基于动态时空信息挖掘的人体轮廓重构方法
【专利摘要】本发明公开了一种基于动态时空信息挖掘的人体轮廓重构方法，通过连接人体轮廓测试样本和前几帧测试样本构建一个查询序列，采用非负矩阵分解的方法提取查询序列和已知的人体运动训练样本序列中各样本的形状描述子，根据形状描述子计算查询序列与训练样本序列的代价矩阵，再通过代价矩阵计算累积代价矩阵，根据累积代价矩阵的元素值确定最优子序列的末端点下标，再采用最优规整路径算法得到起始点下标，从而得到备选最优子序列，再通过预设阈值筛选最终的最优子序列，最后根据几个最优子序列中末端点样本进行加权拟合得到重构的人体轮廓图像。本发明通过构建查询序列引入时空信息，提高人体轮廓重构的准确性和鲁棒性。
【专利说明】基于动态时空信息挖掘的人体轮廓重构方法
【技术领域】
[0001]本发明属于计算机视觉【技术领域】，更为具体地讲，涉及一种基于动态时空信息挖掘的人体轮廓重构方法。
【背景技术】
[0002]人体形状轮廓重构是图像处理和计算机视觉领域中一个很重要并极富挑战性的问题。它的目标是从带有噪音干扰的数据中将原始信号恢复出来。一个有效的解决方案是挖掘人体轮廓序列中潜在的时空结构信息，并利用这些信息寻找最优的模板用于数据重构。
[0003]目前很多研究工作围绕人体轮廓的分析进行展开。基于流形学习(ManifoldLearning)的方法通过对训练样本非线性降维学习出一个低维的流形空间，针对一个测试样本，找到其在低维流形上对应的最近邻点并反投影到原始空间进行重构。具体算法可参考文献：A. Elgammal and C. S. Lee, Nonlinear Manifold Learning forDynamic Shape and Dynamic Appearance, In Computer Vision and Image Understanding, vol. 106，pp. 31-46，2007.值得注意的是，该类方法在进行降维和寻找最近邻的时候没有考虑样本的时序信息。实际上，为了提高鲁棒性，越来越多的学者在他们的方法中引入时间约束。Cremers通过引入自回归（autoregression)模型建立当前轮廓和前几中贞轮廓样本之间的关系。具体算法可参考文献[2] :D. Cremers, Nonlinear DynamicalShape Priors for Level Set Segmentation, In Proc. IEEE Conf. Compu. Vision. Patte.Recog.，pp. 1-7，2007。Zhou等人通过连接当前测试样本和其前几巾贞样本构建一个子序列，并寻找其中每个样本的最近邻模板集，将重构问题转化成寻找连接这些模板集的最短路径问题。该方法并没有只单独考虑测试样本，而把子序列当成一个整体，通过进行时序序列匹配来提高对噪音的鲁棒性。具体算法可参考文献[3]:X.Zhou，X.Li，T. J.Chin and
D.Suter, Adaptive Human Silhouette Reconstruction Based on the Exploration ofTemporal Information, In Proc. of ICASSP, pp. 1005-1008，2012。
[0004]对于时序数据匹配,动态时间规整算法（Dynamic Time Warping, DTW)是一种非常有效的比较并对齐两个时间序列的方法。DTW算法最早起源于语音处理，现在已经成功应用于形状检索、匹配、分类等领域。在很多实际应用中，往往存在两个长度不等的序列，一个是长的训练序列，另外一个是短的查询序列，需要从一个长序列中找到其中一段子序列和查询序列最相似，这种情况下不需要将两个不等长序列全局进行对齐（首尾对应点分别对齐）。该算法是传统DTW算法的变形，称之为子序列DTW(Subsequence DTff)算法。
【发明内容】
[0005]本发明的目的在于克服现有技术的不足，提供一种基于动态时空信息挖掘的人体轮廓重构方法，通过挖掘轮廓时序数据中空间和时间维度上内在的结构特性，将人体轮廓从噪音干扰的数据中准确恢复出来。[0006]为实现上述发明目的，本发明基于动态时空信息挖掘的人体轮廓重构方法，其特征在于包括：
[0007]SI :人体运动训练样本序列Y = (Y1, J2,... yM)为一组已知的人体轮廓图像样本,M表示训练样本个数，采集实际人体运动过程中的图像并提取每帧图像的人体轮廓得到测试序列X = (X1, X2,... xt,, χΝ)，N表示测试样本个数；对于第t个测试样本xt e X,连接该
测试样本xt和其前L-I个测试样本构建查询序列
【权利要求】
1.一种基于动态时空信息挖掘的人体轮廓重构方法，其特征在于，包括以下步骤： S1:人体运动训练样本序列Y = (Y1,12,... yM)为一组已知的人体轮廓图像样本，M表示训练样本个数，采集实际人体运动过程中的图像并提取每帧图像的人体轮廓得到测试序列X = (X1, x2，... xt,...，xN) ,N表示测试样本个数；对于第t个测试样本xt e X,连接该测试样本xt和其前L-I个测试样本构建查询序列
2.根据权利要求1所述的人体轮廓重构方法，其特征在于，所述步骤S2中样本的形状描述子的提取方法包括以下步骤：S2.1:根据训练样本序列Y得到非负的形状训练数据矩阵厂=-Vy,)，其中每一列}f=1代表一个形状列向量，是由训练样本序列yj的二值轮廓图像拉成dX I的列向量，求解最小二乘优化问题得到基矩阵W ：
【文档编号】G06K9/62GK103778439SQ201410030682
【公开日】2014年5月7日 申请日期:2014年1月23日 优先权日:2014年1月23日
【发明者】周雪, 邹见效, 徐红兵 申请人:电子科技大学