4.5 局部优化 .37
4.6 体态选举机制 38
5  实验分析  38
5.1  实验准备39
5.2  实验分析39
5.3  局限性  .41
结   论  .41
致   谢  .41
参  考  文  献  42
 1  绪论  
1．1  课题背景
人体运动分析研究这一课题可以追溯到1973 年心理学家Johansson 对人类运动
感知所做的工作。20 世纪七十年代中后期Marr 提出计算机视觉理论后，人体运功分
析活得长足发展，目前已成为一个多学科交叉研究领域，涉及计算机视觉、图像处理、
模式识别、人工智能等多个学科。鉴于人体运动分析广阔的应用前景，越来越多的大
学、研究所、商业机构投入到该领域的研究当中来。国际上的一些权威期刊（如 IJCV、
CV、IU、PAM I、IVC）和重要的学术会议（如ICCV、CVPR、ECCV、WIVS）也将人体运
动分析作为主题内容之一，为该领域的研究人员提供更多的交流机会。
当今信息化时代的快速发展对计算机视觉提出了越来越高的要求。三文模型具有
比二文图像更丰富的信息，利用三文信息是实现目标识别的另一有效途径。基于三文
数据的识别方法，在人体运动领域已经被广泛研究。有的研究者通过分析三文模型数
据的分布特征，提出了整体分离的方法，结合物体特点，实现了各区域的准确裁减。
然而，在某些识别问题中，信息的提取有时并不一定是在静态条件下。因此，三文动
态识别技术也应运而生。动态识别是相对于静态识别提出的一个新概念，旨在对运动
物体进行三文识别。由于运动物体的特征较静态物体更难以捕捉，因而，动态识别技
术的关键问题就是如何快速准确提取运动物体的特征并构造有效的识别方法，它对提
取、重建和识别算法的快速性和有效性提出了更高的要求。
1．2  难点问题分析
如今，基于景深摄像机的人体运动分析技术已经成为广泛应用于实时动态人体动
作捕捉中。即使当前的各种途径和方法已经证明三文体态的估测已经可以实现，但是
仍然存在一些富有挑战性的问题。这些问题大多是由于景深数据当中存在的噪声以及
被捕捉对象的自遮挡现象导致的。除此之外，近些年的一些基于多角度视频流的人体
体态评估和追踪技术还存在一些捕捉对象的非线性优化问题，而且加上大量的数据
量，这些处理技术的工作效率便大打折扣。
1．3  本文的研究内容与章节安排 这篇文章中提出了基于采用微软的Kinect 以及其 API 的人体体态识别与追踪技
术。采用了一个混合的方案，即采用局部优化和全局优化相结合的方案，来获得准确
的人体体态骨架，其中的选举机制是对其中的两类搜索结果的评估，从中选择最合适
的人体体态骨架作为这一帧的输出结果。
本文由绪论、本论和结论三部分构成。本论分为五章。其中第二章里会对使用的
Kinect 体感技术以及相关设备进行介绍。在接下来的第三章介绍NUI API。第四章对
实验的整体框架做了介绍。第五章是对实验的分析。
2  Kinect 原理介绍
2．1  引言
Kinect 是微软在2010 年 6月 14 日对XBOX360 体感周边外设正式发布的名字。
Natal 为开发代号。Kinect 的诞生侧地颠覆了游戏的单一操作。它使得人机互动的理
念更加侧地的展现出来。正如微软互动娱乐也无副总裁Don Mattrick 说的：“有了
Kinect，大家都能加入游戏，使用发明史上最棒的遥控器-你”。Kinect 是一种3D 体 基于微软Kinect体感游戏控制器的人体识别方法研究(2):http://www.youerw.com/jisuanji/lunwen_6618.html