专利名称：一种基于决策树的多种人体姿态识别方法
技术领域：
本发明涉及智能视觉监控领域，实现智能监控系统中人体姿态的自动识别， 属于计算机视觉研究领域。
技术背景智能视觉监控系统主要用于那些对安全要求敏感的场合，如银行、机场、 仓库等无人值守的重要部门，目前监控摄像机在商业应用中已经普遍存在，但并没有充分发挥其实时主动的监控作用，因为它们通常是将摄像机的输出结果 记录下来，当异常情况发生后，工作人员再通过视频记录的结果观察发生的事实，但往往为时已晚，而我们需要的监控系统应该能够每天连续24小时的实时 监视，并自动分析摄像机捕捉的图像数据，当发现具有异常行为的可疑人体时， 系统能向保卫人员准确及时的发出警报，从而避免犯罪的发生。目前，囯内外的监控系统大多都是针对正常行走的人体进行监控的，而对 于哈腰与匍匐人体姿态的监控识别研究较少，并且国内外对人体姿态识别的研 究大多釆用对运动目标提取特征后利用神经网络或支持向量机进行分类的方 法。此种方法的分类性能取决于所选特征的好坏，对作为非刚体的多方位人体 姿态识别难度较大，往往会存在所提取的特征向量只能用于一种方位人体姿态 识别的情况，此外，此种方法的分类器对样本的数量要求较大，系统结构较为 复杂，不便于理解和设计。决策树，或称多级分类器，是模式识别中进行分类的一种有效方法，对于 多类目标识别问题，这种方法尤为方便。决策树系统具有把复杂问题分解为多 个简单分类问题的特点，它不是企图用一种算法、 一个决策规则去把多个类别 目标一次分开，而是釆用分级的形式，使分类问题逐步得到解决。基于决策树 的分类模型具有以下独特的优点(1) 决策树方法结构简单，生成便于人们理解的规则。(2) 决策树模型效率高，对分类目标较多的情况较为合适。(3) 决策树算法的计算量相对来说不是很大，并且速度较快，可满足实时 性要求。(4) 决策树算法不需要局限在处理数值型数据，在分支处可以采取灵活的 分类策略。(5) 决策树方法具有较高的分类精确度，它是指在数据库的各个对象中找 出共同特性，并按照分类模型把它们进行分类。由于决策树具有多分枝结构，不同分枝可以采用不同的算法规则，利用这 一特点发明了基于决策树的人体姿态识别系统。此系统具有把复杂分类问题分 解为多个简单分类问题的特点，同时可以把人的经验知识加入其中，采取小样 本就可设计实现，因此，基于决策树的人体姿态识别系统可以较好的完成多种 方位、多种人体姿态的识别任务。 发明内容本发明的目的是要采用一种简单的决策树来完成人体直立、哈腰、匍旬姿 态的识别。本发明是釆取以下的技术方案来实现的 一种基于决策树的多种人体姿态识别方法，包括 车辆与人体的区分；人体的判别；人体姿态的识别三个阶段。 步骤l:对运动目标进行预处理，应用决策树系统判断目标是否完全进入视 场内，完全进入后开始计算目标特征量。决策树系统利用矩形度与形状复杂度 变化率对目标进行车辆与人体的区分，用人体判别算法将人体目标及姿态粗略 的估计出来。步骤2、对目标进行双腿和头部搜索，从而完成人体判别，确定目标为人体 后再进一步对姿态进行识别。步骤3、决策树系统利用搜索到的人体腿部或头部位置进行姿态识别，完成 人体直立、哈腰、匍匐三种姿态的识别。其中，应用离心率区分识别匍旬人体与猫狗，避免对匍匍人体的误识别， 改进的横井法细化算法被用于双腿搜索算法的设计，人体结构也被用于头部搜 索匹配算法的设计。具体而言，决策树系统利用搜索运动的上下左右四个边界点与整幅图像边 界的位置关系来判断目标是否完全进入视场内。形状复杂度变化率区分车辆与人体。由于车辆运动 为刚体运动，车辆的形状趋近于矩形，且一般不发生变化，而人体运动为非刚体运动，形状和车体形状有一定差异，多帧之间形状变化较大，利用此种差异 可将人体与车辆区分出来。决策树系统利用宽高比将匍匐人体与直立、哈腰三种人体进行粗略估计，然 后利用人体判别算法判定人体，具体算法如下人体判别算法步骤S1:利用改进的横井法细化算法对目标进行细化。 人体判别算法步骤S2:对目标进行双腿搜索，搜索成功，则判别为人体。 人体判别算法步骤S3:如双腿搜索失败，则进行头部匹配，匹配成功，判 别为人体。人体双腿的搜索方法为先对目标进行细化，然后从底部搜索同行分开的两 点，并对其进行跟踪，如两条线段最终相交到一点，则确定找到双腿。下、左、右四个边界点，将人体头部区域标识出来，利用头部矩形度进行匹配。 所说的改进的横井法细化算法步骤为改进的横井法细化算法S1:按从左到右、从上到下的顺序，搜索1像素。 改进的横井法细化算法S2:判别图形表面像素，并加上标记。设上下表面像素和左右表面像素的标记分别为21和31。反复执行步骤S1、 S2,直至扫描结東。改进的横井法细化算法S3:判别线图形端点，当8邻点中0像素的个数为7 时，此点为端点，不能去除，该点值改为41。改进的横井法细化算法S4:搜索标记为21或31的点，如果/(,',y + i) = /(/,/), 并且/(/,/-1) = 0朋"2) = o ,或者满足= ，并且/(/-1,力=0朋#(/ + 2,力=0条件时，则把该点值改为41。否则判断下一步。改进的横井法细化算法S5:计算连接数脸。当脸=0，2，3,4时，因不满足保 持连接性条件，故不能去除，同样加标记41。当脸=1时，满足可去除条件，将 此l像素变为o像素。改进的横井法细化算法S6:最后一次扫描，将标记为41的像素全部改为1像素。决策树系统利用离心率进行匍匐人体与猫狗的识别，由于匍匐人体的离心率 较大，而狗的则较小，故利用离心率可提髙系统对匍匍人体的误识率。决策树系统利用搜索到的人体腿部或头部位置进行姿态识别，完成人体直 立、哈腰、匍匐三种姿态的识别。至此，基于决策树的多种人体姿态识别方法执行完毕。决策树系统结构图如图2所示。首先，系统计算目标的矩形度及形状复杂 度变化率，以此将车辆与其他目标区分出来，然后对车辆进行跟踪。接着，决 策树利用运动目标的宽高比粗略估计出人体目标及姿态，进而利用双腿搜索及 头部匹配等条件判定人体。最后，利用搜索到的头部及腿部位置对人体姿态进 行识别，通过多帧判别综合判定的方法最终确定目标种类及人体姿态。本发明专利的有益效果是解决了智能监控系统中多种方位人体姿态识别 方法较为复杂的问题，实现了利用决策树简单的特点构建人体识别系统的方法。
图1运动目标的预处理流程图;图2运动目标识别决策树；图3人体判别流程图；图4匍甸人体识别流程图；图5头部搜索匹配流程图；图6双腿搜索流程图；图7人体比例结构图；图8人体姿态识别示意图。
具体实施方式
下面结合具体实施方式
对本发明做进 一 步的详细说明。 具体实施例图1为运动目标的预处理流程图，当监控系统检测到运动目标之后，先对 其进行跟踪，然后对运动目标进行提取和分割，接着对运动目标进行预处理，预处理流程如图l所示，主要包括以下6个部分(1) 对提取的目标进行二值化处理。(2) 判断目标是否完全进入视场内。(3) 计算隔帧目标的复杂度变化率。(4) 计算目标的惯性主轴角度。(5) 判断目标是否需要旋转，以方便提取其最小外接矩形。(6) 计算目标的矩形度。图2为运动目标识别决策树，图3为人体判别流程图，图4为匍匍人体的识 别流程图，图5为头部搜索匹配流程图，图6为双腿搜索流程图，图7为人体 比例结构图，图8为人体姿态识别示意图。参照图2至图8所示，决策树利用搜索目标的四个边界点来判断目标是否 完全进入视场内， 一旦确定目标完全进入视场内后，则进行初始化搡作，然后 利用决策树对其分类。由于人体运动为非刚体运动，而车辆运动为刚体运动， 因此，决策树首先利用矩形度及形状复杂度变化率两种特征量将人体与车辆区 分出来。接着，对人体目标进行判定，判别方法为搜索人体的双腿或进行头部 匹配，人体双腿搜索算法的设计利用了细化后的人体目标，具体步骤为(1) 利用改进的横井法细化方法对运动目标进行细化。(2) 从底部向上寻找左右两边的边界点。 .(3)对左右两个边界点进行跟踪。(4) 判断每行所跟踪的两点是否相交。(5) 如果相交，确定双腿长度是否符合一定的人体比例，此处比例为 0. 285H-0. 72H。(6) 如果符合，则判定找到双腿。如果未搜索到双腿，则接着进行头部匹配，头部匹配算法的具体步骤为(1) 确定目标的外接矩形，并提取目标。(2) 搜索目标左右边界最高点，确定头部的偏向位置。(3) 利用人体比例结构确定头部所在空间。H)利用头部长宽比进行匹配，匹配值确定为0.8-1.2。 (5)匹配成功，则判定找到头部。如果双腿搜索成功或头部匹配成功，则确定运动目标为人体。最后，利用 搜索到的人体腿部或头部位置进行姿态识别，完成人体直立、哈腰、匍旬三种 姿态的识别。当运动目标为正面或背面哈腰人体时，头部匹配失败，由此而判 别出哈腰人体，解决了正面或背面哈腰人体较难判别这一难题。
上述具体实施方式
不以任何形式限制本发明的技术方案，凡是釆用等同替 换或等效变换的方式所获得的技术方案均落在本发明的保护范围。
权利要求
1、一种基于决策树的多种人体姿态识别方法，包括以下步骤对运动目标进行预处理，应用决策树系统判断目标是否完全进入视场内，完全进入后开始计算目标特征量；车辆与人体的区分；是否为人体的判别；人体姿态的识别。
2、 根据权利要求l所述的基于决策树的多种人体姿态识别方法，其特征在 于所述车辆与人体的区分是通过决策树系统利用矩形度与形状复杂度变化率对 目标进行车辆与人体的区分，用人体判别算法将人体目标及姿态粗略的估计出 来。
3、 根据权利要求l所述的基于决策树的多种人体姿态识别方法，其特征在 于所述人体的判别是通过对目标进行双腿搜索和头部搜索，从而完成人体判别， 并且利用离心率进行匍匐人体与猫狗的识别。
4、 根据权利要求1所述的基于决策树的多种人体姿态识别方法，其特征在 于所述人体姿态的识别是通过决策树系统利用搜索到的人体腿部或头部位置进 行姿态识别，完成人体直立、哈腰、匍匐三种姿态的识别。
5、 根据权利要求l所述的基于决策树的多种人体姿态识别方法，其特征在 于所述决策树系统判断目标是否完全进入视场内是决策树系统利用搜索运动的 上下左右四个边界点与整幅图像边界的位置关系来判断目标是否完全进入视场 内。
6、 根据权利要求2所述的基于决策树的多种人体姿态识别方法，其特征在 于所述人体判别算法的具体算法是步骤l:利用改进的横井法细化算法对目标进行细化；步骤2:对目标进行双腿搜索，搜索成功，则判别为人体；步骤3:如双腿搜索失败，则进行头部匹配，匹配成功，判别为人体。
7、 根据权利要求6所述的基于决策树的多种人体姿态识别方法，其特征在 于，所说的改进的横井法细化算法步骤是步骤l:按从左到右、从上到下的顺序，搜索l像素；步骤2:判别图形表面像素，并加上标记。设上下表面像素和左右表面像素 的标记分别为21和31。反复执行步骤S1、 S2，直至扫描结束；步骤3:判别线图形端点，当8邻点中0像素的个数为7时，此点为端点， 不能去除，该点值改为41;步骤4:搜索标记为21或31的点，如果/(w + ix(w'),并且— 1) = 0 ""d/(/j + 2) = 0 ,或者满足/(; + W) = /(/,乂)，并且— U) = 0 + 2,/) = 0条件时，则把该点值改为41。否则判断下一步；步骤5:计算连接数M;,当1 = 0,2,3,4时，因不满足保持连接性条件，故不能去除，同样加标记41。当脸=1时，满足可去除条件，将此1像素变为0像素； 步骤6:最后一次扫描，将标记为41的像素全部改为l像素。
8、根据权利要求6所述的基于决策树的多种人体姿态识别方法，其特征在于，所述人体双腿的搜索是先对目标进行细化，然后从底部搜索同行分开的两点，并对其进行跟踪，如两条线段最终相交到一点，则确定找到双腿；所述的人体头部匹配方法是利用人体比例结构确定头部位置，然后搜索上、下、左、右四个边界点，将人体头部区域标识出来，利用头部矩形度进行匹配。
全文摘要
本发明公布了一种基于决策树的多种人体姿态识别方法，包括以下步骤对运动目标进行预处理，判断目标是否完全进入视场内，完全进入后开始计算目标特征量；利用矩形度与形状复杂度变化率进行车辆与人体的区分，而目标宽高比将人体目标及姿态粗略的估计出来；对目标进行双腿和头部搜索，从而完成人体判别，确定目标为人体后再进一步对姿态进行识别；最后，利用人体腿部及头部的位置进行直立、哈腰、匍匐三种姿态的识别。本发明能对直立、哈腰、匍匐三种人体姿态进行识别，在智能监控、人体行为识别等方面具有重要应用意义。
文档编号G06K9/00GK101533467SQ20091003115
公开日2009年9月16日 申请日期2009年4月28日 优先权日2009年4月28日
发明者卢文涛, 吕东岳, 龙 周, 徐贵力, 李文跃, 汪凌燕, 琦 蒋, 非 谢 申请人:南京航空航天大学