[发明专利]基于动态时空信息挖掘的人体轮廓重构方法

权利要求书

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,y₂,...y_M)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,...x_t,...,x_N)，N表示测试样本个数；对于第t个测试样本x_t∈X，连接该测试样本x_t和其前L-1个测试样本构建查询序列Q=(q1,q2,...,qL)=(xt-(L-1),...xt)⊆X;]]>

S2：采用非负矩阵分解的方法提取查询序列Q和训练样本序列Y中每个样本的形状描述子；

S3：进行基于子序列动态时间规整算法的时序数据匹配，具体步骤包括：

S3.1：计算查询序列Q与训练样本序列Y的代价矩阵C∈R^L×M，代价矩阵的元素其中表示查询序列Q中第i个样本q_i的形状描述子，i表示查询序列中样本序号，i＝1,2,...,L，表示训练样本序列Y中第j个样本y_j的形状描述子，j表示训练样本序号，j＝1,2,...,M；

S3.2：计算累积代价累积矩阵D∈R^L×M，计算方法为：

S3.3：根据累积代价矩阵D确定最优子序列的末端点样本序号：判断是否D(L,b^*)＜τ，τ表示预设的DTW距离阈值，如果是，进入步骤S3.4，如果不是，将样本邻域内的D(L,b′)都置为正无穷，其中b′∈[b^*-len:b^*+len]，len代表邻域大小，进入步骤S4；

S3.4：采用最优规整路径算法得到对应的起始点样本序号a^*，判断该子序列与查询序列的规整路径斜率是否大于预设阈值k_T，如果大于，则将该子序列作为最优子序列，否则舍弃该子序列；返回步骤S3.3；

S4：根据步骤S3得到的最优子序列进行测试样本x_t的人体轮廓重构，重构的人体轮廓图像根据下式得到：

x^t≈Σm=1rwmybm*]]>

其中，r表示得到的最优子序列个数，w_m表示归一化的权重，其计算公式为：

wm=exp[-c2(qL,ybm*)]Σm=1rexp[-c2(qL,ybm*)].]]>

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其中每一列代表一个形状列向量，是由训练样本序列y_j的二值轮廓图像拉成d×1的列向量，求解最小二乘优化问题得到基矩阵W：

minW,H||V-WH||Fs.t.W≥0,H≥0]]>

其中，W表示d×K的基矩阵，每一列代表一个基向量，K是预设的分解参数，表示分解得到的基向量个数；H表示K×M的系数矩阵；||·||_F表示求Frobenius范数；

S2.2：对于查询序列Q和训练样本序列Y中的每个样本，其形状描述子通过求解最小二乘问题得到：

minfA||VA-W·fA||2s.t.fA≥0]]>

其中，V_A表示样本A的形状列向量，f_A表示样本A的形状描述子。