一种运动人体姿态估计的方法
【技术领域】
[0001] 本发明属于计算机视觉和模式识别的技术领域，具体地设及一种运动人体姿态估 计的方法。
【背景技术】
[0002] 人体姿态估计是计算机视觉领域的一个重要的研究方向。近十年来，自动识别图 像视频序列中的人体姿态问题一直是计算机视觉领域的研究热点。促使人体姿态估计成为 研究重点的主要原因还是电子设备的迅速发展W及由它所产生的巨大应用市场。有效的处 理和理解数据中的人体活动，将会为人类社会的发展带来深远影响。运动人体行为分析的 目的在于描述、识别和理解人体动作、人与人之间W及人与环境之间的交互行为，其在智能 视频监控、虚拟现实、安全、高级人机交互W及基于内容的图像存储与检索等方面具有广泛 的应用背景。
[0003] 人体的姿态表示维度有二维和=维两种。二维的人体姿态是指人体关节在图像二 维平面分布的一种描述，传统的二维图像的人体姿态估计受周围环境因素（衣服颜色、光 照）和遮挡的影响比较大，同时缺乏像素的空间位置信息。目前面向二维图像的人体姿态 估计方法中，基于图结构模型及其改进的方法占压倒性优势。图结构模型是用图模型结构 来表示部件之间的连接情况。图结构模型将人体分成多个刚体部件（头、躯干、一对上臂， 一对下臂，一对大腿，一对小腿等），各部位用一个矩形框来进行定位表示；两部件之间由 关节点相连（如图la)。对应人体部位的矩形框可W表示为向量
[0004] L= (x,y,r,s,w) (1)
[0005] 其中（X，y)表示矩形中屯、位置，r表示矩形相对于垂直方向所偏移的角度，s表示 矩形框的长度，W表示矩形框宽度。人体树形图模型（如图lb)可W表示为一个无向图
[0006] G= (V，巧似
[0007] 其中E为图中所有的边的集合，顶点集合V= {v^V2，V3，...，v。}中的各个元素分 别是对应人体刚性部位，若两个人体部位Vi和Vj.相连，则存在边（Vi，Vj.)GE。基于图模 型的人体姿态估计需要设计特征的表示、部件检测并处理复杂的拓扑结构。因此基于图模 型的方法不是一种非常高效的人体姿态估计方法。对于二维的人体姿态估计问题，2014年 AlexanderToshev等人提出了基于D順的人体姿态估计方法，该方法将人体姿态估计问 题形式化为关节点的回归问题。基于深度卷积神经网络的人体姿态估计存在显而易见的 缺陷；只是针对RGB图像，未使用深度数据，同时该方法使用的网络结构非常地复杂（如图 2)，训练效率低。
[000引 目前，S维人体姿态估计方法大致上可W分为两类。一类是WLorenArthur Schwarz等人提出的方法为代表的基于测地距离和光流的方法，该类算法的缺陷在于其对 于二级骨架点（肘部，膝盖，脖子，肩部，膀部）的定位采用比例法定位的方式，因此对于不 同体型的人效果不是很理想，同时应用光流的计算量较大很难满足实时性要求比较高的场 合。另一类方法是基于聚类的方法，WJamieShotton提出的基于随机森林的聚类方法为 代表，该类方法中每一个骨架点都是所有像素的回归值，模型复杂且需要大量的训练样本， 通过大量的有监督的训练过程才能够较为理想的确定像素对于每个骨架点的权重。
【发明内容】
[0009] 本发明的技术解决问题是；克服现有技术的不足，提供一种运动人体姿态估计的 方法，其能够准确地定位人体骨架点，有效地获取=维运动人体中更具表达力的特征，构建 更为有效、简单。
[0010] 本发明的技术解决方案是；该种运动人体姿态估计的方法，包括W下步骤：
[0011] (1)采用中值滤波的方法对深度图像数据进行预处理操作，采用基于测地距离的 迪杰斯特拉算法对人体像素进行部位标定；
[0012] (2)基于K-均值聚类算法的区域特征点提取算法，确定每个类内的聚类个数为3 个，提取32个姿态特征W表征不同的人体姿态；
[0013] (3)在训练阶段通过化serPro2012软件获得骨架点位置标注信息，合成300帖 虚拟人的姿态特征并标注了标准骨架点，通过训练样本的姿态特征点与标准骨架点，计算 姿态特征与骨架点的线性回归模型，W便得到姿态特征和标准骨架点之间的映射关系。
[0014] 本发明通过基于测地距离的单源点迪杰斯特拉算法能够非常准确地定位人体一 级骨架点（四肢和头）。为了能够更加方便有效的定位人体二级骨架点（脖子，肘，膝关节， 髓部）等，提出了基于聚类的特征提取方式，该种特征的选择方式通过寻求一种高效的特 征和骨架点之间的映射关系，使该方法具有更高的处理效率，能够准确的定位人体二级骨 架点。该方法从聚类的方式入手，能够有效的获取=维运动人体中更具表达力的特征，构建 更为有效、简单。
【附图说明】
[0015] 图la是人体结构，图化是图结构模型。
[0016] 图2是D順模型结构示意图。
【具体实施方式】
[0017] 该种运动人体姿态估计的方法，包括W下步骤：
[001引 （1)采用中值滤波的方法对深度图像数据进行预处理操作，采用基于测地距离的 迪杰斯特拉算法对人体像素进行部位标定；
[0019] (2)基于K-均值聚类算法的区域特征点提取算法，确定每个类内的聚类个数为3 个，提取32个姿态特征W表征不同的人体姿态；
[0020] (3)在训练阶段通过化serPro2012软件获得骨架点位置标注信息，合成300帖 虚拟人的姿态特征并标注了标准骨架点，通过训练样本的姿态特征点与标准骨架点，计算 姿态特征与骨架点的线性回归模型，W便得到姿态特征和标准骨架点之间的映射关系。
[0021] 本发明通过基于测地距离的单源点迪杰斯特拉算法能够非常准确地定位人体一 级骨架点（四肢和头）。为了能够更加方便有效的定位人体二级骨架点（脖子，肘，