基于概率模型的三维人体运动跟踪研究
| 摘 要 | 第1-6页 |
| Abstract | 第6-10页 |
| 第一章. 引言 | 第10-16页 |
| ·问题提出 | 第10-11页 |
| ·跟踪过程中的不确定性 | 第11-12页 |
| ·解决不确定性的方法——概率模型 | 第12-13页 |
| ·主要贡献 | 第13页 |
| ·论文结构 | 第13-16页 |
| 第二章 人体运动跟踪综述 | 第16-34页 |
| ·运动跟踪的应用领域 | 第16-17页 |
| ·有标记的运动捕捉设备 | 第17-20页 |
| ·基于视频的人体运动跟踪 | 第20-21页 |
| ·人体运动跟踪的初始化 | 第21-23页 |
| ·初始状态确定 | 第21-22页 |
| ·人体模型的表示——二维vs. 三维 | 第22-23页 |
| ·特征提取 | 第23-27页 |
| ·外轮廓特征 | 第23-25页 |
| ·边界特征 | 第25-26页 |
| ·灰度特征 | 第26页 |
| ·其它特征 | 第26-27页 |
| ·跟踪 | 第27-34页 |
| ·有模型的方法和无模型的方法 | 第27-29页 |
| ·确定性搜索方法 | 第29-30页 |
| ·随机搜索方法 | 第30-34页 |
| 第三章 从概率模型角度考虑跟踪 | 第34-50页 |
| ·简介 | 第34-35页 |
| ·概率推理方法简介 | 第35-37页 |
| ·条件概率，联合概率，数学期望和协方差 | 第35-36页 |
| ·概率推理——最大似然估计和最大后验估计 | 第36-37页 |
| ·基于概率推理的跟踪 | 第37-39页 |
| ·线性系统跟踪方法——Kalman 滤波 | 第39-40页 |
| ·非线性系统跟踪方法——粒子滤波 | 第40-47页 |
| ·粒子滤波的基本原理 | 第41-43页 |
| ·用粒子滤波来解决跟踪问题 | 第43-45页 |
| ·一个可行的粒子滤波算法 | 第45-46页 |
| ·粒子滤波的优点 | 第46-47页 |
| ·标准粒子滤波算法试验结果 | 第47-50页 |
| ·多关节手指的运动跟踪 | 第47-48页 |
| ·部分身体的运动跟踪 | 第48-50页 |
| 第四章 粒子滤波算法的改进 | 第50-62页 |
| ·高维空间采样的困难 | 第50-52页 |
| ·改进的粒子滤波算法 | 第52-58页 |
| ·模拟退火 | 第52-55页 |
| ·搜索空间分解 | 第55-56页 |
| ·PERM 采样 | 第56-58页 |
| ·试验结果 | 第58-59页 |
| ·总结 | 第59-62页 |
| 第五章 结合局部优化方法的粒子滤波 | 第62-76页 |
| ·粒子滤波存在的问题 | 第62-63页 |
| ·状态空间模型 | 第63-66页 |
| ·跟踪问题的状态空间模型 | 第63页 |
| ·重要性函数的选择 | 第63-66页 |
| ·基于观测似然模型的局部优化 | 第66-68页 |
| ·梯度方向采样 | 第68-72页 |
| ·基于局部优化方法的重要性函数 | 第68-70页 |
| ·局部优化粒子滤波算法 | 第70-72页 |
| ·试验结果 | 第72-74页 |
| ·总结 | 第74-76页 |
| 第六章 外轮廓特征提取 | 第76-86页 |
| ·外轮廓与背景 | 第76页 |
| ·背景模型表示 | 第76-80页 |
| ·背景模型的定义 | 第77-79页 |
| ·颜色模型和边界模型 | 第79-80页 |
| ·模型的更新 | 第80页 |
| ·自适应的阴影处理 | 第80-83页 |
| ·试验结果 | 第83页 |
| ·总结 | 第83-86页 |
| 第七章 一个可行的三维人体运动跟踪框架 | 第86-100页 |
| ·系统框架 | 第86-87页 |
| ·人体模型及相机投影模型 | 第87-92页 |
| ·人体模型定义 | 第87-91页 |
| ·相机模型 | 第91-92页 |
| ·遮挡处理 | 第92页 |
| ·观测似然模型 | 第92-98页 |
| ·观测模型的选择 | 第93-94页 |
| ·外轮廓特征 | 第94-95页 |
| ·边界特征 | 第95-96页 |
| ·灰度特征 | 第96-97页 |
| ·肤色特征 | 第97-98页 |
| ·总结 | 第98-100页 |
| 第八章 结束语 | 第100-104页 |
| ·主要贡献 | 第100-101页 |
| ·今后的研究方向 | 第101-104页 |
| 参考文献 | 第104-121页 |
| 致 谢 | 第121-122页 |
| 作者简历 | 第122页 |
