呂東岳 黃志蓓 陶冠宏 俞能海 吳健康

?

使用簡易深度成像設(shè)備的高爾夫揮桿動態(tài)貝葉斯網(wǎng)絡(luò)三維重建

呂東岳①黃志蓓*②陶冠宏②俞能海①吳健康②

①(中國科學(xué)院電子學(xué)研究所 北京 100190)②(中國科學(xué)院大學(xué) 北京 100049)

基于簡易深度成像設(shè)備的動作捕捉系統(tǒng)因其與傳統(tǒng)設(shè)備相比更加廉價且易于使用而倍受關(guān)注。然而，此類設(shè)備圖像分辨率很低，肢體間互相遮擋，缺乏3維動作重建的基本數(shù)據(jù)條件。該文融合人體關(guān)節(jié)點父子關(guān)系與關(guān)節(jié)點在運動中的多階馬爾可夫性，提出一個描述人體關(guān)節(jié)點空間關(guān)系與動態(tài)特性的動態(tài)貝葉斯網(wǎng)絡(luò)(DBN)模型，基于該DBN模型并利用高爾夫揮桿運動的相似性，構(gòu)建了一種高爾夫揮桿3維重建系統(tǒng)DBN-Motion(DBN-based Motion reconstruction system)，使用簡易深度成像設(shè)備Kinect，有效地解決了肢體遮擋的問題，實現(xiàn)了高爾夫揮桿動作的捕獲和3維重建。實驗結(jié)果表明，該系統(tǒng)能夠在重建精度上媲美商用光學(xué)動作捕捉系統(tǒng)。

信號處理；高爾夫揮桿重建；動態(tài)貝葉斯網(wǎng)絡(luò)模型；深度成像設(shè)備

1 引言

近年來，傳統(tǒng)的高爾夫培訓(xùn)方式逐漸被利用動作捕捉設(shè)備逐步糾正揮桿動作的教學(xué)模式所取代。動作捕捉設(shè)備主要分為兩大類[1]：光學(xué)動作捕捉設(shè)備[2,3]與可穿戴式微傳感器動作捕捉設(shè)備[4,5]。前者需要在被捕捉者的肢體上附著主動式或被動式的標(biāo)記，通過固定布置在使用者周圍的高速攝像頭捕捉標(biāo)記的位置，通過標(biāo)記的位置得到人體主要關(guān)節(jié)點的位置從而實現(xiàn)動作的捕捉與重建；后者則需要將一系列的微傳感器節(jié)點(每個節(jié)點包含有加速度與磁傳感器等設(shè)備)附著在使用者肢體上，通過分析傳感器數(shù)據(jù)得到人體主要關(guān)節(jié)點的位置。雖然上述兩類設(shè)備在研究與培訓(xùn)領(lǐng)域取得了較多的成果，但是這并不能掩蓋它們本身所固有的缺陷：光學(xué)動作捕捉設(shè)備需要一處固定的環(huán)境，事先架設(shè)并且對設(shè)備進(jìn)行調(diào)試，而且一旦設(shè)備的位置發(fā)生變化就需要重新調(diào)試；可穿戴式動作捕捉設(shè)備雖然對環(huán)境的適應(yīng)性比光學(xué)設(shè)備強(qiáng)，但是穿戴式傳感器節(jié)點會令使用者感到不適，影響揮桿時的發(fā)揮；同時，兩種設(shè)備的價格都非常昂貴，系統(tǒng)架構(gòu)十分復(fù)雜。

快速發(fā)展的深度成像技術(shù)為解決上述兩種動作捕捉設(shè)備的固有缺陷帶來了希望。已有學(xué)者采用簡易深度成像設(shè)備進(jìn)行3維動作的捕捉研究并取得了一定的成果。但是，簡易深度成像設(shè)備的分辨率、幀率以及深度測量的精度還有待提高；同時，深度成像設(shè)備存在肢體遮擋問題[7]。為了解決上述問題并將簡易深度成像設(shè)備運用于高爾夫揮桿研究領(lǐng)域，研究者們提出了一些專門用于高爾夫揮桿運動的算法。文獻(xiàn)[11,12]提出一種利用深度成像設(shè)備給揮桿者的揮桿進(jìn)行打分與評級的算法，在揮桿時捕捉揮桿者在3維空間中的骨架位置，運用序列相關(guān)模型對揮桿動作打分評級；文獻(xiàn)[13]利用深度成像設(shè)備捕捉揮桿動作并識別了6種常見的揮桿錯誤；文獻(xiàn)[14]嘗試解決遮擋問題，提出了一種基于模板的算法來學(xué)習(xí)與糾正原始深度成像設(shè)備輸出的人體關(guān)節(jié)點信息。上述算法在改進(jìn)深度成像設(shè)備獲取的原始失真揮桿動作中做出了一定的貢獻(xiàn)，但是遮擋問題依然未能很好地得到解決。

為了更好地解決遮擋問題，提升深度成像設(shè)備對高爾夫揮桿捕捉與重建的精度，本文建立了一個用于描述人體關(guān)節(jié)點空間關(guān)系與動態(tài)特性的動態(tài)貝葉斯網(wǎng)絡(luò)(Dynamic Bayesian Network,DBN)模型，通過融合人體關(guān)節(jié)點父子關(guān)系，關(guān)節(jié)點在運動中的多階馬爾可夫性以及人體關(guān)節(jié)點在揮桿運動中的相似性，該DBN模型改善了低分辨率深度圖像信息下?lián)]桿重建的精度，有效解決了關(guān)節(jié)點之間因為運動造成的相互遮擋問題；基于該DBN模型構(gòu)建了一種可移動、非接觸式的揮桿3維重建系統(tǒng)DBN-Motion(DBN-based Motion reconstruction system)，并將其得到的高爾夫揮桿重建結(jié)果與商用光學(xué)動作捕捉系統(tǒng)MAT-T[15]得到的結(jié)果進(jìn)行了對比實驗。實驗結(jié)果表明，DBN- Motion系統(tǒng)能夠得到媲美于MAT-T系統(tǒng)的重建結(jié)果。

本文第2節(jié)介紹DBN-Motion系統(tǒng)的架構(gòu)并詳細(xì)介紹了作為其核心的DBN模型；第3節(jié)為實驗與對比結(jié)果；第4節(jié)為結(jié)論與展望。

2 系統(tǒng)架構(gòu)與DBN模型

2.1系統(tǒng)架構(gòu)

DBN-Motion系統(tǒng)包含3個部分：揮桿數(shù)據(jù)獲取、揮桿數(shù)據(jù)處理以及揮桿重建，如圖1所示。作為一種簡易深度成像設(shè)備，Kinect擁有最全面的軟件支持，并且能夠很好地克服傳統(tǒng)動作捕捉設(shè)備的缺陷[16]，其對場地及周邊電磁環(huán)境幾乎沒有任何要求，能夠滿足在任何室內(nèi)環(huán)境中使用，這種優(yōu)勢是本系統(tǒng)可移動性的基礎(chǔ)。本系統(tǒng)采用Kinect作為動作捕捉設(shè)備，RGBD數(shù)據(jù)(彩色與深度信息)通過OpenNI平臺[17]轉(zhuǎn)換為揮桿運動數(shù)據(jù)；系統(tǒng)的第2部分通過DBN模型修正第1部分獲得的原始運動數(shù)據(jù)；系統(tǒng)的第3部分使用修正后的運動數(shù)據(jù)在4個視角下(斜上、正視、側(cè)視與俯視)繪制重建整個揮桿過程。

圖1 DBN-Motion系統(tǒng)架構(gòu)

2.2 揮桿數(shù)據(jù)處理：DBN模型

2.2.1揮桿過程的相似性 揮桿過程定義為從上桿開始直到跟隨階段的一個特殊姿勢(雙臂自由揮動至大致與地面平行)為止。由于高爾夫揮桿有固定技術(shù)動作[18]，所以不同的揮桿者的揮桿過程具有相似性。揮桿過程的相似性體現(xiàn)在兩個方面：

(1)空間運動相似性：在不受干擾自由揮桿時，不同的揮桿者每一次揮桿過程中人體關(guān)節(jié)點的相對運動是相似的；

(2)時間比例相似性：對不同的揮桿者，揮桿過程的4個組成部分(持桿、上桿、下桿以及跟隨)在整個揮桿過程中所占的時間比例是相似的。

利用上述兩種相似性建模時，空間運動相似性體現(xiàn)在對不同的揮桿者在建模時可以采用相似的模型結(jié)構(gòu)；時間比例相似性體現(xiàn)在對不同揮桿者的不同時長的揮桿過程進(jìn)行了歸一化，可以采用相似的模型參數(shù)來描述不同揮桿者的運動，同時模型參數(shù)的訓(xùn)練也可以采用更加廣泛的數(shù)據(jù)，模型在不同揮桿者之間的魯棒性也更加出色。

2.2.2 DBN模型 本文在人體骨架模型的基礎(chǔ)上，將用來描述人體運動的15個關(guān)節(jié)點分為5條互相獨立的鏈，由此形成的描述人體關(guān)節(jié)點關(guān)系的樹狀結(jié)構(gòu)如圖2所示。通過對15個主要關(guān)節(jié)點進(jìn)行建模并獲得位置信息，能夠準(zhǔn)確地將整個人體的動作完整地進(jìn)行重建。在建模過程中，由于5條關(guān)節(jié)點鏈的結(jié)構(gòu)相似，對其中一條鏈建立的模型表示亦可以應(yīng)用到其他4條鏈上，區(qū)別僅在于模型參數(shù)的不同。

圖2 人體關(guān)節(jié)點樹狀結(jié)構(gòu)

在構(gòu)建模型的過程中，使用下列的5個符號來表示模型中的狀態(tài)、觀測等要素：為鏈上的第個關(guān)節(jié)點在時刻在其父節(jié)點坐標(biāo)系下的位置(關(guān)節(jié)點的相對位置)；為鏈上的第個關(guān)節(jié)點在時刻在大地坐標(biāo)系下的位置(關(guān)節(jié)點的絕對位置)；為一條鏈上的第個關(guān)節(jié)點在時刻在大地坐標(biāo)系下的位置的觀測值(原始觀測信息)；為用于描述關(guān)節(jié)點動態(tài)特性的多階馬爾可夫鏈的階數(shù)；為一條鏈中包含的關(guān)節(jié)點總數(shù)。

描述整條關(guān)節(jié)點鏈中關(guān)節(jié)點運動的DBN模型如圖3所示。為了不影響模型的可讀性，在描述關(guān)節(jié)點自身動態(tài)特性時只在根節(jié)點處體現(xiàn)了多階馬爾科夫鏈結(jié)構(gòu)。

圖3 DBN模型結(jié)構(gòu)

為了在失真的原始數(shù)據(jù)的基礎(chǔ)上獲得精度比較滿意的正常數(shù)據(jù)，需要尋找能夠讓關(guān)節(jié)點在時刻的絕對位置后驗概率最大化的的位置。當(dāng)運動過程持續(xù)時間為時，關(guān)節(jié)點鏈中共有個關(guān)節(jié)點，關(guān)節(jié)點處所有節(jié)點的聯(lián)合概率密度分布可以看成由時刻關(guān)節(jié)點鏈中第個關(guān)節(jié)點擴(kuò)充而來：

模型中條件概率密度均假設(shè)服從高斯分布。高斯分布的選擇不僅簡化了參數(shù)訓(xùn)練的復(fù)雜度，而且通過后續(xù)的實驗章節(jié)中與現(xiàn)有的光學(xué)動作捕捉系統(tǒng)獲得的結(jié)果進(jìn)行的對比實驗，從一個側(cè)面印證了其符合高爾夫揮桿實際的正確性。

關(guān)節(jié)點的相對運動采用的是多階馬爾科夫鏈模型，在確定模型階數(shù)時使用了文獻(xiàn)[14]中提出的“平均關(guān)節(jié)點誤差和”(mean value of sum of Joint Errors, msJE)作為評判依據(jù)：

圖4 msJE的變化與動態(tài)模型階數(shù)的關(guān)系

3 實驗結(jié)果與討論

3.1 實驗準(zhǔn)備

MAT-T系統(tǒng)對架設(shè)的環(huán)境有嚴(yán)格的要求，需要將6臺采樣率為180 Hz的攝像裝置以一定的高度環(huán)繞架設(shè)在揮桿區(qū)域周圍，揮桿者全身佩戴標(biāo)定點，通過攝像裝置捕捉標(biāo)定點在整個揮桿過程中的變化，從而獲得人體揮桿時的運動數(shù)據(jù)；DBN-Motion系統(tǒng)架設(shè)時，Kinect擺放在距離揮桿者2.5 m左右、離地面1 m左右的位置，保證揮桿者的整個揮桿動作能完整地被其捕捉。

實驗中邀請了5位不同的揮桿者，每人做6次完整的揮桿，兩套系統(tǒng)同時捕捉揮桿者的動作，采用離線處理獲得揮桿運動數(shù)據(jù)以作比較。在整個實驗過程中，5位揮桿者的揮桿數(shù)據(jù)輪流作為測試數(shù)據(jù)，學(xué)習(xí)與重建的過程在揮桿者的揮桿數(shù)據(jù)之間輪流進(jìn)行，確保每位揮桿者的每一次揮桿數(shù)據(jù)都有與之對應(yīng)的重建結(jié)果。實驗中考慮整個揮桿過程中人體運動最為劇烈的關(guān)節(jié)點(即雙肩、雙肘與雙手)，具體實現(xiàn)上，選擇手部關(guān)節(jié)點位置、肩寬與臂長(包括左上臂、左前臂、右上臂與右前臂)等5段肢體長度以及全身關(guān)節(jié)點的差異來進(jìn)行比較。

對于全身關(guān)節(jié)點位置的差異，除了可以使用式(5)定義的msJE作為對比標(biāo)準(zhǔn)外，其均值(mean value of msJE, mmsJE)也可以用作對比標(biāo)準(zhǔn)。

3.2與MAT-T系統(tǒng)的對比

由于本系統(tǒng)采用的簡易深度成像設(shè)備Kinect的采樣率(30 Hz)與MAT-T系統(tǒng)中的攝像裝置不具有可比性，所以在實驗過程中的對比均采用對應(yīng)采樣時刻的數(shù)據(jù)。圖5展示了兩套系統(tǒng)獲得的其中一位揮桿者手部關(guān)節(jié)點位置的對比結(jié)果。圖中，,,分別表示3維空間的3個分量，即大地坐標(biāo)系下的寬、高與深度。

圖5 揮桿者手部關(guān)節(jié)點位置對比

從圖5的對比結(jié)果可以看出，DBN-Motion系統(tǒng)的手部關(guān)節(jié)點重建結(jié)果與MAT-T的結(jié)果在大部分揮桿過程中僅有細(xì)微的差異，即使存在明顯差異也基本處于揮桿過程的收尾階段(跟隨階段)，此時由于擊球動作已經(jīng)結(jié)束，揮桿相似性的體現(xiàn)不如前3個階段。總之，在手部關(guān)節(jié)點位置信息獲取精度上，DBN-Motion系統(tǒng)的重建結(jié)果與MAT-T的結(jié)果之間是具有可比性的。值得注意的是，DBN- Motion系統(tǒng)的重建結(jié)果是基于采用其他揮桿者揮桿數(shù)據(jù)學(xué)習(xí)得到的模型得出的，這也從一個側(cè)面印證了揮桿運動中相似性的存在。

兩套系統(tǒng)獲得的5位揮桿者的肢體長度的比較見表1，表中揮桿者的肢體長度均為在整個揮桿過程中的均值。

表1兩套系統(tǒng)下?lián)]桿者肢體長度比較

與MAT-T的結(jié)果相比，DBN-Motion系統(tǒng)重建的5段肢體段的長度基本上只有細(xì)微的差異，但是在肩寬數(shù)據(jù)中有兩位揮桿者的數(shù)據(jù)差異非常大(大于10%)。在MAT-T系統(tǒng)中，標(biāo)定點在肩部容易產(chǎn)生位移，從而造成肩部關(guān)節(jié)點位置信息產(chǎn)生誤差[19]，直觀上反映即為肩寬不穩(wěn)定。而在實際的揮桿動作中，揮桿者在整個過程中并不會做出對肩寬產(chǎn)生影響的動作。為了說明MAT-T系統(tǒng)獲得的肩寬數(shù)據(jù)并不穩(wěn)定，圖6顯示了其中一位揮桿者肩寬數(shù)據(jù)隨時間變化的比較結(jié)果，為了突出DBN- Motion系統(tǒng)對原始關(guān)節(jié)點位置輸出的修正效果，原始Kinect估計得出的肩寬數(shù)據(jù)也一并進(jìn)行了比較。DBN-Motion系統(tǒng)獲得的重建結(jié)果的波動性十分微小，MAT-T系統(tǒng)獲得的結(jié)果在肩寬數(shù)據(jù)上的波動性大于DBN-Motion系統(tǒng)獲得的重建結(jié)果，據(jù)此可以認(rèn)為產(chǎn)生肩寬數(shù)據(jù)明顯差異的主要原因為動作捕捉時標(biāo)定點產(chǎn)生的位移。同時可以看到，原始Kinect獲得的肩寬數(shù)據(jù)波動十分劇烈，說明了DBN- Motion系統(tǒng)對于原始觀測數(shù)據(jù)的修正能力。

圖6 揮桿者揮桿過程中肩寬數(shù)據(jù)的對比

通過與現(xiàn)有的光學(xué)動作捕捉系統(tǒng)(MAT-T)進(jìn)行比較，本系統(tǒng)的核心，即用于描述全身關(guān)節(jié)點運動的DBN模型對深度成像設(shè)備估計的揮桿修正效果以及對關(guān)節(jié)點劇烈運動、遮擋的魯棒性是顯而易見的，使用簡易深度成像設(shè)備對高爾夫揮桿這一行為進(jìn)行重建是完全可行的。揮桿中運動最為劇烈的6個關(guān)節(jié)點的重建結(jié)果兩套系統(tǒng)雖然仍有一定的差異，但已經(jīng)具有可比性，如此的對比結(jié)果也從一個側(cè)面印證了之前提出的模型條件概率密度高斯分布假設(shè)的正確性。相對于原始Kinect深度數(shù)據(jù)直接通過OpenNI平臺估計得出的結(jié)果，DBN-Motion系統(tǒng)的輸出精度有了很大的提高。同時，在DBN模型建模的過程中并未對任何關(guān)節(jié)點的運動做出限制，由此不難得出本系統(tǒng)同樣適用于描述其他具有規(guī)律性的運動行為的結(jié)論。

4 結(jié)束語

本文使用簡易深度成像設(shè)備構(gòu)建了一種與傳統(tǒng)動作捕捉設(shè)備不同的可移動、非接觸式的高爾夫揮桿重建系統(tǒng)DBN-Motion，其核心是一種能夠用于描述人體全身關(guān)節(jié)點運動位置信息的DBN模型。實驗結(jié)果表明，該系統(tǒng)能夠有效修正現(xiàn)有的簡易深度成像系統(tǒng)(例如Kinect)獲得的人體關(guān)節(jié)點位置信息；在與光學(xué)動作捕捉系統(tǒng)MAT-T獲取的關(guān)節(jié)點位置信息的比較中，在對應(yīng)采樣時刻處的重建結(jié)果非常接近，肢體段長度的差異也很小，而且克服了后者肩部寬度容易受手臂扭曲導(dǎo)致的標(biāo)定點移位造成的影響。不僅如此，該系統(tǒng)在建模的過程中并未對任何關(guān)節(jié)點的運動做出限制，可以適用于描述其他具有規(guī)律性的運動行為。

今后隨著技術(shù)的進(jìn)步，DBN-Motion系統(tǒng)在升級硬件設(shè)備后獲得的重建結(jié)果的幀數(shù)以及精度也會隨之上升。另外，今后的研究工作還將著眼于更加精細(xì)的人體揮桿運動描述(例如增加腕部關(guān)節(jié)點與脊柱關(guān)節(jié)點，嘗試獲取完整的桿頭軌跡)與其他規(guī)律性的運動行為的描述與重建。

參考文獻(xiàn)

[1] Zhou H and Hu H. Human motion tracking for rehabilitationa survey[J]., 2008, 3(1): 1-18.

[2] Noiumkar Sand Tirakoat S. Use of optical motion capture in sports science: a case study of golf swing[C]. 2013 International Conference on Informatics and Creative Multimedia (ICICM), Kuala Lumpur, 2013: 310-313.

[3] Holte M B, Chakraborty B, Gonzalez J,.. A local 3-D motion descriptor for multi-view human action recognition from 4-D spatio-temporal interest points[J].,2012, 6(5): 553-565.

[4] Nam C N K, Kang H J, and Suh Y S. Golf swing motion tracking using inertial sensors and a stereo camera[J]., 2014, 63(4): 943-952.

[5] Chun S, Kang D, Choi H R,.. A sensor-aided self coaching model for uncocking improvement in golf swing[J]., 2014, 72(1): 253-279.

[6] Livingston M A, Sebastian J, Ai Z,.. Performance measurements for the microsoft kinect skeleton[C]. 2012 IEEE Virtual Reality Short Papers and Posters (VRW), Costa Mesa, CA, 2012: 119-120.

[7] Shum H P, Ho E S, Jiang Y,.. Real-time posture reconstruction for Microsoft Kinect[J]., 2013, 43(5): 1357-1369.

[8] Rosado J, Silva F, Santos V,.. Reproduction of human arm movements using kinect-based motion capture data[C]. 2013 IEEE International Conference on Robotics and Biomimetics (ROBIO), Shenzhen, 2013: 885-890.

[9] Xiang C, Hsu H H, Hwang W Y,.. Comparing real-time human motion capture system using inertial sensors with microsoft kinect[C]. 2014 7th International Conference on Ubi-Media Computing and Workshops (UMEDIA), Ulaanbaatar, 2014: 53-58.

[10] Kao W C, Hsu S C, and Huang C L. Human upper-body motion capturing using kinect[C]. 2014 International Conference on Audio, Language and Image Processing (ICALIP), Shanghai, 2014: 245-250.

[11] Zhang L, Hsieh J C, Ting T T,.. A kinect based golf swing score and grade system using GMM and SVM[C]. 2012 5th International Congress on Image and Signal Processing (CISP), Chongqing, 2012: 711-715.

[12] Zhang L, Hsieh J C, and Wang J. A kinect-based golf swing classification system using HMM and Neuro-Fuzzy[C]. 2012 International Conference on Computer Science and Information Processing (CSIP), Xi,an, 2012: 1163-1166.

[13] Lin Y H, Huang S Y, Huang S Y,.. A kinect-based system for golf beginners’ training[J]., 2013, 253(1): 121-129.

[14] Shen W, Deng K, Bai X,.. Exemplar-based human action pose correction and tagging[C]. 2012 IEEE Conference on Computer Vision and Pattern Recognition (CVPR), Providence, USA, 2012: 1784-1791.

[15] TaylorMade Performance Lab. Mat-t System[OL].http:// tmpl.taylormadegolf.com/mat-t-system, 2013.8.

[16] Smisek J, Jancosek M, and Pajdla T. 3D with kinect[C]. 2011 IEEE International Conference on Computer Vision Workshops (ICCV Workshops), Barcelona, 2011: 1154-1160.

[17] OpenNI Organization. Introducing OpenNI[OL].http://www. openni.org/images/stories/pdf/OpenNI_UserGuide.pdf.,

2013. 8.

[18] Arvind Dand Bates A. The speckled golfer[C]. The ICST 3rd International Conference on Body Area Networks, Tempe, Arizona, 2008: 1-7.

[19] McGuan S P. Achieving commercial success with biomechanics simulation[C]. 20 International Symposium on Biomechanics in Sports, Cáceres, Spain, 2002: 20, 451-460.

Dynamic Bayesian Network Model Based Golf Swing 3D Reconstruction Using Simple Depth Imaging Device

Lü Dong-yue①Huang Zhi-pei②Tao Guan-hong②Yu Neng-hai①Wu Jian-kang②

① (,,100190,)②(,100049,)

The simple depth imaging device gains more and more attention because of its lower cost and easy- to-use property compared with traditional motion capture systems. However, this kind of devices lack the basic data condition of 3D motion reconstruction due to low resolution, occlusions, and mixing up of body parts. In this paper, a Dynamic Bayesian Network (DBN) model is proposed to describe the spatial and temporal characteristics of human body joints. The model is based on fusion of the parent-child characteristics of joints and multi-order Markov property of joint during motion. A golf swing capture and reconstruction system DBN-Motion (DBN-based Motion reconstruction system), is presented based on the DBN model and the similarity of swing with a simple depth imaging device, Kinect, as capturing device. The proposed system effectively solves the problem of occlusions and mixing up of body parts, and successfully captures and reconstructs golf swing in 3D space. Experimental results prove that the proposed system can achieve comparable reconstruction accuracy to the commercial optical motion caption system.

Signal processing; Golf swing reconstruction; Dynamic Bayesian Network (DBN) model; Depth imaging device

TP391

A

1009-5896(2015)09-2076-06

10.11999/JEIT150165

黃志蓓 zhphuang@gmail.com

2015-01-29收到，2015-05-11改回，2015-06-26網(wǎng)絡(luò)優(yōu)先出版

國家自然科學(xué)基金(61431017)和科技部國際科技合作專項(2012DFG11820)資助課題

呂東岳： 男，1986年生，博士生，研究方向為信號與信息處理.

黃志蓓： 女，1973年生，副教授，研究方向為傳感網(wǎng)絡(luò).

陶冠宏： 男，1986年生，博士生，研究方向為信號與信息處理.