(xué)習(xí)訓(xùn)練視頻圖像數(shù)據(jù)庫(kù)的圖像特征與運(yùn)動(dòng)捕捉數(shù)據(jù)之間的映射，最后在目標(biāo)視頻圖像上直接使用人體特征恢復(fù)三維姿態(tài)。如Urtasun et al.(R.Urtasun and T.Darrell.Local Probabilistic Regression for Activity-Independent Human Pose Inference IEEE Conference on Computer Vision and Pattern Recognition(CVPR)，2008)文章，就是使用平衡高斯過(guò)程動(dòng)態(tài)模型指導(dǎo)在單目視頻序列中跟蹤三維人體運(yùn)動(dòng)，該動(dòng)態(tài)模型是從較少的包含多種模式的運(yùn)動(dòng)訓(xùn)練數(shù)據(jù)中學(xué)習(xí)得到。Sigal et al.(L.Sigal and M.Black.Measure Locally，Reason Globally：Occlusion-sensitive articulated pose estimation.IEEE Conference on Computer Vision and Pattern Recognition(CVPR)，2006.)在該文章中提出一個(gè)貝葉斯框架，該框架包含序列重要性采樣和退火粒子濾波，并且在跟蹤時(shí)使用了多種運(yùn)動(dòng)模型。為了使三維姿態(tài)恢復(fù)更加符合解剖學(xué)關(guān)節(jié)約束，同時(shí)使搜索空間降維，該框架從訓(xùn)練數(shù)據(jù)中學(xué)習(xí)運(yùn)動(dòng)模型，使用虛擬標(biāo)記的歐式距離差作為量測(cè)誤差。該方法的缺點(diǎn)是提取精確的圖像特征需要花費(fèi)大量的時(shí)間，而且視頻跟蹤受到是否存在學(xué)習(xí)數(shù)據(jù)庫(kù)的限制，若不存在學(xué)習(xí)數(shù)據(jù)庫(kù)，則無(wú)法完成視頻跟蹤。

第二種，基于模型的人體運(yùn)動(dòng)跟蹤方法：該方法不需要學(xué)習(xí)數(shù)據(jù)庫(kù)，直接在目標(biāo)視頻圖像上提取圖像信息，建立目標(biāo)圖像與模型的相似度函數(shù)，然后對(duì)相似度函數(shù)進(jìn)行優(yōu)化從而在高維的狀態(tài)空間中搜索最優(yōu)的狀態(tài)，從而獲得準(zhǔn)確的人體姿態(tài)。如法國(guó)國(guó)家信息與自動(dòng)化研究所(INRIA)的C.Sminchisescu和A.Jepson.在(C.Sminchisescu and A.Jepson.Generative Modeling for Continuous Non-Linearly Embedded Visual Inference.International Conference on Machine Learning(ICML)，2004)的文章中采用此種方法實(shí)現(xiàn)了使用多種人體模型的運(yùn)動(dòng)跟蹤。Deutscher et al.在(J.Deutscher and I.Reid.Articulated body motion capture by stochastic search.International Journal of ComputerVision(IJCV)，61(2)：185-205，2004.)的文章中使用邊界和側(cè)影作為圖像特征構(gòu)建加權(quán)的相似度函數(shù)，應(yīng)用退火粒子濾波實(shí)現(xiàn)了人體運(yùn)動(dòng)跟蹤。由于該方法只建立一個(gè)相似度函數(shù)，而用于優(yōu)化相似度函數(shù)的方法在搜索最優(yōu)結(jié)果時(shí)很容易陷入局部最優(yōu)，導(dǎo)致跟蹤到的人體姿態(tài)不準(zhǔn)確，而且算法的時(shí)間復(fù)雜度高。

湖南大學(xué)申請(qǐng)的專利申請(qǐng)?zhí)?00910043537.5，公開(kāi)號(hào)CN101561928的“基于屬性關(guān)系圖外觀模型的多人體跟蹤方法”，該專利首先對(duì)當(dāng)前幀人體檢測(cè)區(qū)域建立屬性關(guān)系圖外觀模型，計(jì)算與上一幀跟蹤人體的屬性關(guān)系圖外觀模型的相似度，根據(jù)相似度確定幀間人體的匹配關(guān)系，從而確定人體跟蹤情況及獲取運(yùn)動(dòng)軌跡。該專利申請(qǐng)公開(kāi)的方法存在的不足是：只能對(duì)固定場(chǎng)景的運(yùn)動(dòng)者進(jìn)行人體跟蹤，只通過(guò)外觀模型的相似度不足以準(zhǔn)確的跟蹤人體姿態(tài)。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明的目的在于針對(duì)上述現(xiàn)有技術(shù)中的不足，提出一種基于模型的多目標(biāo)優(yōu)化的人體運(yùn)動(dòng)跟蹤方法，實(shí)現(xiàn)對(duì)不同場(chǎng)景中的運(yùn)動(dòng)者進(jìn)行準(zhǔn)確的人體姿態(tài)跟蹤。

實(shí)現(xiàn)本發(fā)明目的的技術(shù)方案是，采用基于模型的方法，建立人體骨架模型，利用視頻圖像提取關(guān)節(jié)點(diǎn)的位置和灰度信息，構(gòu)建兩個(gè)距離相似度函數(shù)，通過(guò)對(duì)構(gòu)建的多目標(biāo)距離相似度函數(shù)進(jìn)行優(yōu)化，在人體骨骼長(zhǎng)度的約束下，對(duì)這兩個(gè)距離相似度函數(shù)采用多目標(biāo)優(yōu)化算法實(shí)現(xiàn)對(duì)人體運(yùn)動(dòng)姿態(tài)的跟蹤。其實(shí)現(xiàn)步驟包括如下：

(1)用骨骼抽象的方法建立三維人體骨架模型：即將人體骨架按照15個(gè)關(guān)節(jié)劃分為14個(gè)部分，每部分由一根桿狀骨骼模型表達(dá)，在空間用14條具有三維坐標(biāo)的關(guān)節(jié)點(diǎn)之間的直線段表示這14根桿狀骨骼模型，連接相應(yīng)的關(guān)節(jié)點(diǎn)坐標(biāo)組成整個(gè)三維人體骨架模型，當(dāng)輸入一組運(yùn)動(dòng)人體對(duì)應(yīng)的15個(gè)關(guān)節(jié)點(diǎn)的三維坐標(biāo)值時(shí)，人體骨架模型將模擬出三維人體的運(yùn)動(dòng)姿態(tài)；

(2)預(yù)處理人體視頻圖像

2a)輸入人體視頻圖像，通過(guò)背景差分獲得人體側(cè)影，提取人體輪廓，對(duì)人體輪廓進(jìn)行中軸細(xì)化處理，形成人體骨架線；

2b)在人體骨架線上沿骨架線搜索得到頭、腹部、膝、腳節(jié)點(diǎn)坐標(biāo)位置，使用粒子濾波預(yù)測(cè)檢測(cè)出其余的人體關(guān)節(jié)點(diǎn)坐標(biāo)位置；

(3)提取視頻圖像的第二代條帶波變換Bandlet2的圖像特征r，作為雙高斯過(guò)程的輸入，使用雙高斯TGP算法，預(yù)測(cè)出第i幀人體的3維坐標(biāo)關(guān)節(jié)點(diǎn)v′_i，i∈[1，N]，獲得視頻序列的3D關(guān)節(jié)點(diǎn)輸出為V′，

r＝(r₁，r₂，r₃，...，r_N)^T，V′=(v1′,v2′,v3′,...,vN′)T,]]>

其中，r_i為第i幀圖像的Bandlet2為圖像特征，i∈[1，N]，(·)^T表示矩陣的轉(zhuǎn)秩；

(4)初始化人體骨架模型

4a)對(duì)步驟2b)得到的初始時(shí)刻視頻圖像關(guān)節(jié)點(diǎn)位置進(jìn)行手工標(biāo)定，由標(biāo)定數(shù)據(jù)設(shè)置初始時(shí)刻人體姿態(tài)對(duì)應(yīng)的人體骨架記為v₀，其中v₀為2b)中檢測(cè)到的第一幀視頻圖像的人體關(guān)節(jié)點(diǎn)位置；

4b)將t-1時(shí)刻跟蹤得到的人體骨架作為t時(shí)刻的初始化人體骨架，t＞0；

(5)構(gòu)建相似度函數(shù)

5a)將人體的3D關(guān)節(jié)點(diǎn)用V表示，2D關(guān)節(jié)點(diǎn)用V^q表示，V^q為V在2D平面上的投影，V為待估計(jì)量：

V＝(v₁，v₂，v₃，...，v_N)^T，Vq=(v1q,v2q,v3q,...,vNq),]]>

其中，v_i為第i幀圖像的3D關(guān)節(jié)點(diǎn)，i∈[1，N]，為第i幀的2D關(guān)節(jié)點(diǎn)，i∈[1，N]，N為視頻幀數(shù)；

5b)將用雙高斯TGP方法預(yù)測(cè)出的第i幀人體3D關(guān)節(jié)點(diǎn)V′在2D平面上做投影，得到2D投影的關(guān)節(jié)點(diǎn)坐標(biāo)V′_p：

Vp′=(vp1′,vp2′,vp3′,...,vpN′)T,]]>

其中，為第i幀關(guān)節(jié)點(diǎn)3D關(guān)節(jié)點(diǎn)在2D上的投影，i∈[1，N]；

5c)分別建立3D下的距離相似度函數(shù)f₁(v_i，v′_i)和2D下的距離相似度函數(shù)

(6)利用非支配鄰域免疫算法，在t時(shí)刻對(duì)兩個(gè)距離相似度函數(shù)f₁(v_i，v′_i)、在骨骼長(zhǎng)度約束下進(jìn)行優(yōu)化，獲得t時(shí)刻一組與真實(shí)人體運(yùn)動(dòng)姿態(tài)相似的人體骨架；

(7)在t時(shí)刻對(duì)每一個(gè)由步驟(6)得到的人體骨架獲得骨架，計(jì)算該骨架關(guān)節(jié)點(diǎn)與t-1時(shí)刻跟蹤到的人體骨架關(guān)節(jié)點(diǎn)的歐式距離，選擇出歐式距離最小的人體骨架作為t時(shí)刻跟蹤到的最精確的人體骨架。

本發(fā)明與現(xiàn)有的技術(shù)相比具有以下優(yōu)點(diǎn)：

1、由于本發(fā)明使用了粒子濾波預(yù)測(cè)人體關(guān)節(jié)點(diǎn)獲得更精確的人體關(guān)節(jié)點(diǎn)圖像位置，與現(xiàn)有技術(shù)相比獲取關(guān)節(jié)點(diǎn)位置的方法更簡(jiǎn)單，且時(shí)間復(fù)雜度更低。

2、本發(fā)明由于結(jié)合了當(dāng)前人體跟蹤領(lǐng)域流行的產(chǎn)生式和判別式的方法，分別建立了2D和3D的距離相似度函數(shù)，可以更好的利用視頻圖像信息。

3、本發(fā)明由于使用了多目標(biāo)進(jìn)化算法的非支配鄰域免疫算法優(yōu)化目標(biāo)函數(shù)，較現(xiàn)有的單目標(biāo)優(yōu)化人體跟蹤方法可以避免陷入局部最優(yōu)，提高了人體運(yùn)動(dòng)跟蹤的精確度。

附圖說(shuō)明

圖1為本發(fā)明的總流程圖。

圖2為本發(fā)明中的人體關(guān)節(jié)點(diǎn)檢測(cè)子流程圖。

圖3為本發(fā)明對(duì)行走姿態(tài)的仿真實(shí)驗(yàn)的三維跟蹤結(jié)果圖。

圖4為本發(fā)明對(duì)拳擊姿態(tài)的仿真實(shí)驗(yàn)的三維跟蹤結(jié)果圖。

具體實(shí)施方式

下面結(jié)合附圖對(duì)本發(fā)明做進(jìn)一步的描述。

參照?qǐng)D1，本發(fā)明的具體實(shí)現(xiàn)步驟如下：

步驟1，建立人體骨架模型。

根據(jù)解剖學(xué)知識(shí)，人體骨架雖然受年齡和健康的影響而不斷發(fā)生變化，但是骨架的組成是不變的，人體大致包括：脛骨、股骨、胯骨、軀干、橈骨、肱骨、鎖骨、頸、頭。在這種情況下本發(fā)明把人體表示為由15個(gè)關(guān)節(jié)點(diǎn)和14跟桿狀骨骼組成的骨架模型。在虛擬空間用14條具有三維坐標(biāo)的關(guān)節(jié)點(diǎn)之間的直線段表示這14根桿狀骨骼模型。

將每一個(gè)關(guān)節(jié)點(diǎn)的坐標(biāo)表示為i∈[1，15]，n∈[1，N]，N為待跟蹤人體運(yùn)動(dòng)視頻幀數(shù)；將第n幀人體骨架表示為相鄰兩個(gè)關(guān)節(jié)點(diǎn)的骨骼長(zhǎng)度表示為p，q∈[1，15]，由此得到人體骨架模型的限制條件||L_iv_n||＝l_i，i＝1，2，…，其中L_i是3×15矩陣，l_i是第i根骨骼的長(zhǎng)度，m是總的骨骼數(shù)；

在上述骨骼約束||L_iv_n||＝l_i，i＝1，2，…下，由相鄰的關(guān)節(jié)點(diǎn)連接組成整個(gè)三維人體骨架模型，當(dāng)輸入一組對(duì)應(yīng)人體運(yùn)動(dòng)時(shí)15個(gè)關(guān)節(jié)點(diǎn)的三維坐標(biāo)值時(shí)，人體骨架模型將模擬出運(yùn)動(dòng)的三維人體姿態(tài)。

步驟2，預(yù)處理視頻圖像。

參照?qǐng)D2，本步驟的具體實(shí)現(xiàn)如下：

2a)提取人體側(cè)影的骨架線：

2a1)輸入人體視頻圖像，采用最小平方中值LMedS方法獲取背景圖像；

2a2)將獲得的背景圖像與人體運(yùn)動(dòng)圖像做像素差，獲得背景差圖像；

2a3)對(duì)獲得的背景差圖像采用形態(tài)學(xué)方法清除背景差圖像中的分割噪聲，得到清晰的人體側(cè)影；

2a4)對(duì)獲得的人體側(cè)影采用邊緣跟蹤算法獲得人體側(cè)影外輪廓，提取側(cè)影外輪廓的中軸線細(xì)化人體側(cè)影，得到人體側(cè)影的骨架線；

2b)在步驟2a)中獲得的人體側(cè)影的骨架線上沿骨架線搜索，得到頭、根、膝、腳節(jié)點(diǎn)的坐標(biāo)位置：

2b1)使用同心圓模板沿著骨架線搜索，將落入圓環(huán)的人體側(cè)影輪廓點(diǎn)最多時(shí)的圓心作為頭節(jié)點(diǎn)；

2b2)選取人體側(cè)影重心部位為根節(jié)點(diǎn)，將所有人體側(cè)影點(diǎn)x坐標(biāo)值的算術(shù)平均值作為根節(jié)點(diǎn)的x坐標(biāo)，將y坐標(biāo)值的算術(shù)平均值作為根節(jié)點(diǎn)的y坐標(biāo)；

2b3)將三維人體骨架模型以根節(jié)點(diǎn)為基準(zhǔn)在視頻圖像上投影，得到人體軀干中心點(diǎn)、鎖骨關(guān)節(jié)點(diǎn)和左右臀部關(guān)節(jié)點(diǎn)；

2b4)根據(jù)以上獲得的頭，根關(guān)節(jié)點(diǎn)，使用粒子濾波檢測(cè)出手、肘、肩、膝和腳關(guān)節(jié)點(diǎn)的坐標(biāo)位置。

步驟3：提取視頻圖像的第二代條帶波變換Bandlet2的圖像特征r：

3a)輸入待處理視頻圖像，提取圖像中人體框圖，對(duì)框圖進(jìn)行二維多尺度小波變換；

3b)對(duì)二維多尺度小波變換后的圖像用四叉樹(shù)劃分算法和自底向上融合法則尋找并量化最優(yōu)幾何流方向；

3c)將量化后的最優(yōu)幾何流方向信號(hào)做一維小波變換，重組為二維形式，得到Bandelet2系數(shù)矩陣；

3d)提取最大幾何流統(tǒng)計(jì)特征作為圖像的Bandlet2特征r，r＝(r₁，...r_i，...r_N)^T，其中，r_i為第i幀圖像的Bandlet2圖像特征，i∈[1，N]，N為視頻幀數(shù)(·)^T表示矩陣的轉(zhuǎn)置。

步驟4：用步驟3提取的視頻圖像的第二代條帶波變換Bandlet2圖像特征r，作為雙高斯方法的輸入，預(yù)測(cè)出第i幀人體的3維坐標(biāo)關(guān)節(jié)點(diǎn)v′_i：

((V′)(d))T(vi′)(d)∝NR(0,KRKRr(KRr)TKR(r,r)),]]>

其中，N_R(·)表示高斯過(guò)程，(·)^T表示矩陣的轉(zhuǎn)置，r為輸入的bandlet2特征，V′為待預(yù)測(cè)人體姿態(tài)的3D關(guān)節(jié)點(diǎn)輸出，V′＝(v′₁，v′₂，v′₃...，v′_N)^T，N為視頻幀數(shù)，((V′)^(d))^T是待預(yù)測(cè)人體姿態(tài)V′的第d行即第d幀的人體姿態(tài)，(v′_i)^(d)是待預(yù)測(cè)的第i幀人體的3維關(guān)節(jié)點(diǎn)v′_i中的第d個(gè)關(guān)節(jié)點(diǎn)坐標(biāo)，K_R(r，r)為零，K_R是一個(gè)N×N的矩陣，K_R中的第i行第j列的元素為(K_R)_ij，是一個(gè)N×1的列向量，中第i行元素為

(KRr)i=KR(ri,r),]]>K_R(r_i，r)＝cov(f(r_i)，f(r))，

(K_R)_ij＝K_R(r_i，r_j)，K_R(r_i，r_j)＝cov(f(r_i)，f(r_j))，

式中cov(f(r_i)，f(r_j))是f(r_i)，f(r_j)之間的協(xié)方差函數(shù)，f(r_i)是第i幀的bandlet2特征的零均值高斯函數(shù)，f(r_j)是第j幀的bandlet2特征的零均值高斯函數(shù)，f(r)是輸入的bandlet2特征的零均值高斯函數(shù)。

步驟5：初始化人體骨架模型

5a)對(duì)步驟2b)得到的初始時(shí)刻視頻圖像關(guān)節(jié)點(diǎn)位置進(jìn)行手工標(biāo)定，由標(biāo)定數(shù)據(jù)設(shè)置初始時(shí)刻人體姿態(tài)對(duì)應(yīng)的人體骨架為v₀，其中v₀為2b)中檢測(cè)到的第一幀視頻圖像的人體關(guān)節(jié)點(diǎn)位置；

5b)將t-1時(shí)刻跟蹤得到的人體骨架作為t時(shí)刻的初始化人體骨架，t＞0。

步驟6：建立相似度函數(shù)

6a)根據(jù)雙高斯預(yù)測(cè)得到的3D關(guān)節(jié)點(diǎn)和待預(yù)測(cè)的人體關(guān)節(jié)點(diǎn)，建立第n幀視頻下的3D距離相似度函數(shù)f₁(v_n，v′_n)：

f1(vn,vn′)=Σi=115||vni-vni′||2,n∈[1,N],]]>

其中，N為視頻幀數(shù)，||·||₂表示2范數(shù)，為待預(yù)測(cè)關(guān)節(jié)點(diǎn)，為雙高斯預(yù)測(cè)到的關(guān)節(jié)點(diǎn)；

6b)根據(jù)雙高斯預(yù)測(cè)到的關(guān)節(jié)點(diǎn)和待預(yù)測(cè)的人體關(guān)節(jié)點(diǎn)在2D平面上的投影，建立第n幀視頻下的2D距離相似度函數(shù)

f2(vnq,vpn′)=Σi=115||vniq-vpni′||2,n∈[1,N],]]>

其中，N為視頻幀數(shù)，||·||₂表示2范數(shù)，為待預(yù)測(cè)關(guān)節(jié)點(diǎn)的投影，為雙高斯預(yù)測(cè)到的關(guān)節(jié)點(diǎn)的投影。

步驟7：優(yōu)化相似度函數(shù)

在步驟6中得到的兩個(gè)相似度函數(shù)和步驟1中的人體骨骼長(zhǎng)度的約束下，設(shè)定求解兩個(gè)相似度函數(shù)f₁(v_n，v′_n)和最小值的方程組：

argminf1(vn,vn′)=Σi=115||vni-vni′||2,argminf2(vnq,vpn′)=Σi=115||vniq-vpni′||2,s.t.||Livn||=li,i=1,2,···]]>

其中，l_i為第i個(gè)人體骨骼長(zhǎng)度，m為人體骨骼數(shù)，n∈[1，N]，N為視頻幀數(shù)，arg min(·)表示求最小值，||·||₂表示2范數(shù)。

利用非支配鄰域免疫算法，在t時(shí)刻在骨骼長(zhǎng)度約束下求解方程組的最小值，獲得t時(shí)刻一組與真實(shí)人體運(yùn)動(dòng)姿態(tài)相似的人體骨架。

步驟8：選擇人體最佳運(yùn)動(dòng)姿態(tài)

在t時(shí)刻對(duì)每一個(gè)由步驟7得到的人體骨架，計(jì)算該骨架關(guān)節(jié)點(diǎn)與t-1時(shí)刻跟蹤到的人體骨架關(guān)節(jié)點(diǎn)的歐式距離，選擇出歐式距離最小的人體骨架作為t時(shí)刻跟蹤到的最精確的人體骨架。

實(shí)驗(yàn)仿真

本發(fā)明的效果可以通過(guò)以下仿真實(shí)驗(yàn)得到驗(yàn)證：

本發(fā)明的仿真實(shí)驗(yàn)在Matlab 2010a上編譯完成，執(zhí)行環(huán)境為Windows框架下的HP工作站。本發(fā)明仿真實(shí)驗(yàn)所用的視頻圖像來(lái)自美國(guó)布朗大學(xué)的HumanEva數(shù)據(jù)庫(kù)，視頻圖像大小為320×240。

仿真內(nèi)容

仿真1，使用本發(fā)明對(duì)行走狀態(tài)進(jìn)行跟蹤，結(jié)果如圖3所示。圖3中的人體是原始視頻圖像，人體表面的骨架線為跟蹤得到的最優(yōu)運(yùn)動(dòng)狀態(tài)。

從圖3可以看出，跟蹤結(jié)果沒(méi)有出現(xiàn)歧義的姿態(tài)，準(zhǔn)確恢復(fù)了人體運(yùn)動(dòng)姿態(tài)，表明本發(fā)明對(duì)簡(jiǎn)單的運(yùn)動(dòng)姿態(tài)可以實(shí)現(xiàn)準(zhǔn)確的跟蹤。

仿真2，使用本發(fā)明對(duì)拳擊狀態(tài)進(jìn)行跟蹤，結(jié)果如圖4所示。圖4中的人體圖像是原始視頻圖像，人體圖像表面的骨架線為跟蹤得到的最優(yōu)運(yùn)動(dòng)狀態(tài)。

從圖4中可以看出，跟蹤結(jié)果沒(méi)有歧義姿態(tài)出現(xiàn)，準(zhǔn)確恢復(fù)了人體運(yùn)動(dòng)姿態(tài)，表明本方法對(duì)復(fù)雜的人體運(yùn)動(dòng)狀態(tài)也可以實(shí)現(xiàn)準(zhǔn)確跟蹤。

仿真結(jié)果分析：從圖3、圖4還可看出，本發(fā)明對(duì)不同的運(yùn)動(dòng)狀態(tài)視頻圖像跟蹤結(jié)果與真實(shí)的人體運(yùn)動(dòng)姿態(tài)基本相同，有效的解決了人體運(yùn)動(dòng)跟蹤的歧義性問(wèn)題，提高了跟蹤的準(zhǔn)確性和穩(wěn)定性。主要原因在于本方法采用了兩個(gè)相似度函數(shù)，更好的利用視頻圖像信息，在最小化兩個(gè)相似度函數(shù)時(shí)加入了人體骨架長(zhǎng)度約束條件，限制了歧義人體姿態(tài)出現(xiàn)。