[发明专利]融合改进的SILTP和局部方向模式的学习者姿态识别方法

说明书

一种融合改进的SILTP和局部方向模式的学习者姿态识别方法，由图像预处理、提取三尺度加权的自适应SILTP特征、提取改进的局部方向模式特征Fsubgt;LVR/subgt;、将三尺度加权自适应SILTP特征Fsubgt;MWA‑SILTP/subgt;和改进的局部方向模式特征Fsubgt;LVR/subgt;进行融合得到姿态识别的总特征Fsubgt;MWASILTP‑LVR/subgt;、采用支持向量机对学习者姿态分类识别组成。本发明在SILTP中采用自适应阈值，得到自适应SILTP，可动态生成适应于各样本的阈值，自适应性更强；并在SILTP中引入三尺度加权机制，将不同尺度的自适应SILTP以不同权重融合，具有较好的特征表征能力；在局部方向模式中融入方差VAR，充分利用图像的边缘梯度信息和灰度值变化强度；本发明具有抗干扰性强、识别率高等优点，可用于学习者姿态识别及其它图像识别和分类。

技术领域

本发明涉及图像处理和机器视觉技术领域，具体涉及一种融合改进的SILTP和局部方向模式的学习者姿态识别方法。

背景技术

随着互联网技术的发展和人工智能时代的到来，在线学习作为一种便捷新颖的学习方式，日益广泛地影响着我们的学习和工作。如何有效地评估数字化学习过程中学习者的行为状态成为日益重要的问题。对学习者学习过程中的姿态识别进而判断学习者的状态，可以实现学习过程的监测。学习者姿态识别能够有效地评价在线学习过程中学习者的学习状态，对分析和改善学习者的学习状态具有重要作用。

张鸿宇等人提出了一种基于深度图像的多学习者姿态识别的方法，首先通过Kinect的红外传感器获取包含深度信息的深度图像，利用深度图像进行人像－背景分离，然后提取人体的轮廓特征Hu矩，采用支持向量机分类器对轮廓特征进行分类和识别，实验表明这种方法能有效地识别学习者的举手、正坐和低头等姿态。Chu等人提出一种新的行人重识别框架，在水平和垂直方向上将放大后的图像划分为子区域，并提取图像局部区域的尺度不变局部三值模式(ScaleInvariantLocalTernary Pattern，SILTP)和HSV(Hue，Saturation，Value)特征进行行人重识别，降低了不匹配的风险，增加了对遮挡的鲁棒性。齐美彬等人提出一种改进特征与GPU(graphic processingunit)加速的行人检测算法，选取SILTP特征作为纹理特征，在GPU空间中并行提取，同时提取图像的HOG(histogramoforientedgradient)特征值，将提取的全部特征输出到CPU(centralprocessingunit)，利用支持向量机分类器实现行人检测。

上述学习者姿态识别模型采用Hu矩特征来描述学习者姿态特征，Hu矩不能完全提取图像中的信息，而且它们是非正交的，具有信息冗余性；上述行人重识别和行人检测模型采用传统SILTP进行特征提取，但传统SILTP并不稳定，在复杂背景的情况下，并不能很好地表征每个样本的纹理特征，自适应性不强。

发明内容

本发明针对已有技术的不足，提供一种抗干扰性强、识别率高的融合改进的SILTP和局部方向模式的学习者姿态识别方法。

解决上述技术问题所采用的技术方案由下述步骤组成：

(1)图像预处理

对学习者姿态图像进行尺度归一化处理，并将图像转化为灰度图像{G(p,q)}，p是灰度图像像素点的横坐标，q是灰度图像像素点的纵坐标，p、q均为正整数；

(2)提取三尺度加权的自适应SILTP特征

(2.1)根据全局和局部邻域对比度值的离散程度自动生成当前邻域的自适应阈值ε，并进行SILTP编码，得到自适应SILTP，自适应SILTP的表达式为