臺灣博碩士論文加值系統

本研究目的為建立一個演算骨架法提高量測人體骨架時的精確度。首先使用Kinect深度影像進行中值濾波與二值化針對Kinect深度影像去除深度孔雜訊，以利應用於人體輪廓時降低雜訊造成的誤差，讓人體骨架辨識提高準確度。
目前的量測大多用尺規直接對目標量測，不但費時而且有人為因素造成誤差。可以使用一種省時且非接觸的方法直接去量測，那就是Kinect本身具有的人體骨架追蹤的功能。而人體量測部分，卻跟深度圖有關。Kinect的深度圖品質會直接影響骨架的判斷良率。所以本研究使用影像處理改良深度圖的準確，以提高繪製骨架的正確率，而深度圖部分使用中值濾波與二值化抓取人體輪廓，再使用餘弦定理算出餘弦法長度。實驗過程找十位不同身高20-24歲的大學生來進行量測實驗，實驗結果來看，Kinect體感器所量測骨架平均數據誤差約19.1±3.15%，由數據推測造成誤差的可能原因是穿著與體感器的鏡頭廣角造成。而餘弦法進行的人體量測，由於經過二值化，已經沒有雜訊干擾，量測骨架平均數據誤差約在9.64±3.44%，明顯與kinect體感器比較起來，與實際量測數據，符合準確度較高。

The ultimate goal of this study established a new framework to improve accuracy when measuring the human skeleton. First, the sample is calculated by image processing which is acquired by Kinect depth image. Second, apply the median filter to reduce the noise of the image. Third, applying threshold to remove the tangential region around the image. These procedures are aimed to increase the accuracy for mapping the human skeleton.
Currently, these measurements are performed by applying a ruler directly onto the target. Unfortunately, the performance of the operation is time-consuming and produce errors cause by human factor. There is one option to prevent from making errors: The built-in human skeleton tracking feature, which is integrated into the Kinect itself. The measurement is related to depth map. Its quality will directly affect the skeleton’s integrity. Therefore, the objective of this study is to improve the accuracy of the depth map during the rendering process. Preliminary, the study shows that the error rate of Kinect is 19.1±3.15%, which indicated that the possibility of human error. On the other hand, the error rate which measured by the new method is 9.64±3.44%.

目錄 IV
圖目錄 VIII
表目錄 XII
符號目錄 XIII
第一章 前言 1
1.1 研究背景 1
1.2 研究動機 2
1.3 研究目的 2
第二章 文獻探討 3
2.1 Kinect影像處理 3
2.2應用於骨架量測 6
2.3 影像處理技術 10
2.4 Kinect體感器應用 11
2.5 Kinect深度擷取 13
2.6 人體骨架辨識量測 14
第三章 理論基礎 17
3.1 影像處理 17
3.1.1 邊緣偵測 17
3.1.2 中值濾波器 17
3.1.3 二值化影像處理 18
3.1.4 膨脹與侵蝕 19
3.2 骨架計算 21
3.2.1 餘弦定理 21
3.3 人體關節 22
3.3.1 活動（滑膜性）關節的分類： 23
3.4 統計之分析檢定 26
3.4.1 兩母體平均數差μ1 –μ2的假設檢定 26
3.4.1.1 獨立大樣本(每一n1,n2皆≧30) 27
3.4.1.2 獨立小樣本(n1,n2其中之一小於30) 27
3.4.1.3 成對樣本(相依) 28
3.4.2 t分配 28
3.4.2.1 t分配統計量 28
第四章 材料與方法 30
4.1 實驗設備 30
4.1.1 Kinect體感器 30
4.1.2 德國BOSCH DLE40雷射測距儀 32
4.1.3 人工測量器具 34
4.2 軟體設計 34
4.2.1 影像處理-中值濾波 35
4.2.2 影像處理-二值化 36
4.2.3 影像處理-輪廓邊緣切割 37
4.3實驗方法 38
4.3.1 實驗流程 38
4.3.2 初步人體量測與Kinect深度影像優化 40
4.3.3人體輪廓與影像分割 40
4.3.4餘弦法計算 41
4.4 最佳測量距離實驗 42
4.5 骨架誤差度比較 43
第五章 結果與討論 45
5.1 最佳量測距離實驗 45
5.2 實驗結果 47
5.3 骨架量測的三種數據比較 50
第六章 結論與建議 54
6.1 結論 54
6.2 建議 55
參考文獻 56
附錄一 距離數據 58
附錄二 骨架數據(10人) 62
附錄三 數據分析 72
附錄四 各骨架點深度值(Kinect與量測) 86
附錄五 C#影像處理程式碼 88
中值濾波 88
二值化 89
輪廓邊緣切割 90

毛彥甯。2010。一種有效的骨架擷取方法。碩士論文。台南：南台科技大學資訊工程研究所。
林慧姿、黃春松、張嘉容、廖苹邁。2002。統計學。新科技書局。
陳維峻。2010。應用於機器人之基於影像人員活動偵測。碩士論文。新竹：國立交通大學電控工程研究所。
Lapin、潘南飛譯。2003。工程統計。全威圖書有限公司。
Susan J. Hall、王金成譯。2009。基礎生物力學。易利圖書有限公司。
Chaaraoui, Alexandros Andre, Padilla-Lopez, J.R. , Florez-Revuelta, F. 2013. Fusion of Skeletal and Silhouette-based Features for Human Action Recognition with RGB-D Devices. IEEE International Conference on Computer Vision Workshops (ICCVW). 91-97. 2-8 Dec.
Fu, Jingjing, Dan Miao, Weiren Yu, Shiqi Wang, Yan Lu, and Shipeng Li. 2013. Kinect-Like Depth Data Compression. IEEE Transactions on Multimedia. 15 (6): 1340-1352.
Gonzalez, Rafael C., Richard E. Woods. 2009. Digital Image Processing, Third Edition. Pearson Education Taiwan Ltd.
Granata, Consuelo, Joseph Salini, and Ragou Ady.2013 Human whole body motion characterization from embedded Kinect. IEEE International Conference on Cognitive Infocommunications.133-138. 2-5 Dec.
Monir, Samiul, Sabirat Rubya, and Hasan Shahid Ferdous. 2012. Rotation and scale invariant posture recognition using Microsoft Kinect skeletal tracking feature. International Conference on Intelligent Systems Design and Applications. 404-409. Kochi. 27-29 Nov.
Silberman, Nathan and Rob Fergus. 2011. Indoor scene segmentation using a structured light sensor. IEEE International Conference on Computer Vision Workshops. 601-608. Barcelona. 6-13 Nov.
Sonka, Milan, Vaclav Hlavac and Roger Boyle. 1999. Image Processing, Analysis, and Machine Vision, Second Edition. Brooks/Cole Publishing Company.
Xu, Yatong , Xin Jin, and Qionghai Dai. 2014. Spatial-temporal Depth De-noising for Kinect based on Texture Edge-assisted Depth Classification. Proceedings of the 19th International Conference on Digital Signal Processing. 327-332. Hong Kong. 20-23 Aug.
Yang, Na-Eun, Yong-Gon Kim and Rae-Hong Park. 2012. Depth Hole Filling Using the Depth Distribution of Neighboring Regions of Depth Holes in the Kinect Sensor. IEEE International Conference on Signal Processing, Communication and Computing (ICSPCC). 658-661. 12-15 Aug.
Zhang, Zhengyou. 2012. Microsoft Kinect sensor and its effect. IEEE Transactions on MultiMedia. 19 (2): 4-10.
WIKIPEDIA。Thresholding。 https://en.wikipedia.org/wiki/Thresholding_(imag
e_processing)。搜尋日期：2016年5月15日。
T客邦。身體就是控制器，微軟Kinect是怎麼做到的？。http://www.techbang.com/posts/2936-get-to-know-how-it-works-kinect。搜尋日期：2015年8月4日。
黃SIR教育資訊網。關節。 http://www.hksports.net/hkpe/nss_pe/human_body/
joints.htm。 搜尋日期：2017年1月9日。