研究目的
通过扩展随机树遍历算法,引入多假设策略和随机优化方法,以处理未学习姿态并减少因遮挡和高复杂度导致的失效,从而提高深度图像三维人体姿态估计的准确性和鲁棒性。
研究成果
该方法通过结合多种假设与随机优化,显著提高了姿态估计精度,尤其对腕部和踝部等灵活关节效果更佳。相比原始RTW算法,其实现了更高的mAP指标,其中ICP与GA结合方案取得了最佳效果。未来工作应聚焦于优化代价函数和身体模型以实现更精确的估计。
研究不足
球体模型是对人体的近似表示,可能无法捕捉细微细节,导致优化过程在几次迭代后停滞。该成本函数和模型可能存在不准确性,从而限制了进一步优化。该方法需要多个假设和迭代步骤,增加了计算成本,在单线程CPU上运行速度约为35帧/秒,对于高帧率应用可能无法实现实时处理。
1:实验设计与方法选择:
该方法结合了判别式随机树游走(RTW)与生成式优化技术(包括迭代最近点算法ICP和遗传算法GA),用于生成并优化多个位姿假设。RTW用于初始假设生成,通过基于球体人体模型的代价函数最小化进行优化。
2:样本选择与数据来源:
使用包含26,372张已知真实关节位置的深度图像数据集,其中80%用于训练RTW森林,20%用于测试。图像分辨率为320×240像素,包含存在自遮挡的复杂场景。
3:实验设备与材料清单:
用于采集图像的深度相机,用于处理的标配台式CPU(如英特尔i5)。未提及具体设备型号或品牌。
4:实验流程与操作步骤:
通过五种来源生成假设:带随机起始位置偏移的RTW、基于上一帧位姿初始化的RTW、融合单棵树贡献的RTW、卡尔曼滤波预测值及上一帧位姿。这些假设经ICP和GA迭代优化后,选取最优假设作为最终位姿。
5:数据分析方法:
采用平均精度均值(mAP)评估性能,当关节估计位置与真实位置距离小于10厘米视为正确估计。代价函数包含数据对齐、轮廓匹配、碰撞避免和对称性等项。
独家科研数据包,助您复现前沿成果,加速创新突破
获取完整内容