发布时间 : 星期六 文章选题报告 - 图文- 更新完毕开始阅读2c3c7b3ead02de80d4d840e1
专业学位研究生培养环节之材料二
XX大学硕士专业学位研究生 毕业（学位）论文选题报告
姓 名 XXX 学 号 XXX 已修学分 32 计算机工程 2014.12 所属学院 信息科学与工程学院 指导教师 研究方向 论文题目 XXX 专业学位领域 选题时间 计算机视觉 机器人视频的单个人体动作姿态识别与模仿 一、课题来源与选题依据
（课题来源、选题的目的与意义，与选题有关的国内外发展现状和动态，附主要参考文献） 人类感知外部世界主要通过视觉、触觉、听觉和嗅觉等感觉器官，其中约80%的信息是由视觉获取的[1]。赋予计算机以人类视觉功能，使之能够自动识别、分析和感知周围环境中人和事物的活动，是新一代智能计算机的重要组成部分，也是计算机视觉这门学科的目的。 计算机视觉也可以看作是研究如何使人工系统从图像或多维数据中“感知”的科学。它既是工程领域，也是科学领域中富有挑战性的重要研究领域。学科中包括图像处理、模式识别或图像识别、景物分析、图象理解等。其中，动作识别和行为理解是热点问题，在高级人机交互、智能视频监控、虚拟现实等领域具有广泛的应用前景。 人体的运动是一个非常复杂的系统，具有很大的自由度和高度非线性的特点，所以如何选择充分有效的表达方式来描述场景中的人的动作姿态是非常困难的。再者，具体的应用领域对人体动作姿态的识别算法也有着特殊的要求，既要保证识别的准确性，还要有较低的计算复杂性以满足很多应用领域的实时性要求[1、2]。因此，人体动作姿态识别是计算机视觉研究领域中最具挑战的研究方向，也是当前的研究热点。 视频人体动作姿态识别是指从视频图像序列中寻找和提取人体的动作特征，进而对所得数据进行匹配和分类。它对智能监控、人机交互、虚拟现实、动画制作和基于内容的视频检索等领域具有重大意义。 本文的实现平台是NAO机器人。NAO机器人是由法国Aldebaran Robotics公司生产的人工智能机器人，也是在学术领域世界范围内运用最广泛的类人机器人，它可以通过现成的指令块进行可视化编程，以达到用户想要体验的各种不同效果。目前在国内，对NAO机器人的人体姿态识别研究比较少，而国外学者对此的研究大多是集中在面部识别与手部识别，因此，研究NAO机器人的人体动作姿态识别与模仿对其在科研、教育、医学、工业和商业等领域的应用是有实用意义的。 参考文献： [1]杜友田，陈峰，徐文立，等．基于视觉的人的运动识别综述[J]．电子学报，2007，(1)：84-90． [2]刘相滨，向坚持，王胜春，等．人行为识别与理解研究探讨[J]．计算机与现代化，2004，12：1-5. [3] Brand M，Oliver N， Pentland A. Coupled hidden markov models for complex action recognition [A].In Proc CVPR [C] .USA ：IEEE Computer Society Press，1997：994-999. [4] Nguyen N T，Phung D Q，Venkatesh S，et al. Learning and detecting activities from movement trajectories using the hierachical hidden Markov model [A]. In Proc CVPR[C]. San Diego： IEEE Computer Society Press，2005：955-960. [5] Duong T V，Bui H H， Phung D Q， et al. Activity recognition and abnormality detection with the switching hidden semi-Markov model [A]. In Proc CVPR[C].San Diego： IEEE Computer Society Press，2005：838-845. [6] Bobick A F， Andy Wilson. Using configuration states for the representation and recognition of gestures. MIT Media Lab Perceptual Computing Section Technical Report， No. 308， 1995. 2
[7] Luo Y，Wu T D， Hwang J N. Object-based analysis and interpretation of human motion in sports video sequences by dynamic Bayesian networks[J].CVIU，2003，92（2）：196-216. [8] Gong S，Xiang T.Recognition of group activities using dynamic probabilistic networks [A]. In Proc ICCV [C].Washington： IEEE Computer Society Press，2003：742-749. [9]Oliver N， Horvitz E. A comparison of HMMs and dynamic Bayesian networks for recognizing office activities [J] . Lecture Notes in Artificial Intelligence， 2005： 199-209 [10] N. Robertson， I. Reid. Behaviour understanding in video： a combined method. In： Internatinal Conference on Computer Vision， 2005：15-21. [11] Pengyu Hong，Turk M， Huang T.S.Constructing finite state machines for fast gesture recognition. Proceedings of 15th International Conference on Pattern Recognition， 2000， 3： 691-694. [12] Q.Cai, A.Mitiche, J.Aggarwal．Tracking human motions in an indoor environment[C]. Proceeding of International Conference on Image Processing, Washington DC, USA, 1995: 215-218. [13] McKenna.S．Tracking groups of people[J]. Computer Vision and Image Understanding, 2000, 80(1): 42-56. [14] 张建明,汪大庆.基于Adaboost 算法的多姿态人脸实时视频检测[J].计算机工程与设计.2010,31(18):4065-4067,4096. [15] Bo Wu,HaizhouAi,Chang Huan,Shihong Lao.Fast rotation invariant multi-view face detection based on real Adaboost [C]//Sixth IEEE International Conference.Automatic Face and Gesture Recognition. 2004:79-84. [16] 王海川,张立明.一种新的Adaboost快速训练算法[J].复旦学报(自然科学版).2004,43(1):27-33. [17] Yong Ma,Xiaoqing Ding.Robust Real-time rotation invariant face detection based on cost-sensitive Adaboost [C]// 4th International Conference on Multimedia and Expo (ICME 2003). 2003: 465-468. 3
二、主要研发内容及技术路线
4