目前運用深度感測器建立人體骨架是常用的人機互動解決方法，
快速且精準，但當人在某些動作下，例如坐姿、躺姿、腿部交叉，前兩種由於與背景物體太過接近，深度感測器無法分辨出人以及物體，而最後一種會因為雙腳重疊導致分辨不出其前後關係，都將會使骨架錯亂，追蹤結果失敗。
本論文目前針對腿部交叉所發生的錯誤進行補正。而為解決這問題，本研究提出以深度影像的骨架追蹤結果為主，當發生腿部交叉時，則運用彩色影像作為輔助，重新建立骨架，使追蹤結果保持正確。

The common solution of human-computer interaction is used depth sensor to establish human skeleton, but the skeleton information will be incorrect in some action such as sitting posture, lying posture, and legs crossed. The first two posture that human body is too close with background object, the sensor cannot recognize human and background. The last one, leg crossed, because cannot recognize the relationship of crossing leg. When people in one of these three posture, the skeleton tracking will be failed.
  In this thesis, we focus on fixing the bug on legs crossed posture. To solve this problem, we proposes a depth image of the skeleton tracking,  when a cross-leg, then the color images be used as an aid to re-establish the skeleton, so as to maintain the correct tracking results.

目錄
第一章 緒論	1
1.1	動機及目的	1
1.2	論文架構	3
第二章 相關研究	4
2.1	引言	4
2.2	多台攝影機下的下肢追蹤系統	4
2.3	影像相減法	5
2.4	形態學	6
第三章 研究方法	10
3.1	引言	10
3.2	初始化	11
3.2.1	輔助系統進入時機	12
3.2.2	建立腿部模型	12
3.2.3	選取搜索視窗	13
3.3	移動物體偵測	13
3.3.1	取出影像中移動的物體資訊	14
3.3.2	雜訊過濾及處理	17
3.3.3	取出移動物體的輪廓	20
3.4	移動物體向量計算	21
3.4.1	重心計算	21
3.4.2	向量計算	22
3.5	模型匹配	23
第四章 實驗及結果	26
4.1	實驗環境介紹	26
4.1.1	硬體環境	26
4.1.2	軟體環境	27
4.2	參數設定選用	29
4.2.1	二值化臨界值選用	29
4.2.2	中值濾波訊框大小選用	30
4.2.3	膨脹時的結構元素選用及迭代次數選用	32
4.2.4	參數選擇總結	37
4.3	系統實作結果	38
第五章 結論	41
參考文獻	42
附錄 英文論文	43

圖目錄
圖 1 腿部交叉導致骨架失效	2
圖 2 失效圖	3
圖 3 運用Kalman Filter以及Particle Filter的追蹤結果[1]	5
圖 4 影像相減結果	6
圖 5 結構元素	7
圖 6 侵蝕後結果	8
圖 7 膨脹後結果	9
圖 8 系統架構	10
圖 9 系統流程	11
圖 10 腿部模型	12
圖 11 搜索視窗	13
圖 12 移動物體偵測流程	14
圖 13 背景模型	14
圖 14 背景相減結果	15
圖 15 轉灰階之後	16
圖 16 二值化處理	17
圖 17 影像中的空洞及破碎	18
圖 18 中值濾波後的結果	19
圖 19 膨脹運算後的影像	20
圖 20 邊緣輪廓的提取	21
圖 21 重心結果	22
圖 22 重心移動	23
圖 23 Xtion Pro Live 實體圖	26
圖 24 OpenNI架構圖	28
圖 25 二值化臨界值選用α的結果	30
圖 26 中值濾波訊框取N的結果	32
圖 27 膨脹_ELLIPSE	34
圖 28 膨脹_RECT	35
圖 29 膨脹_Cross	36
圖 30 追蹤輔助系統結果	39

表目錄
表 1 電腦硬體規格	26
表 2 Xtion Pro Live硬體規格	27
表 3 軟體環境規格表	27

[1]	del Rincón, Jesús Martínez, et al. "Tracking human position and lower body parts using Kalman and particle filters constrained by human biomechanics." Systems, Man, and Cybernetics, Part B: Cybernetics, IEEE Transactions on 41.1 (2011).
[2]	Martınez, J., et al. "Tracking human body parts using particle filters constrained by human biomechanics," British Machine Vision Conference (BMVC’08), Leeds, UK. 2008.
[3]	曾怡君. "以背景相減法實現工作空間人物存在判定." 臺北科技大學自動化科技研究所學位論文 2012 年 (2012).
[4]	Oikonomidis, Iason, Nikolaos Kyriazis, and Antonis Argyros. "Efficient model-based 3d tracking of hand articulations using Kinect," British Machine Vision Conference. 2011.
[5]	Xie, Min, et al. "A novel boiler flame image segmentation and tracking algorithm based on YCbCr color space," Information and Automation, 2009. ICIA'09. International Conference on. IEEE, 2009.
[6]	Zhao Yu-qian, Gui Wei-hua, Chen Zhen-cheng, Tang Jing-tian, Li Ling-yun, “Medical Images Edge Detection Based on Mathematical Morphology ,” Proceedings of the 2005 IEEE Engineering in Medicine and Biology 27th Annual Conference Shanghai, China, September, 2005
[7]	Canny, John. "A computational approach to edge detection." Pattern Analysis and Machine Intelligence, IEEE Transactions on 6 (1986)
[8]	Brubaker, Marcus A., David J. Fleet, and Aaron Hertzmann. "Physics-based person tracking using simplified lower-body dynamics," Computer Vision and Pattern Recognition, 2007. CVPR'07. IEEE Conference on. IEEE, 2007.