《人机交互项目管理知识分析论文定位.docx》由会员分享，可在线阅读，更多相关《人机交互项目管理知识分析论文定位.docx（8页珍藏版）》请在三一办公上搜索。
1、人机交互项目论文1实时的手在胸前的查找方法和追踪定位.doc余靖摘要: 基于自适应聚类算法，根据实际目标个数聚类。达到一边聚类，一边消除对噪音点和杂点的目的。关键词: KMEANS聚类法; 分类; 噪声点的去除; 二次聚类; 阈值半径引言深度图像的目标的特征信息不明显，色彩和身体部分混成在一起，没有明显的界限。通常的目标分割方法基于KMEANS聚类方法和Dbscan扩展形式，需要事先人为地给定一些参数如聚类个数、初始聚类中心等,而在没有先验知识的情况下,人为确定这些参数既是非常主观的,也是十分困难的。并且由于样本数据的随机性，如何能精确的描述人体所需要的数据样本,并去掉影响观测的对聚类贡献较小
2、的大部分边缘化点。并能保证计算量不会随样本空间维数的增加呈指数增长,即掉入存在“维数灾难”问题。本文基于SOMA的思想，结合KMEANS算法以合适的阈值距离来聚类数据对目标的状态进行动态区分建模，由此，在不需要知道目标聚类个数的基础上，根据一定的规则完成目标主要特征提取和相似类型合并，并消除边缘杂点。与普通查找算法相比，仅选用有效的样本数据即可实现实时的对人体手臂在胸前时进行可靠定于识别，运算量很小，有很好实时性。1 KMEANS算法的简介这个算法2改良型KMEANS算法模型的建立2.1 系统构架流程模型 本系统的程为：一开始人体深度图像，经过得到孤立点集合，平均深度阈值，再次归类特征样本数据
3、点集合等流程。进入聚类流程。先用区域划分为各个输入样本像素点归类所属区域，并通过适当的阈值条件来消去边缘杂点，再经过判别所属区域是否邻接增减特征点，以符合输入样本所需的骨架特征点。这样手臂在胸前是的，手臂骨架即形成。然而，此时所形成的骨架仅仅是无分支的骨架，为要完整表达出图像的形，必需将这些骨架点用线段连接。最终的手臂骨架线信息形成。2.1 预处理由于图像数据量大，并且由于样本数据的随机性，如何能精确的描述人体所需要的数据样本,并去掉影响观测的对聚类贡献较小的大部分边缘化点。并能保证实际计算量不会随样本空间维数的增加呈指数增长,即掉入存在“维数灾难”问题。因此，对实际图像数据进行有选择的合适的
4、数据抽取将直接决定了实际聚类效果的好坏。在本节一开始，将就孤立点的获取与图像边缘检测做一介绍；在第二节的部份，则介绍基于默认深度均值的图像分割方法；之后第三节则进图像的特征样本点集合的搜集；最后就可以用基于密度的算法来估测原始聚类特征点(即输入聚类特征点)。2.1.1 孤立点数据获取和图像边缘检测处理在深度图像中一些跳跃点为止孤立点。设定阈值为20。默认图中的孤立点和上下左右8个领域的阈值是120。这样的一批点的集合谓之孤立点集合。见流程模型1-22.1.2 基于样本平均深度信息的图像分割处理基于孤立点集合求出该集合平均深度即平均深度。见流程模型1-32.1.3 特征样本数据点集合的搜集处理基
5、于平均深度阈值和独立点相关性设置，从原始图像从抽取一批数据点信息即为特征样本数据点集合。见流程模型1-42.2 聚类处理由于聚类算法的问题是：1)需要事先人为地给定一些参数如聚类个数、初始聚类中心等,而在没有先验知识的情况下,人为确定这些参数既是非常主观的,也是十分困难的。2)对于大样本数据集，会存在聚类效率无法保证的问题。3）杂点和噪音的影响聚类的效果。因此，对于第一问题，如果在估测原始聚类个数时，可以采取随机的方式估测。与实际上应该拥有的个数差距太大时。聚类算法就需停的进一次又一次的增减过程，而这所耗费的时间是相当多的。为了解决此问题，本研究以用密度特征点估测的方式，来决定原始输入聚类个数
6、。经由原始特征点聚类后所得到的骨架特征点，基本上可以是一个完整骨架所需要的骨架点。因此，可以依此调整KMEANS聚类的一些参数，以加速整体算法的执速。在本节一开始，将对用基于密度的算法来估测原始聚类特征点做一介绍；在第二节的部份，则介绍基于KMEANS算法的改良聚类程序；之后第三节则消除杂点和二次聚类并完成相似性数据的合并；最后就可以连接相关特征关节点成为一个骨架信息完成输出 (即输出骨架点)。2.2.1 基于密度算法来确定实际聚类个数在特征点集合类，以点的密度划分，先求出实际具体几类和给出初始样本集合重心点坐标（注：初始样本集合重心点坐标是随机的）见流程模型1-52.2.1 KMEANS算法
7、的改良聚类程序以KMEANS方法聚类，采用最大半径阈值和最小半径阈值互相加于约束。在前一给定的聚类个数条件下，对实际目标开始聚类。标记样本特征点集合。2.2.1 消除杂点和二次聚类完成相似性数据合并对一些边缘杂点和实际数量很少的点加以去除。3实用范围和不足改进的地方1 本次聚类默认考虑的都是双手在胸前的人体行为方式。2 无法识别是一只手在前还是两只手在前，算法统一计算为两个点输出。3 本算法对深度阈值敏感。如果手臂的深度值过小，就会造成人体其它范围阈值增加。导致杂点过多。导致计算失败4 对双手无限靠近和双手互为自遮蔽现象，会导致计算有偏差。4实验结果及结论我们选取一个Light-Coding
8、(LC) camera的视频序列作为测试对象，以检验算法的有效性。测试的深度视频来自，在这段视频中，人体目标的姿态包括单手、双手、交叉双手、自遮蔽双手、双手各自上下、手臂在胸前的各种复杂状态的运动，用于测试本文的算法，可基本通过人体检测算法确定。由于本算法的局限性需要配合追踪算法就可以完美计算出人体运动轨迹。抓取实验结果的第110、175、210、252、288、383、415、441、520、537帧呈现如下：1.1 双手在前的情况：默认是OK的。（个别极端现象会发生同在一只手上）1.2 单手在前的情况：造成现象，意味一只手上聚类了两个点。分析原因： 初始进入状态没有判断在胸前是一只手还是两只手。解决方案1：给出初始状态。解决方案2：划出详细的BLOB区域。
