一种图像处理中人体特征的提取方法及装置与流程

本发明涉及图像处理领域，尤其涉及一种图像处理中人体特征的提取方法及装置。

背景技术：

体感技术，不仅应用于游戏领域，还可用于安全保卫、健康医疗、娱乐购物等领域。总之，体感技术的发展，给人机交互方式带来革命性的改变。

体感技术通过识别人体的动作特征来操控体感设备，而在识别动作特征的过程中，需要提取人体各个部位的中心点。例如，在光学感测中，首先需要识别出人体，再划分出人体的各个部位(如头部、躯干部、肘部、手部等)，然后从各个部位中提取出中心点作为识别运动特征的参数。由此可见，人体部位中心点提取是体感技术中一项关键技术，中心点提取的准确性直接影响了对动作特征识别的准确性。而体感技术是体感设备操控人员通过肢体动作操控设备，那么对于部位中心点的提取速度便有要求。

在目前在体感技术中，能够满足实时处理速度需求的主要是型心法。型该方法的处理对象是人体影像，该方法将人体影像中属于同一个部位的每个像素点的坐标相加，再求平均值，然后把求得的平均值作为该部位的中心点。

然而，型心法提取中心点的准确性，严重受限于人体部位分类的准确性。这是由于目前采用的基于概率的人体部位分类技术中，部位的分类并不准确。通常，一个部位由属于该部位的概率值不为0的像素点组成，而在实际中，一个像素点往往属于若干个部位，因此，部位与部位之间并没有明确的界限。而型心法没有考虑部位分类不准确这一因素，又简单的仅以像素点的坐标为单一的参数，来提取中心点，导致中心点的提取结果的准确性有待提高。

技术实现要素：

本发明的目的是提供一种图像处理中人体特征的提取方法及装置，以克服相关技术中人体部位中心点提取准确性低的问题。

一方面，本发明提供一种图像处理中人体特征的提取方法，包括:

针对预先获取的人体影像，计算所述人体影像中的每个像素点属于各个人体部位的概率；

针对任一待提取中心点的人体部位，由属于所述人体部位的概率大于第一预设阈值的点组成所述人体部位的基础点集；

从所述基础点集中，获取概率大于第二预设阈值的点，形成生长点集，其中所述第二预设阈值大于所述第一预设阈值；

针对所述生长点集中的任一点，当该点满足预设条件时，执行以下操作：以该点为种子点，通过区域生长法获得与该种子点对应的种子区域；所述预设条件包括：未曾被选作为种子点、且不在任一种子点的种子区域中；

针对所述人体部位的每一个种子区域，将该种子区域中的每一个点的概率视为该点的密度、并根据该种子区域中每一个点的密度，以及每一个点在所述人体影像中的位置坐标，计算该种子区域的重心；

针对每一个种子区域的重心，根据所述基础点集中与该重心的像素距离小于等于第一预设距离的点的概率，计算该重心为所述人体部位的中心点的预测概率；

将基础点集中距离预测概率最大的重心最近的点，确定为所述人体部位的中心点。

另一方面，本发明还提供一种图像处理中人体特征的提取装置，所述装置包括：

概率计算模块，用于针对预先获取的人体影像，计算所述人体影像中的每个像素点属于各个人体部位的概率；

基础点集获取模块，用于针对任一待提取中心点的人体部位，由属于所述人体部位的概率大于第一预设阈值的点组成所述人体部位的基础点集；

生长点集确定模块，用于从所述基础点集中，获取概率大于第二预设阈值的点，形成生长点集，其中所述第二预设阈值大于所述第一预设阈值；

种子区域形成模块，用于针对所述生长点集中的任一点，当该点满足预设条件时，执行以下操作：以该点为种子点，通过区域生长法获得与该种子点对应的种子区域；所述预设条件包括：未曾被选作为种子点、且不在任一种子点的种子区域中；

重心计算模块，用于针对所述人体部位的每一个种子区域，将该种子区域中的每一个点的概率视为该点的密度、并根据该种子区域中每一个点的密度，以及每一个点在所述人体影像中的位置坐标，计算该种子区域的重心；

预测概率计算模块，用于针对每一个种子区域的重心，根据所述基础点集中与该重心的像素距离小于等于第一预设距离的点的概率，计算该重心为所述人体部位的中心点的预测概率；

中心点确定模块，用于将基础点集中距离预测概率最大的重心最近的点，确定为所述人体部位的中心点。

本发明至少具有以下有益效果：本发明实施例，引入属于待提取中心点的人体部位的概率作为提取中心点的参数，并通过种子点将属于人体部位的点划分至不同种子区域，然后根据种子区域，得出各种子区域的重心，再进一步根据重心的周围点的概率，确定出最有可能接近中心点的重心，使得最终获得的中心点与概率紧密联系，从而降低基于概率的部位分类技术分得的人体部位不准确对提取中心点的影响，提高提取中心点的准确性，并且本发明的提取中心点的方法简便，能够满足实时处理的处理速度需求。

应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本发明。

附图说明

图1为本发明实施例中图像处理中人体特征的提取方法的示例性流程图之一；

图2为本发明实施例中划分预设范围的示示意图；

图3为本发明实施例中图像处理中人体特征的提取方法的示例性流程图之二；

图4为本发明实施例中图像处理中人体特征的提取装置的示意图之一；

图5为本发明实施例中图像处理中人体特征的提取装置的示意图之二。

具体实施方式

以下结合附图对本发明的实施例进行说明，应当理解，此处所描述的实施例仅用于说明和解释本发明，并不用于限定本发明。

这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本发明相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本发明的一些方面相一致的装置和方法的例子。

针对现有技术中型心法虽然处理速度快，能够满足实时处理速度的需求，但该方法提取的人体部位的中心点准确性有待提高的问题，本发明实施例提供一种图像处理中人体特征的提取方法，用于提取人体部位的中心点，该方法相对型心法不仅能够提高提取中心点的准确性，还能够满足实时处理要求处理速度快的需求。

首先，本发明实施例提供的图像处理中人体特征的提取方法，将人体影像中的点属于待提取中心点的人体部位的概率考虑进来，用于确定人体部位中心点的位置，从而能够降低部位分类不准确对提取中心点的影响，从而能够提高提取人体部位的中心点的准确性。

此外，本发明实施例中，在根据概率提取人体部位的中心点之前，先对属于该人体部位的点进行预处理，例如滤除概率小的点和孤立的点，通过减少参与提取中心点的点的数量，降低计算量，能够提高提取中心点的速度，通过滤除属于人体部位的概率小的点还能够提高提取中心点的准确性。

下面通过简单的实施例，对本发明实施例中图像处理中人体特征的提取方法进行详细说明。

实施例一

如图1所示，为本发明实施例提供的图像处理中人体特征的提取方法的示例性流程图，该方法包括以下步骤：

步骤101：针对预先获取的人体影像，计算所述人体影像中的每个像素点属于各个人体部位的概率。

步骤102：针对任一待提取中心点的人体部位，由属于所述人体部位的概率大于第一预设阈值的点组成所述人体部位的基础点集。

步骤103：从所述基础点集中，获取概率大于第二预设阈值的点，形成生长点集，其中所述第二预设阈值大于所述第一预设阈值。

步骤104：针对所述生长点集中的任一点，当该点满足预设条件时，执行以下操作：以该点为种子点，通过区域生长法获得与该种子点对应的种子区域；所述预设条件包括：未曾被选作为种子点、且不在任一种子点的种子区域中。

步骤105：针对所述人体部位的每一个种子区域，将该种子区域中的每一个点的概率视为该点的密度、并根据该种子区域中每一个点的密度，以及每一个点在所述人体影像中的位置坐标，计算该种子区域的重心。

其中，在一个实施例中可以根据如下公式(1)计算种子区域的重心：

$\mathrm{Xc}=\frac{\mathrm{\Σ}{G}_i*X_i}{G}$其中，G＝ΣG_i (1)

$\mathrm{Yc}=\frac{\mathrm{\Σ}{G}_i*Y_i}{G}$

其中，在公式(1)中，X_i表示种子区域第i个点的横坐标；Y_i表示种子区域第i个点的纵坐标；G_i表示种子区域第i个点的概率；Xc表示种子区域的重心的横坐标；Yc表示种子区域的重心的纵坐标；G表示种子区域的所有点的概率之和；*表示求乘积。

步骤106：针对每一个种子区域的重心，根据所述基础点集中与该重心的像素距离小于等于第一预设距离的点的概率，计算该重心为所述人体部位的中心点的预测概率。

步骤107：将基础点集中距离预测概率最大的重心最近的点，确定为所述人体部位的中心点。

下面，对上述各步骤进行详细说明：

1)、其中，步骤104中通过区域生长法获得与该种子点对应的种子区域，具可具体执行为：从所述基础点集中，获取概率大于第三预设阈值、且与所述种子点的像素距离小于第二预设距离的点，形成种子区域；其中，所述第三预设阈值小于所述第二预设阈值。

其中，为便于理解种子区域的形成过程，下面通过步骤A1至步骤A2对该过程进行举例说明：

步骤A1：获得生长点集后，从生长点集中任选一点，作为种子点，从属于所述人体部位的基础点集中，获取概率大于第三预设阈值、且以在所述人体影像中的位置为基准、与种子点的像素距离小于第二预设距离的点，形成种子点的种子区域。

步骤A2：然后对于生长点集中的任一点，当该点未曾被选作为种子点、且不在已选做种子点的种子区域中时，将该点作为种子点，从属于所述人体部位的基础点集中，获取概率大于第三预设阈值、且以在所述人体影像中的位置为基准、与种子点的像素距离小于第二预设距离的点，形成种子点的种子区域。

其中，当种子点集中不存在未曾选作为种子点且不在任一种子点的种子区域中的点时，种子区域的划分才完成。

其中，以在所述人体影像中的位置为基准、与种子点的像素距离小于第二预设距离的点例如是：根据种子点在人体影像中的位置，从基础点集中，查找到的与种子点的像素距离为预设像素点的点。

2)、其中步骤106可具体执行为以下步骤：

步骤B1：针对每一个种子区域的重心，从所述基础点集中获取与该重心的像素距离小于等于第一预设距离的点的概率。

步骤B2：计算与该重心的像素距离小于等于第一预设距离的点的概率的和，将计算的和作为该重心的预测概率。

其中，以概率的和值作为重心的预测概率，能够简单方便的计算该重心为人体部位的中心点的概率大小，提高计算速度。

其中，当然也可以采用其它方法计算各重心的预测概率，例如，当预设范围为以重心为中心、以n(n为正整数)个像素点的距离为半径的圆形区域时，将该圆形区域按照距离重心的远近划分为预设数量的圆环形区域。例如，如图2所示，当n为3时，将第一预设距离按照以重心O为中心，分别以1个像素点、2个像素点和3个像素点的距离为半径的圆，将第一预设距离的范围划分出3个圆环形区域，这三个圆环形区域分别为区域1、区域2(图2中黑色标识的圆环形区域)和区域3。然后为各区域设置权重，其中，区域1表示距离重心最近，则该区域对应的权值最大，区域3距离重心最远，则区域3的权值最小。对预设范围内的任一点，将该点属于人体部位的概率乘以该点所在区域的权值作为该点的新概率，然后将预设范围内的各点的新概率的和作为重心的预测概率。由于距离重心越近权重越大，这样能够增加中心周围的点的概率的作用。当然，也可以使用其它方法计算重心为人体部位的中心点的预测概率，本发明对此不做限定。

3)、其中，步骤107中，当预测概率最大的重心为基础点集中的点时，基础点集中距离该重心最近的点即是重心本身。即步骤107中包括将预测概率最大的重心作为基础点集的重心的情况，由此，通过步骤107，最终获得的中心 点都能够在人体部位上。这样，即使基于概率的部位分类技术分割的部位不准确(例如、即使由于环境或衣着的影响，一个部位被分割成至少两部分，或者由于受动作的影响，一个部位中间出现空洞时)，根据步骤107确定的中心点都能够落在人体部位上，从而提高确定中心点的准确性。

4)、为了简化计算，并优化用于提取中心点的基础点集，本发明实施例中，在步骤103形成生长点集之前，还可以滤除所述基础点集中，与所述人体部位的其它点不相邻的点。这样，不仅可以减少用于提取中心点的数据量，还能够优化用于提取中心点的基础数据，从而提高提取中心点的准确性。

综上，本发明实施例，引入属于待提取中心点的人体部位的概率作为提取中心点的参数，并通过种子点将属于人体部位的点划分至不同种子区域，然后根据种子区域，得出各种子区域的重心，再进一步根据重心的周围点的概率，确定出最有可能接近中心点的重心，使得最终获得的中心点与概率紧密联系，从而降低基于概率的部位分类技术分得的人体部位不准确对提取中心点的影响，提高提取中心点的准确性，并且本发明的提取中心点的方法简便，能够满足实时处理的处理速度需求。

实施例二

如图3所示，以提取头部的中心点为例，对本发明实施例中提供的图像处理中人体特征的提取方法进行说明，该方法包括以下步骤：

步骤301：在预先获取的人体影像中，获取属于头部的概率不为0的点，形成头部的初始点集。

步骤302：滤除初始点集中，概率小于第等于第一预设阈值的点，并滤除与头部的其它点不相邻的点，形成基础点集。

步骤303：从所述基础点集中，获取概率大于第二预设阈值的点，形成生长点集。

步骤304：针对所述生长点集中的任一点，当该点满足预设条件时，执行以下操作：以该点为种子点，通过区域生长法获得与该种子点对应的种子区域； 所述预设条件包括：未曾被选作为种子点、且不在任一种子点的种子区域中。

步骤305：针对所述头部的每一个种子区域，将该种子区域中的每一个点的概率视为该点的密度、并根据该种子区域中每一个点的密度，以及每一个点在所述人体影像中的位置坐标，计算该种子区域的重心。

步骤306：针对每一个种子区域的重心，从所述基础点集中获取与该重心的像素距离小于等于第一预设距离的点的概率，并计算获取的点的概率的和，将计算的和作为该重心为头部的中心点的预测概率。

步骤307：将基础点集中距离预测概率最大的重心最近的点，确定为头部的中心点。

本发明实施例，通过根据属于头部的概率，和属于头部的点的位置坐标提取出头部的中心点，从而能够降低部位分类不准确对提取中心点的影响，提高提取中心点的准确性。

实施例三

基于相同的发明构思，本发明实施例还提供一种图像处理中人体特征的提取装置，如图4所示，所述装置包括：

概率计算模块401，用于针对预先获取的人体影像，计算所述人体影像中的每个像素点属于各个人体部位的概率；

基础点集获取模块402，用于针对任一待提取中心点的人体部位，由属于所述人体部位的概率大于第一预设阈值的点组成所述人体部位的基础点集；

生长点集确定模块403，用于从所述基础点集中，获取概率大于第二预设阈值的点，形成生长点集，其中所述第二预设阈值大于所述第一预设阈值；

种子区域形成模块404，用于针对所述生长点集中的任一点，当该点满足预设条件时，执行以下操作：以该点为种子点，通过区域生长法获得与该种子点对应的种子区域；所述预设条件包括：未曾被选作为种子点、且不在任一种子点的种子区域中；

重心计算模块405，用于针对所述人体部位的每一个种子区域，将该种子 区域中的每一个点的概率视为该点的密度、并根据该种子区域中每一个点的密度，以及每一个点在所述人体影像中的位置坐标，计算该种子区域的重心；

预测概率计算模块406，用于针对每一个种子区域的重心，根据所述基础点集中与该重心的像素距离小于等于第一预设距离的点的概率，计算该重心为所述人体部位的中心点的预测概率；

中心点确定模块407，用于将基础点集中距离预测概率最大的重心最近的点，确定为所述人体部位的中心点。

其中，在一个实施例中，所述种子区域形成模块，具体用于从所述基础点集中，获取概率大于第三预设阈值、且与所述种子点的像素距离小于第二预设距离的点，形成种子区域；其中，所述第三预设阈值小于所述第二预设阈值。

其中，在一个实施例中，如图5所示，所述装置还包括：

滤除模块408，用于所述生长点集确定模块从所述基础点集中，获取概率大于第二预设阈值的点，形成生长点集之前，滤除所述基础点集中，与所述人体部位的其它点不相邻的点。

其中，在一个实施例中，如图5所示，所述预测概率计算模块406，具体包括：

概率获取单元409，用于针对每一个种子区域的重心，从所述基础点集中获取与该重心的像素距离小于等于第一预设距离的点的概率；

预测概率计算单元410，用于计算与该重心的像素距离小于等于第一预设距离的点的概率的和，将计算的和作为该重心的预测概率。

关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。

本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、 CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。

显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。