靜態(tài)圖像中的人體姿態(tài)估計研究.pdf

1、靜態(tài)圖像中的人體姿態(tài)估計是給定檢測圖像后根據(jù)行人檢測的結(jié)果確定人體不同部件的位置并得出方向、尺度信息，是后續(xù)行為理解的基礎(chǔ)。由于人體自身的靈活性加上背景的復(fù)雜性，使得人體姿態(tài)估計問題極具挑戰(zhàn)性。常用的特征有形狀特征和方向梯度直方圖（Histogram of Oriented Gradient。HOG）。人的形狀特征會隨著姿態(tài)的變化而不斷改變，又容易受到服飾的影響，而HOG特征計算復(fù)雜。對于一幅圖像，事先并不知道部件的位置，加上人體的姿態(tài)

2、千變?nèi)f化，所能采取的姿態(tài)極多，使得姿態(tài)搜索空間非常大。為了解決部件特征提取和姿態(tài)所搜索空間過大問題，本文的主要創(chuàng)新成果有：
　　1.針對模型本身在部件特征表達(dá)上的不足限制了姿態(tài)估計結(jié)果準(zhǔn)確度的問題，提出了一種基于圖結(jié)構(gòu)模型（Pictorial Structure。PS）和新型紋理特征的人體姿態(tài)估計算法。采用改進(jìn)后的外觀模型，訓(xùn)練獲得部件位置的先驗知識，聯(lián)系相鄰部件之間的配合關(guān)系，并將其應(yīng)用于測試圖像的外觀模型建模階段。應(yīng)用Haar

3、型LBP(HLBP)紋理特征，提取部件的紋理信息，對圖像進(jìn)行分塊處理，并為每一塊賦予不同的權(quán)重。實(shí)驗結(jié)果表明，帶權(quán)重的HLBP(Weighted HLBP。WHLBP)特征能更有效提取部件的紋理特征，與 HLBP特征、歸一化 HLBP特征和顏色特征相比能獲得更高的準(zhǔn)確度。
　　2.針對姿態(tài)估計過程中姿態(tài)搜索空間過大的問題，提出了一種基于簡單線性迭代聚類（Simple Linear Iterative Clustering。SLIC

4、）超像素算法的Grab cut減小姿態(tài)搜索空間算法。以行人檢測矩形框作為輸入，用SLIC算法分割得到超像素并用超像素作為s-t圖中的節(jié)點(diǎn)構(gòu)建圖模型，分別為前景和背景超像素建立混合高斯模型（Gaussian Mixture Model），迭代更新高斯參數(shù)，用最小割算法完成圖像前景提取。后續(xù)的姿態(tài)估計過程僅在得到的前景區(qū)域中進(jìn)行。實(shí)驗結(jié)果表明，基于SLIC的Grab cut算法與基于Grab cut算法的減小姿態(tài)搜索空間算法相比在運(yùn)行時間上