The invention discloses a virtual reality-oriented human joint point recognition method based on single depth map. Firstly, through the convolution network offline training gesture data set NYU, a model with good robustness, high accuracy and fast recognition speed is obtained. Then, the depth image is captured in real time by the depth camera, and the image is processed. After a series of pretreatments, the human skeleton recognition module and gesture recognition module are respectively imported, and the three-dimensional information of the identified joint points is returned, and then the three-dimensional human model is mapped. The method of the invention has good interaction function in virtual reality environment and good performance in recognition rate, operation speed, universality and accuracy.
【技术实现步骤摘要】
一种面向虚拟现实的基于单深度图的人体关节点识别方法
本专利技术属于人机交互
,尤其是涉及一种面向虚拟现实的基于单深度图的人体关节点识别方法。
技术介绍
虚拟现实是一种可以创建和体验虚拟拟世界的计算机系统,提供给用户具有高度沉浸感的人机交互和画面呈现。由于体验沉浸式虚拟现实需要穿头戴式显示设备(HMD),视线被阻挡,因而传统的键鼠交互不再适用,新的人机交互形式是虚拟现实的核心技术之一,其主要交互形式依旧是人体姿势以及手势,市面上现存的硬件设备,包括leapmotion、手柄、手套等设备。额外的交互设备不但增加了硬件成本,而且增加的连接线进一步造成动作的限制,裸手交互,轻量级设备的基于计算机视觉的交互技术是虚拟现实发展的重要方向。单一深度图像中的人体关节点识别在虚拟现实(VR)和增强现实(AR)的应用中起着重要作用,当前在虚拟环境下的人机交互,尽管已经进行了多年的研究,但由于视野变化大,关节灵活度高,深度质量差,严重自闭症和类似部位混乱,仍然具有挑战性。传统的识别是对对象区域分割后的图像进行特征提取和模型参数估计,是将参数空间中的点或轨迹分类到该空间里某个子集的过程,常见的研究方法一般为3类:基于模板匹配的方法、基于人工神经网络的方法以及基于概率统计模型的方法,适用背景的复杂度和抗干扰能力都能满足一般用户的需求,准确率和识别率也得到了显著的提高。但这些算法在识别率、运算速度、普适性及准确性等方面仍有不足,最近卷积网络(ConvNets)在诸如对象分类和人体姿态估计等几种计算机视觉任务中的应用都出现了很大的增长,因为其具有很强的建模能力和端到端的特征学习能 ...
【技术保护点】
1.一种面向虚拟现实的基于单深度图的人体关节点识别方法,其特征在于,包括以下步骤:(1)搭建五区域卷积神经网络模型,所述五区域卷积神经网络模型包括多个不同的卷积层、激活层、池化层和全连接层;(2)选取训练集,并设置五区域卷积神经网络模型的训练参数;(3)根据五区域卷积神经网络模型及其训练参数,以最小化损失函数为目标训练模型,得到深度图像手势估计神经网络模型;(4)利用深度摄像机获取实时的深度图像帧,并对图像帧预处理;(5)利用人体形态模型对经过预处理的图像帧进行分割,提取出独立的人体区域,通过人体骨骼识别模型识别人体关节点坐标;(6)利用手部模型分类器,在每个独立的人体区域上检测手部区域;若能够检测出手部区域,则执行步骤(7),若检测不到,则跳转至步骤(4);(7)通过步骤(3)的手势估计神经网络模型得到手势关节点坐标;(8)通过深度摄像机的参数,将步骤(5)与步骤(7)返回的关节点坐标从图像坐标系转换到物理坐标系,并最终映射三维人体模型。
【技术特征摘要】
1.一种面向虚拟现实的基于单深度图的人体关节点识别方法,其特征在于,包括以下步骤:(1)搭建五区域卷积神经网络模型,所述五区域卷积神经网络模型包括多个不同的卷积层、激活层、池化层和全连接层;(2)选取训练集,并设置五区域卷积神经网络模型的训练参数;(3)根据五区域卷积神经网络模型及其训练参数,以最小化损失函数为目标训练模型,得到深度图像手势估计神经网络模型;(4)利用深度摄像机获取实时的深度图像帧,并对图像帧预处理;(5)利用人体形态模型对经过预处理的图像帧进行分割,提取出独立的人体区域,通过人体骨骼识别模型识别人体关节点坐标;(6)利用手部模型分类器,在每个独立的人体区域上检测手部区域;若能够检测出手部区域,则执行步骤(7),若检测不到,则跳转至步骤(4);(7)通过步骤(3)的手势估计神经网络模型得到手势关节点坐标;(8)通过深度摄像机的参数,将步骤(5)与步骤(7)返回的关节点坐标从图像坐标系转换到物理坐标系,并最终映射三维人体模型。2.根据权利要求1所述的面向虚拟现实的基于单深度图的人体关节点识别方法,其特征在于,步骤(1)中,所述五区域卷积神经网络模型由6个具有3×3内核的卷积层和3个2×2内核的池化层组成,每个卷积层后面跟着一个ReLU激活,两个池化层之间通过残差连接以增加特征图尺寸。3.根据权利要求1所述的面向虚拟现实的基于单深度图的人体关节点识别方法,其特征在于,步骤(2)中,所述的训练集为公开数据集NYU。4.根据权利要求1所述的面向虚拟现实的基于单深度图的人体关节点识别方法,其特征在于,步骤(3)中,所述五区域卷积神经网络模型的训练过程为:(3-1)根据手部二值图像检测并绘制其外部轮廓,求出轮廓...
【专利技术属性】
技术研发人员:卢书芳,蔡历,丁雪峰,高飞,毛家发,
申请(专利权)人:浙江工业大学,
类型:发明
国别省市:浙江,33
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。