本文是一篇计算机论文，本文主要研究了针对于动捕系统中的圆形目标的识别与追踪优化方法。首先，研究了在动捕系统中圆形目标识别与追踪的研究背景以及当前国内外在该领域的研究现状。分析了运动捕捉系统的发展，并详细介绍了光学式动作捕捉系统的工作原理。
第一章绪论
1.1研究背景及意义
二十世纪五十年代，数字图像处理技术借助计算机的发展得到了进一步的完善，从最早的利用计算机对图像进行解释到工业检测等方面的应用，数字图像处理技术的应用领域愈发广泛。现在的数字图像处理技术已具备处理精度高、灵活性强、再现性好、适用范围广以及信息压缩能力强等优势。该项技术作为计算机视觉系统的重要组成部分也使得计算机视觉系统在工业、生物学、航空航天、军事等各个领域得到了快速地发展[1-2]。在计算机视觉系统中对复杂目标的识别主要来源于对直线、圆形、三角形等基础几何图形的识别。这些常见的基础几何图形在复杂的场景中进行组合便形成了多种多样的目标物体。圆形作为其中之一就有很多的应用场景，例如：无人驾驶的汽车对红绿灯的识别以及其他圆形交通指示牌的识别[3-4]、人脸识别中对瞳孔与红膜的定位[5]、医学检测中对圆形细胞的识别与分析以及工业上制造标定板等方面都需要先对圆形目标进行识别与分析。计算机视觉系统不仅仅可以完成上述工作，还可以无休止地且不知疲倦地完成枯燥乏味的工作，这将有效提升工业生产效率并成为实现智能自动化的根本依据。
至今，目标检测领域的发展已经有二十多年了。纵观整个发展时期，可以将其划分为两个时期，即从1998年开始的传统目标检测算法时期和从2014年基于深度学习（Deep Learning）的目标检测算法时期。近些年，随着机器学习的快速发展，其中深度学习在计算机图像领域上也取得了巨大突破，该方法思想起源于对人工神经卷积网络的研究，其具有强大的特征学习能力。在动作捕捉系统中更多的是采用将光学球形标识物（Marker点）标记在运动的物体上，通过摄像机去确定光学标识物的空间位置进而实现目标识别以及动作捕捉，从而获取该物体的运动轨迹。因此，圆形标记点的识别就变得至关重要，也就成为了现下热门的研究方向。虽然目前市场上已有很多相关的动作捕捉系统，但基于简单特征Marker点的动作捕捉系统在复杂环境应用时，尤其是在反光物体较多的环境场景中，依然存在许多不足，有待完善。
1.2国内外研究现状
目标检测问题可以概括为对一张图像中是否包含某类物体进行检测，如果检测到该物体就将其信息返回来的过程。在动作捕捉系统中对圆形目标进行识别与追踪是计算机视觉应用中的一个重要应用方向，在天文学、生物医学、汽车设计以及机器人设计等方面，对圆形目标的识别检测都具有重要的实际应用价值。但在图像采集过程中，经常会受到光线、噪声以及复杂背景等多因素的影响，这样就对图像中待检测的圆形目标边缘提取造成困难。
1.2.1圆形目标识别的研究现状
至今，圆形目标识别检测算法已经有了几十年的研究历程，在此期间国内外也不断有学者提出新的优化检测方法。综合来看，比较典型的圆形目标检测方法可以分为两大类，即基于霍夫Hough变换算法和基于圆形度检测算法。
（1）基于霍夫Hough变换算法
霍夫Hough变换算法是最早使用的圆形识别算法[7-8]，其主要思想是利用基于投票的方法，能检测出具有明显几何形状的物体。在数据不完整、噪声较少以及光照不均匀的情况下都具有很好的鲁棒性。其缺点在于需要根据参数个数的增多累计增加数组，进而会提升计算复杂度和空间消耗。为了克服圆形霍夫变换（Circular HoughTransform），即CHT问题，国内外著名学者也提出了一些基于Hough变换的优化改进算法。Li H等人[9]提出了把参数空间分割成若干个子空间，再对子空间进行参数拟合。XU L等人[10]提出了随机Hough变换（RHT），该方法采用无规则随机采样方式对边缘点进行选取，再进行多对一映射，大大提升了空间利用率和计算速度。但由于采样时选取的是随机方法且没有确定目标，可能会出现选取点很可能是噪声点的情况，那么在背景较为复杂且噪声较多的图像中就很容易导致识别检测效率下降。沈梦叶等人[11]提出了一种基于链码的随机Hough变换，采用LOG算子对图像进行预处理并利用OTSU分割算法进行Canny边缘提取，然后利用边缘链码过滤掉图像中的干扰圆，最后利用均值投票和方向链条码表示出圆形轮廓骨架，从而获取圆形目标。陈令刚等人[12]通过对图像进行了Canny算子的边缘检测及阈值化处理，在一定程度上提高了在复杂背景中图像的识别率，但前期工作量较大，使用起来较为复杂。梁敏健等人[13]利用HOG-Gabor特征融合的方法去获取特征向量，再通过Softmax分类器实现对目标物体的识别，在一定程度上提高了对目标物体的正确识别率，但是降低了原模型的鲁棒性。
第二章运动捕捉系统原理概述
2.1运动捕捉系统
运动捕捉是记录物体或者人体运动的过程，简称为“动捕”。其主要目的是追踪并还原目标的运动信息。该项技术涉及识别检测、物理空间定位、运动追踪以及计算机数据处理等多领域知识。随着计算机水平与科技水平的不断提高，动作捕捉系统的应用越来越多地出现在人们的日常生活和工作中。如影视游戏动画制作，机器人运动操控，虚拟角色互动直播，体育训练中捕捉运动数据，医疗康复训练中的运动障碍康复以及人体实时连续健康监测等方面[28-31]。从技术原理层面区分，可以将动捕分为：光学式、惯性式、机械式、声学式和电磁式。其中机械式采用的是带传感器的关节或刚性连杆，在使用佩戴方面十分不便捷，对表演者的动作限制很大；声学式采用的是声波发生器、接收器以及处理单元，在使用过程中该系统实时性较差，延时较长且精确度较低，还很容易受到周边噪声干扰；电磁式采用的是电磁器、感应器以及数据处理的单元，使用时对环境要求较高，受电磁影响环境内不允许存在金属，采集速率较低因此不适合高速运动的捕捉。这些动作捕捉系统随着时代的发展，由于自身的缺点已经逐渐被淘汰出市场。
目前，行业中比较常见且普遍使用的是红外光学动作捕捉或者惯性动作捕捉。惯性动作捕捉主要利用惯性导航传感器、信号接收器以及数据处理系统构成了惯性传感器式动作捕捉系统。将姿态传感器穿戴在人体各个主要肢体部分，把姿态信号无线传输至数据处理系统进行运动解算。光学式动作捕捉主要利用动捕相机捕捉物体或者人体上的反光标记点，进而进行实时跟踪。该标记点使用时佩戴方便，运动受限较小，采样速率高，能够满足多数的高速运动捕捉。该领域经过几十年的高速发展，无论是光学式动作捕捉系统还是惯性动作捕捉系统，都在朝着采集更精确、成本更廉价、使用更便捷以及更低延时等方向发展。
2.2光学式动作捕捉系统
光学式动作捕捉系统由三部分构成，包括红外光学镜头、反光标识点以及软件和配件，也可称为“以红外光学为原理的动作捕捉系统”。该系统相较于以惯性作为原理的动作捕捉系统或者GPS定位系统，具有精度高、延迟低、实时性强等优点。红外光学镜头作为光学式动捕系统的首要部分，光学摄像头的分配率、拍摄频率以及视场角可以直接影响整个光学式动作捕捉系统的精度和效果。反光标识点直接观察时，可以看作一个实心的小球，它的内部没有任何的电子元件，因此也不需要提供电源或者连接线等。它的工作原理是：在小球的表面覆盖上一层反光的材料，利用反射光学镜头产生的光。得到的图像通过连接器传输给目标检测系统，进而推算出目标所在的位置、方向和运动轨迹等信息，实现对目标的追踪，具体原理图如下图2-1所示：
为了排除环境的干扰，动捕相机一般采用帧率高，每秒可拍摄几十或者上百帧图像的红外相机。其工作原理是通过向外发射红外光后，捕获返回来的红外光线，得到灰度图，不能还原出场景中所存在的真实色彩，也就是说动捕相机所拍摄到的图案只有黑白两种颜色。
第三章 圆形目标识别方法研究 .......................... 9
3.1 常用圆形识别检测算法............................. 9
3.1.1 霍夫变换识别检测方法 ............................. 9
3.1.2 圆形度检测方法 ........................................ 11
第四章 运动捕捉过程中的目标追踪 .................................... 24
4.1 多目标追踪算法 ................................ 24
4.1.1 卡尔曼滤波算法 ............................ 24
4.1.2 STC跟踪算法 ............................... 25
第五章 光学运动捕捉应用分析 .............................. 35
5.1 光学运动捕捉系统的优化 ............................... 35
5.2 室内环境下运动捕捉分析 ................................. 36
第五章光学运动捕捉应用分析
5.1光学运动捕捉系统的优化
从2K游戏中的虚拟球员再到如今的医疗康复、运动领域的专业研究；从无人机机器人的研发设计再到如今的海底隧道的测量，光学动作捕捉在科研、工业、教育、娱乐、军事等各个领域中，都在提供无比精准的数据支持。在光学运动捕捉系统中，为避免在实际应用时，物体或者人身上的Marker点被遮挡，通常会采用两台及两台以上数量的相机，通过多角度对Marker点的拍摄来获取每台相机像面上所对应的像素坐标，进而确定三维空间中的坐标，具体执行策略如下图5-1所示（使用左、右两台相机进行拍摄）。利用标定工具，让动作捕捉软件计算出镜头的准确空间位置和角度，建立三维空间坐标X、Y、Z轴进行三维重构获得当前时刻的空间坐标。当完成多个时刻空间坐标重构后便会形成Marker点的空间运行轨迹。
第六章总结与展望
6.1全文总结
本文主要研究了针对于动捕系统中的圆形目标的识别与追踪优化方法。首先，研究了在动捕系统中圆形目标识别与追踪的研究背景以及当前国内外在该领域的研究现状。分析了运动捕捉系统的发展，并详细介绍了光学式动作捕捉系统的工作原理，以该系统作为研究背景，展开下面的研究。
其次，分析了传统的圆形目标检测算法和基于深度学习的圆形目标检测算法，通过实验对比了基于霍夫Hough变换圆形识别检测算法以及基于圆形度检测算法的劣势，最终选择基于深度学习的圆形目标检测算法。为了解决动作捕捉系统在复杂背景应用时对圆形Marker点识别稳定性较差的问题，本文以YOLOv5s作为原模型进行优化提升，为减少前期标记时间，提出了一种基于半监督学习的优化改进算法。利用非接触式六自由度运动测量系统所捕获的图像作为数据集，对优化算法进行实验。实验结果表明，该优化方法能够在复杂背景下对圆形目标进行精准识别检测。再次，本文进一步对传统的基于卡尔曼滤波的追踪算法、基于STC的追踪算法以及基于深度学习的SORT算法和DeepSORT算法进行分析。之后通过对比实验，分析各个算法的优缺点，最终选择较为稳定的DeepSORT算法作为追踪模型与上文所提及的优化识别检测算法相结合，完成对圆形目标的识别检测与追踪功能。
最后，针对光学运动捕捉系统在复杂背景下使用性能相对较差的问题，对比原执行策略提出了一种针对于复杂背景下的优化执行策略。为验证该优化执行策略的可行性，采用在室内、外两种不同场景下所采集的图像作为数据集，对改进算法进行测验，并根据场景需要结合已有的优化算法，完成在该适应场景下的目标识别检测与追踪任务。经实验表明，本文所提出的识别检测与追踪算法能够保证在复杂背景下达到精准识别检测与稳定追踪的效果。同时也证实了可以利用该方法完成在运动捕捉系统中前期的识别追踪工作，进而解决在复杂背景下原运动捕捉系统不适用的问题。因此，证明本文所提出的优化策略的有效性，为后续动作捕捉系统拓展更多的应用做好了铺垫。
参考文献（略）