[发明专利]基于动态时空信息挖掘的人体轮廓重构方法

说明书

技术领域

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

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。

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 for Dynamic 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帧轮廓样本之间的关系。具体算法可参考文献[2]：D.Cremers,Nonlinear Dynamical Shape 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帧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 of Temporal Information,In Proc.of ICASSP,pp.1005-1008,2012。

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 DTW)算法。

发明内容

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。

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：