CN104167016B - 一种基于rgb彩色与深度图像的三维运动重建方法 - Google Patents
一种基于rgb彩色与深度图像的三维运动重建方法 Download PDFInfo
- Publication number
- CN104167016B CN104167016B CN201410267815.6A CN201410267815A CN104167016B CN 104167016 B CN104167016 B CN 104167016B CN 201410267815 A CN201410267815 A CN 201410267815A CN 104167016 B CN104167016 B CN 104167016B
- Authority
- CN
- China
- Prior art keywords
- mrow
- rgb color
- artis
- image
- color image
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
Landscapes
- Image Analysis (AREA)
- Processing Or Creating Images (AREA)
Abstract
本发明公开的一种基于RGB彩色与深度图像的三维运动重建方法，首先使用Kinect获取人体运动的RGB彩色与深度图像，并对其进行去除噪声和图像校正处理；其次，根据背景的复杂程度采用不同的方法去除背景，获得前景RGB彩色图像；再次，依据肤色模型在前景RGB彩色图像中对脸部及手部进行定位，并将定位的脸部及手部的质心作为初始获取的关节点；然后，基于学习得到的贝叶斯分类器对前景RGB彩色图像中的运动人体进行部件分类识别，并依据分类识别结果判定肢体各刚体结构部位类别，再根据各刚体部件的链接关系确定出各关节点；最后，依次联接各关节点形成平面骨架，再结合各关节点的深度数据将平面人体骨架变换成人体三维骨架。
Description
技术领域
本发明属于视频的三维运动重建技术领域，具体涉及一种基于RGB彩色与深度图像的三维运动重建方法。
背景技术
人体三维运动重建的方法种类繁多，传统方法是在人体各关节部位加装传感器，当人体运动时，传感器会不断地将各关节空间位置信息返回计算机，这样计算机就可以精确获得人体各时刻的运动信息；更简易的运动信息捕获方法针对图像序列进行分析，图像序列可以是单摄像机摄制的，也可以是多个像机同时从各个视角摄制的，这一般分三步顺序完成，首先从图像帧中提取低层特征，如各关节的位置，并对之进行识别，然后是在各个帧的特征间建立对应关系，最后是从特征对应中恢复人体三维骨架。然而，这两种方法所用的设备都比较昂贵，不适合个人电脑的软件开发。
发明内容
本发明的目的是提供一种基于RGB彩色与深度图像的三维运动重建方法，解决了现有的方法重建成本高，重建失真度高，操作复杂的问题。
本发明采用的技术方案是，一种基于RGB彩色与深度图像的三维运动重建方法，具体按照以下步骤实施：
步骤1：使用Kinect获取人体运动的RGB彩色与深度图像；
步骤2：去除RGB彩色与深度图像噪声，并对其进行图像校正处理；
步骤3：根据RGB彩色图像背景的复杂程度采用不同方法去除背景，获得前景RGB彩色图像；
步骤4：基于前景RGB彩色图像且依据肤色模型对脸部及手部进行定位；并将脸部及手部定位质心作为初始获取的关节点；
步骤5：基于学习得到的贝叶斯分类器对RGB彩色图像前景中的运动人体进行部件分类识别；
步骤6：依据分类识别结果判定肢体各刚体结构部位类别，再根据各刚体部件的链接关系确定出各关节点，依次联接各关节点形成平面人体骨架；
步骤7：结合各个关节点深度数据将平面骨架变换成三维立体骨架。
本发明的特点还在于，
其中的步骤3具体按照以下步骤实施：
a.当RGB彩色图像背景简单时，利用背景减除法直接将RGB彩色图像的当前帧Ik(x,y)与已知背景Ibg(x,y)做差，则差分后图像dk(x,y)＝Ik(x,y)-Ibg(x,y)；
b.当RGB彩色图像背景复杂时，利用深度数据预先设定一个合理的阈值Tk，把当前像素dk(x,y)同预先给定阈值进行比较，当|dk(x,y)|>Tk时，(x,y)为运动目标，当|dk(x,y)|≤Tk时，(x,y)为背景，然后 再将RGB彩色图像中的背景去掉，从而将人体分割出来；
c.通过以上两种方法即可获得前景RGB彩色图像。
其中的步骤5具体按照以下步骤实施：
a.使用专门设备拍摄单目视频，构建有M个人体运动的视频库A＝(A1,A2,...,Ai,...,AM)；
b.对每一个运动视频Ai进行人工标注；
c.提取视频Ai的每帧图像，得到帧图像Fi＝(fi1,fi2,...,fij,...,fim)，其中m表示视频Ai的帧数，对每一帧运动视频手工将运动目标分割成左臂、右臂、躯干、左腿、右腿5个肢体部位，且分别记为Zij1,Zij2,Zij3,Zij4,Zij5，形成训练样本集合；
d.基于多个运动、多帧数据的分割图像学习得到身体各个部位的贝叶斯多类分类器；
e.对贝叶斯多类分类器进行参数修正。
其中的步骤6具体按照以下步骤实施：
a.将已经判断出来的脸、左手和右手的关节点分别记为a、b和c；
b.依据分类识别结果，可将左臂、右臂、躯干、左腿、右腿5个肢体部位判别出来。由于左臂部位的两端为左肩与左手，又已知左手部位，故可判断出左肩部位，计算其质心即可找到左肩关节点e，同理可找到右肩关节点f。联接两肩关节点并取其中点即可得到颈部关节点g。而躯干部位的两端为颈部和胯部，已经颈部，从而可以确定胯部，进而确定胯部关节点h。胯关节点在髋关节点的中点位置，而髋部又连接人体的躯干和腿部，从而可以确定出髋部，进而确定出左 髋关节点i和右髋关节点j。由于左腿部位两端为左髋部和左脚，又已知左髋部，从而判断出左脚位置，进而判断找出左脚关节点k。同理可找到右脚关节点l。
c.由于左臂部位是由左上臂和左下臂两个刚体组成，根据刚体部件的链接关系，可以确定左肘部位，进而找出左肘关节点。同理可找出右肘、左膝和右膝关节点。
d.依次联接各关节点形成平面人体骨架。
本发明的有益效果是：
(1)利用Kinect获取RGB彩色和深度图像，结合Kinect for Windows SDK，实现了图像的校正和匹配；
(2)先利用皮肤颜色和分类器学习获得人体的平面骨架，再结合深度图像将人体平面骨架转化为人体三维骨架，可以大大地减少运算量。
附图说明
图1为本发明方法的总体流程图；
图2为本发明步骤3的具体流程框图。
具体实施方式
下面结合附图和具体实施方式对本发明进行详细说明。
本发明基于RGB彩色与深度图像的三维运动重建方法，如图1所示，具体按照以下步骤实施：
步骤1：使用Kinect获取人体运动的RGB彩色与深度图像；
步骤2：去除RGB彩色与深度图像噪声，并对其进行图像校正 处理；
步骤3：根据RGB彩色图像背景的复杂程度采用不同方法去除背景，获得前景RGB彩色图像；
如图2所示，具体包括以下步骤：
a.当RGB彩色图像背景简单时，利用背景减除法直接将RGB彩色图像的当前帧Ik(x,y)与已知背景Ibg(x,y)做差，则差分后图像dk(x,y)＝Ik(x,y)-Ibg(x,y)；
b.当RGB彩色图像背景复杂时，利用深度数据预先设定一个合理的阈值Tk，把当前像素dk(x,y)同预先给定阈值进行比较，当|dk(x,y)|>Tk时，(x,y)为运动目标，当|dk(x,y)|≤Tk时，(x,y)为背景，然后再将RGB彩色图像中的背景去掉，从而将人体分割出来；
c.通过以上两种方法即可获得前景RGB彩色图像。
步骤4：基于前景RGB彩色图像且依据肤色模型对脸部及手部进行定位，并将脸部及手部定位质心作为初始获取的关节点；
步骤5：基于学习得到的贝叶斯分类器对前景RGB彩色图像中的运动人体进行部件分类识别；
具体包括以下步骤：
a.使用专门设备拍摄单目视频，构建有M个人体运动的视频库A＝(A1,A2,...,Ai,...,AM)；
b.对每一个运动视频Ai进行人工标注；
c.提取视频Ai的每帧图像，得到帧图像Fi＝(fi1,fi2,...,fij,...,fim)，其中m表示视频Ai的帧数，对每一帧运动视频手工将运动目标分割成 左臂、右臂、躯干、左腿、右腿5个肢体部位，且分别记为Zij1,Zij2,Zij3,Zij4,Zij5，形成训练样本集合；
d.基于多个运动、多帧数据的分割图像学习得到身体各个部位的贝叶斯多类分类器；
具体包括以下步骤：
假设样本的每个特征与其他特征都不相关，并设每个实例x可由属性值的集合描述，分类实例x的目标是在给定描述实例属性值<w1，w2，w3，w4，w5>情况下，找出最可能的类标记c(x)，根据极大后验假设可以得出：
设目标值与属性值之间相互独立，则应用贝叶斯公式可以将上式改写成：
其中：P(c)表示c的先验概率，P(wj|c)是通过计算训练实例集中不同类和属性值组合的出现概率进行的估计。
计算所得后验概率最高的类别，即为实例x最可能所属的类别。
e.对贝叶斯多类分类器进行参数修正。
步骤6：依据分类识别结果判定肢体各刚体结构部位类别，再根据各刚体部件的链接关系确定出各关节点，依次联接各关节点形成平面人体骨架；
具体包括以下步骤：
a.将已经判断出来的脸、左手和右手的关节点分别记为a、b和c；
b.依据分类识别结果，可将左臂、右臂、躯干、左腿、右腿5个肢体部位判别出来。由于左臂部位的两端为左肩与左手，又已知左手部位，故可判断出左肩部位，计算其质心即可找到左肩关节点e，同理可找到右肩关节点f。联接两肩关节点并取其中点即可得到颈部关节点g。而躯干部位的两端为颈部和胯部，已经颈部，从而可以确定胯部，进而确定胯部关节点h。胯关节点在髋关节点的中点位置，而髋部又连接人体的躯干和腿部，从而可以确定出髋部，进而确定出左髋关节点i和右髋关节点j。由于左腿部位两端为左髋部和左脚，又已知左髋部，从而判断出左脚位置，进而判断找出左脚关节点k。同理可找到右脚关节点l。
c.由于左臂部位是由左上臂和左下臂两个刚体组成，根据刚体部件的链接关系，可以确定左肘部位，进而找出左肘关节点。同理可找出右肘、左膝和右膝关节点。
d.依次联接各关节点形成平面人体骨架。
步骤7：结合各个关节点深度数据将平面骨架变换成三维立体骨架。
深度图像指从观察视角去看去，图像所包含信息与场景物体表面距离相关的一种图像或一个图像通道，且其每一个像素点坐标都是三维的。假设图像深度值的变化方向(即摄像机拍摄方向)与所需要描述的三维场景的视场方向Z方向相同的话，那么就能够找到平面人体骨架各关节点对应的Z值。从而，将平面人体骨架恢复成三维人体骨架。
本发明的特点及效果：
本发明通过两个关键技术提高了三维立体骨架的准确度，一是依据肤色模型对脸部及手部进行定位并确定出其关节点，这种方式为接下来寻找身体其他关节点确定了大致方向，同时也可以验证其它身体关节点的准确性；二是通过建立大量丰富的数据库学习得到的贝叶斯分类器对RGB彩色图像前景中的运动人体进行部件分类识别，使得获得的人体骨架更加准确。
本发明与现有技术相比的优点在于：
(1)使用Kinect同时获取RGB彩色和深度图像后，只需去除RGB彩色与深度图像噪声并对其进行图像校正处理，即可获得两幅完全对应的RGB彩色和深度图像；
(2)对于背景复杂的情况下，利用深度数据获得前景RGB彩色图像，大大减少了运算量，而且分割效果很好；
(3)对贝叶斯多类分类器进行参数修正，更进一步增强了得到的人体骨架的准确度。
Claims (1)
1.一种基于RGB彩色与深度图像的三维运动重建方法，其特征在于，具体按照以下步骤实施：
步骤1：使用Kinect获取人体运动的RGB彩色与深度图像；
步骤2：去除RGB彩色与深度图像噪声，并对其进行图像校正处理；
步骤3：根据RGB彩色图像背景的复杂程度采用不同方法去除背景，获得前景RGB彩色图像，具体为：
a.当RGB彩色图像背景简单时，利用背景减除法直接将RGB彩色图像的当前帧Ik(x,y)与已知背景Ibg(x,y)做差，则差分后图像dk(x,y)＝Ik(x,y)-Ibg(x,y)；
b.当RGB彩色图像背景复杂时，利用深度数据预先设定一个合理的阈值Tk，把当前像素dk(x,y)同预先给定阈值进行比较，当|dk(x,y)|>Tk时，(x,y)为运动目标，当|dk(x,y)|≤Tk时，(x,y)为背景，然后再将RGB彩色图像中的背景去掉，从而将人体分割出来；
c.通过以上两种方法即可获得前景RGB彩色图像；
步骤4：基于前景RGB彩色图像且依据肤色模型对脸部及手部进行定位；并将脸部及手部定位质心作为初始获取的关节点；
步骤5：基于学习得到的贝叶斯分类器对RGB彩色图像前景中的运动人体进行部件分类识别，具体为：
a.使用专门设备拍摄单目视频，构建有M个人体运动的视频库A＝(A1,A2,...,Ai,...,AM)；
b.对每一个运动视频Ai进行人工标注；
c.提取视频Ai的每帧图像，得到帧图像Fi＝(fi1,fi2,...,fij,...,fim)，其中m表示视频Ai的帧数，对每一帧运动视频手工将运动目标分割成左臂、右臂、躯干、左腿、右腿5个肢体部位，且分别记为Zij1,Zij2,Zij3,Zij4,Zij5，形成训练样本集合；
d.基于多个运动、多帧数据的分割图像学习得到身体各个部位的贝叶斯多类分类器，具体为：
假设样本的每个特征与其他特征都不相关，并设每个实例x可由属性值的集合描述，分类实例x的目标是在给定描述实例属性值<w1，w2，w3，w4，w5>情况下，找出最可能的类标记c(x)，根据极大后验假设可以得出：
<mrow>
<mi>c</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<munder>
<mrow>
<mi>arg</mi>
<mi>max</mi>
</mrow>
<mrow>
<mi>c</mi>
<mo>&Element;</mo>
<mi>C</mi>
</mrow>
</munder>
<mi>P</mi>
<mrow>
<mo>(</mo>
<mi>c</mi>
<mo>|</mo>
<msub>
<mi>w</mi>
<mn>1</mn>
</msub>
<mo>,</mo>
<msub>
<mi>w</mi>
<mn>2</mn>
</msub>
<mo>,</mo>
<mo>...</mo>
<mo>,</mo>
<msub>
<mi>w</mi>
<mn>5</mn>
</msub>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
</mrow>
设目标值与属性值之间相互独立，则应用贝叶斯公式可以将上式改写成：
<mrow>
<mi>c</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<munder>
<mrow>
<mi>arg</mi>
<mi>max</mi>
</mrow>
<mrow>
<mi>c</mi>
<mo>&Element;</mo>
<mi>C</mi>
</mrow>
</munder>
<mi>P</mi>
<mrow>
<mo>(</mo>
<mi>c</mi>
<mo>)</mo>
</mrow>
<munderover>
<mo>&Pi;</mo>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mn>5</mn>
</munderover>
<mi>P</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>w</mi>
<mi>j</mi>
</msub>
<mo>|</mo>
<mi>c</mi>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>2</mn>
<mo>)</mo>
</mrow>
</mrow>
其中：P(c)表示c的先验概率，P(wj|c)是通过计算训练实例集中不同类和属性值组合的出现概率进行的估计；
计算所得后验概率最高的类别，即为实例x最可能所属的类别；
e.对贝叶斯多类分类器进行参数修正；
步骤6：依据分类识别结果判定肢体各刚体结构部位类别，再根据各刚体部件的链接关系确定出各关节点，依次联接各关节点形成平面人体骨架，具体为：
a.将已经判断出来的脸、左手和右手的关节点分别记为a、b和c；
b.依据分类识别结果，可将左臂、右臂、躯干、左腿、右腿5个肢体部位判别出来；由于左臂部位的两端为左肩与左手，又已知左手部位，故可判断出左肩部位，计算其质心即可找到左肩关节点e，同理可找到右肩关节点f；联接两肩关节点并取其中点即可得到颈部关节点g；而躯干部位的两端为颈部和胯部，已经颈部，从而可以确定胯部，进而确定胯部关节点h；胯关节点在髋关节点的中点位置，而髋部又连接人体的躯干和腿部，从而可以确定出髋部，进而确定出左髋关节点i和右髋关节点j；由于左腿部位两端为左髋部和左脚，又已知左髋部，从而判断出左脚位置，进而判断找出左脚关节点k；同理可找到右脚关节点l；
c.由于左臂部位是由左上臂和左下臂两个刚体组成，根据刚体部件的链接关系，可以确定左肘部位，进而找出左肘关节点；同理可找出右肘、左膝和右膝关节点；
d.依次联接各关节点形成平面人体骨架；
步骤7：结合各个关节点深度数据将平面骨架变换成三维立体骨架。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201410267815.6A CN104167016B (zh) | 2014-06-16 | 2014-06-16 | 一种基于rgb彩色与深度图像的三维运动重建方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201410267815.6A CN104167016B (zh) | 2014-06-16 | 2014-06-16 | 一种基于rgb彩色与深度图像的三维运动重建方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN104167016A CN104167016A (zh) | 2014-11-26 |
| CN104167016B true CN104167016B (zh) | 2017-10-03 |
Family
ID=51910806
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201410267815.6A Expired - Fee Related CN104167016B (zh) | 2014-06-16 | 2014-06-16 | 一种基于rgb彩色与深度图像的三维运动重建方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN104167016B (zh) |
Families Citing this family (18)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104751513A (zh) * | 2015-03-12 | 2015-07-01 | 深圳市同洲电子股份有限公司 | 一种建立人体骨骼模型的方法及装置 |
| CN104794722A (zh) * | 2015-04-30 | 2015-07-22 | 浙江大学 | 利用单个Kinect计算着装人体三维净体模型的方法 |
| CN104899927A (zh) * | 2015-07-07 | 2015-09-09 | 安徽瑞宏信息科技有限公司 | 一种人体姿态重建方法 |
| CN105447466B (zh) * | 2015-12-01 | 2019-07-23 | 深圳市图灵机器人有限公司 | 一种基于Kinect传感器的身份综合识别方法 |
| CN106384115B (zh) * | 2016-10-26 | 2019-10-22 | 武汉工程大学 | 一种机械臂关节角度检测方法 |
| CN106611158A (zh) * | 2016-11-14 | 2017-05-03 | 深圳奥比中光科技有限公司 | 人体3d特征信息的获取方法及设备 |
| CN106846403B (zh) * | 2017-01-04 | 2020-03-27 | 北京未动科技有限公司 | 一种三维空间中手部定位的方法、装置及智能设备 |
| CN107204000A (zh) * | 2017-04-24 | 2017-09-26 | 天津大学 | 基于Kinect深度相机的人体分割方法 |
| CN106998430B (zh) * | 2017-04-28 | 2020-07-21 | 北京瑞盖科技股份有限公司 | 基于多相机的360度视频回放方法 |
| CN107392086B (zh) * | 2017-05-26 | 2020-11-03 | 深圳奥比中光科技有限公司 | 人体姿态的评估装置、系统及存储装置 |
| CN108734135A (zh) * | 2018-05-22 | 2018-11-02 | 京东方科技集团股份有限公司 | 一种训练图像的获取方法及装置 |
| CN111611895B (zh) * | 2020-05-15 | 2023-12-19 | 北京联合大学 | 一种基于OpenPose的多视角人体骨架自动标注方法 |
| CN111860448A (zh) * | 2020-07-30 | 2020-10-30 | 北京华捷艾米科技有限公司 | 洗手动作识别方法及系统 |
| WO2022120843A1 (zh) * | 2020-12-11 | 2022-06-16 | 中国科学院深圳先进技术研究院 | 三维人体重建方法、装置、计算机设备和存储介质 |
| CN113158910A (zh) * | 2021-04-25 | 2021-07-23 | 北京华捷艾米科技有限公司 | 一种人体骨架识别方法、装置、计算机设备及存储介质 |
| CN113158942A (zh) * | 2021-04-29 | 2021-07-23 | 泽恩科技有限公司 | 一种运动人体行为检测的分割算法及装置 |
| CN114602173B (zh) * | 2022-05-13 | 2022-08-05 | 上海英立视电子有限公司 | 一种真人游戏中人体图像清除方法及系统 |
| CN116193095A (zh) * | 2023-01-18 | 2023-05-30 | 四川大学 | 一种基于单色图像实现彩色3d显示的方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102800126A (zh) * | 2012-07-04 | 2012-11-28 | 浙江大学 | 基于多模态融合的实时人体三维姿态恢复的方法 |
| CN102903110A (zh) * | 2012-09-29 | 2013-01-30 | 宁波大学 | 对具有深度图像信息的图像的分割方法 |
| CN103164428A (zh) * | 2011-12-13 | 2013-06-19 | 富士通株式会社 | 确定微博与给定实体的相关性的方法和装置 |
| CN103399637A (zh) * | 2013-07-31 | 2013-11-20 | 西北师范大学 | 基于kinect人体骨骼跟踪控制的智能机器人人机交互方法 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101333886B1 (ko) * | 2010-10-07 | 2013-11-27 | 조선대학교산학협력단 | 의료용 인체 모형 및 수술 가이드 획득방법 및 그 방법을 수행하는 컴퓨터 프로그램을 기록한 기록매체, 그리고 의료용 인체 모형 및 수술 가이드 획득방법에 의해 획득된 의료용 인체 모형 |
| JP5525407B2 (ja) * | 2010-10-12 | 2014-06-18 | 日本電信電話株式会社 | 動作モデル学習装置、３次元姿勢推定装置、動作モデル学習方法、３次元姿勢推定方法およびプログラム |
-
2014
- 2014-06-16 CN CN201410267815.6A patent/CN104167016B/zh not_active Expired - Fee Related
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103164428A (zh) * | 2011-12-13 | 2013-06-19 | 富士通株式会社 | 确定微博与给定实体的相关性的方法和装置 |
| CN102800126A (zh) * | 2012-07-04 | 2012-11-28 | 浙江大学 | 基于多模态融合的实时人体三维姿态恢复的方法 |
| CN102903110A (zh) * | 2012-09-29 | 2013-01-30 | 宁波大学 | 对具有深度图像信息的图像的分割方法 |
| CN103399637A (zh) * | 2013-07-31 | 2013-11-20 | 西北师范大学 | 基于kinect人体骨骼跟踪控制的智能机器人人机交互方法 |
Non-Patent Citations (1)
| Title |
|---|
| "Real-time Human Pose Recognition in Parts from Single Depth Images";Jamie Shotton等;《Postgraduate Medical Journal》;20111231;论文第1297-1304 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN104167016A (zh) | 2014-11-26 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN104167016B (zh) | 一种基于rgb彩色与深度图像的三维运动重建方法 | |
| CN108596974B (zh) | 动态场景机器人定位建图系统及方法 | |
| CN107392964B (zh) | 基于室内特征点和结构线结合的室内slam方法 | |
| CN109522850B (zh) | 一种基于小样本学习的动作相似度评估方法 | |
| CN102184541B (zh) | 多目标优化人体运动跟踪方法 | |
| WO2017133009A1 (zh) | 一种基于卷积神经网络的深度图像人体关节定位方法 | |
| CN106600626B (zh) | 三维人体运动捕获方法与系统 | |
| CN109472828B (zh) | 一种定位方法、装置、电子设备及计算机可读存储介质 | |
| CN109299659A (zh) | 一种基于rgb相机和深度学习的人体姿态识别方法与系统 | |
| CN110544301A (zh) | 一种三维人体动作重建系统、方法和动作训练系统 | |
| KR20120071223A (ko) | 모션 캡처 장치 및 방법 | |
| CN105279769B (zh) | 一种联合多特征的层次粒子滤波跟踪方法 | |
| CN109308719A (zh) | 一种基于三维卷积的双目视差估计方法 | |
| CN102622766A (zh) | 多目标优化的多镜头人体运动跟踪方法 | |
| CN109758756B (zh) | 基于3d相机的体操视频分析方法及系统 | |
| CN110176016B (zh) | 一种基于人体轮廓分割与骨骼识别的虚拟试衣方法 | |
| CN106815855A (zh) | 基于产生式和判别式结合的人体运动跟踪方法 | |
| CN102682452A (zh) | 基于产生式和判别式结合的人体运动跟踪方法 | |
| CN106204635B (zh) | 基于l0最小化的人体连续帧骨骼优化方法 | |
| CN101765019A (zh) | 一种用于运动模糊和光照变化图像的立体匹配方法 | |
| CN115376034A (zh) | 一种基于人体三维姿态时空关联动作识别的运动视频采集剪辑方法及装置 | |
| CN107909611A (zh) | 一种利用微分几何理论提取空间曲线曲率特征的方法 | |
| CN117496409B (zh) | 一种基于多视角三维人体重建的细粒度舞蹈动作评分方法 | |
| CN114548224A (zh) | 一种用于强交互人体运动的2d人体位姿生成方法及装置 | |
| Kumar et al. | Computer vision, machine learning based monocular biomechanical and security analysis |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| CF01 | Termination of patent right due to non-payment of annual fee | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20171003 Termination date: 20190616 |