人机交互项目管理知识分析论文定位

1、人机交互互项目论论文1实时的的手在胸胸前的查查找方法法和追踪踪定位.docc余靖摘要: 基于自自适应聚聚类算法法，根据据实际目目标个数数聚类。达到一一边聚类类，一边边消除对对噪音点点和杂点点的目的的。关键词: KMMEANNS聚类类法; 分类; 噪声点点的去除除; 二次次聚类; 阈值值半径引言深度图像像的目标标的特征征信息不不明显，色彩和和身体部部分混成成在一起起，没有有明显的的界限。通常的的目标分分割方法法基于KKMEAANS聚聚类方法法和Dbbscaan扩展展形式，需要事事先人为为地给定定一些参参数如聚聚类个数数、初始始聚类中中心等,而在没没有先验验知识的的情况下下,人为为确定这这些参数数

2、既是非非常主观观的,也也是十分分困难的的。并且且由于样样本数据据的随机机性，如如何能精精确的描描述人体体所需要要的数据据样本,并去掉掉影响观观测的对对聚类贡贡献较小小的大部部分边缘缘化点。并能保保证计算算量不会会随样本本空间维维数的增增加呈指指数增长长,即掉掉入存在在“维数灾灾难”问题。本文基于于SOMMA的思思想，结结合KMMEANNS算法法以合适适的阈值值距离来来聚类数数据对目目标的状状态进行行动态区区分建模模，由此此，在不不需要知知道目标标聚类个个数的基基础上，根据一一定的规规则完成成目标主主要特征征提取和和相似类型型合并，并消除除边缘杂杂点。与与普通查查找算法法相比，仅选用有效的的样本

3、数数据即可可实现实实时的对对人体手手臂在胸胸前时进进行可靠靠定于识识别，运运算量很很小，有有很好实实时性。1 KMMEANNS算法法的简介介这个算法法2改良型型KMEEANSS算法模模型的建建立2.1 系统构构架流程程模型 SKIPIF 1 0 本系统的的程为：一开始始人体深深度图像像，经过过得到孤孤立点集集合，平平均深度度阈值，再次归归类特征征样本数数据点集集合等流流程。进进入聚类类流程。先用区域域划分为各个个输入样样本像素素点归类类所属区区域，并并通过适适当的阈阈值条件件来消去去边缘杂杂点，再再经过判判别所属属区域是是否邻接接增减特特征点，以符合合输入样样本所需需的骨架架特征点点。这样样手

4、臂在在胸前是是的，手手臂骨架架即形成成。然而而，此时时所形成成的骨架架仅仅是是无分支支的骨架架，为要完整整表达出出图像的的形，必需需将这些些骨架点点用线段段连接。最最终的手手臂骨架架线信息息形成。2.1 预处理理由于图像像数据量量大，并并且由于于样本数数据的随随机性，如何能能精确的的描述人人体所需需要的数数据样本本,并去去掉影响响观测的的对聚类类贡献较较小的大大部分边边缘化点点。并能能保证实实际计算算量不会会随样本本空间维维数的增增加呈指指数增长长,即掉掉入存在在“维数灾灾难”问题。因此，对实际际图像数数据进行行有选择择的合适适的数据据抽取将将直接决决定了实实际聚类类效果的的好坏。在本节一一开

5、始，将就孤孤立点的的获取与与图像边缘缘检测做一一介绍；在第二二节的部部份，则则介绍基基于默认认深度均均值的图图像分割割方法；之后第第三节则则进图像的的特征样样本点集集合的搜搜集；最最后就可可以用基于密密度的算算法来估估测原始始聚类特特征点(即输入聚聚类特征征点)。2.1.1 孤孤立点数数据获取取和图像像边缘检检测处理理在深度图图像中一一些跳跃跃点为止止孤立点点。设定定阈值为为20。默认图图中的孤孤立点和和上下左左右8个个领域的的阈值是是1200。这样样的一批批点的集集合谓之之孤立点点集合。见流程模模型1-22.1.2 基于样样本平均均深度信信息的图图像分割割处理基于孤立立点集合合求出该该集合平

6、平均深度度即平均均深度。见流程模模型1-32.1.3 特征样样本数据据点集合合的搜集集处理基于平均均深度阈阈值和独独立点相相关性设设置，从从原始图图像从抽抽取一批批数据点点信息即即为特征征样本数数据点集集合。见流程模模型1-42.2 聚类处处理由于聚类类算法的的问题是是：1)需要事事先人为为地给定定一些参参数如聚聚类个数数、初始始聚类中中心等,而在没没有先验验知识的的情况下下,人为为确定这这些参数数既是非非常主观观的,也也是十分分困难的的。2)对对于大样样本数据据集，会会存在聚聚类效率率无法保保证的问问题。33）杂点点和噪音音的影响响聚类的的效果。因此，对于第第一问题题，如果果在估测测原始聚聚

7、类个数数时，可可以采取取随机的的方式估测。与实际际上应该该拥有的的个数差距距太大时时。聚类类算法就就需停的进进一次又又一次的的增减过过程，而而这所耗耗费的时时间是相相当多的的。为了了解决此此问题，本研究究以用密度特征征点估测测的方式式，来决定原始始输入聚类类个数。经由原原始特征征点聚类类后所得得到的骨骨架特征征点，基基本上可可以是一一个完整整骨架所所需要的的骨架点点。因此此，可以以依此调整KMMEANNS聚类类的一些些参数，以以加速整整体算法法的执速。在本节一一开始，将对用基于密密度的算算法来估估测原始始聚类特特征点做做一介绍绍；在第第二节的的部份，则介绍绍基于KMMEANNS算法法的改良良聚

8、类程程序；之之后第三三节则消消除杂点点和二次次聚类并并完成相相似性数数据的合合并；最最后就可可以连接接相关特特征关节节点成为为一个骨骨架信息息完成输输出 (即输出骨骨架点)。2.2.1 基于密密度算法法来确定定实际聚聚类个数数在特征点点集合类类，以点点的密度度划分，先求出出实际具具体几类类和给出出初始样样本集合合重心点点坐标（注：初初始样本本集合重重心点坐坐标是随随机的）见流程模模型1-52.2.1 KMEEANSS算法的的改良聚聚类程序序以KMEEANSS方法聚聚类，采采用最大大半径阈阈值和最最小半径径阈值互互相加于于约束。在前一一给定的的聚类个个数条件件下，对对实际目目标开始始聚类。标记样

9、样本特征征点集合合。2.2.1 消除杂杂点和二二次聚类类完成相相似性数数据合并并对一些边边缘杂点点和实际际数量很很少的点点加以去去除。3实用范范围和不不足改进进的地方方本次聚类类默认考考虑的都都是双手手在胸前前的人体体行为方方式。无法识别别是一只只手在前前还是两两只手在在前，算算法统一一计算为为两个点点输出。本算法对对深度阈阈值敏感感。如果果手臂的的深度值值过小，就会造造成人体体其它范范围阈值值增加。导致杂杂点过多多。导致致计算失失败对双手无无限靠近近和双手手互为自自遮蔽现现象，会会导致计计算有偏偏差。4实验结结果及结结论我们选取取一个LLighht-Coddingg (LLC) cammeraa的视频频序列作作为测试试对象，以检验验算法的的有效性性。测试试的深度度视频来来自，在在这段视视频中，人体目目标的姿姿态包括括单手、双手、交叉双双手、自遮蔽蔽双手、双手各各自上下下、手臂臂在胸前前的各种种复杂状状态的运运动，用用于测试试本文的的算法，可基本本通过人人体检测测算法确确定。由由于本算算法的局局限性需需要配合合追踪算算法就可可以完美美计算出出人体运运动轨迹迹。抓取取实验结结果的第第1100、1775、2210、2522、2888、3383、4155、4441、5520、5377帧呈