[发明专利]基于三维人体关键点的人体姿态分层分类方法

说明书

本发明属于计算机视觉识别技术领域，更具体地，涉及一种基于三维人体关键点的人体姿态分层分类方法。该方法包括以下步骤，S1、采用SVM分类器对人体的站立与非站立姿态进行分类；S2、对于非站立姿态，使用三维人体关键点数据，计算出人体躯干平面法向量，通过法向量方向区分平躺与俯卧两类姿态。

技术领域

本发明属于计算机视觉识别技术领域，更具体地，涉及一种基于三维人体关键点的人体姿态分层分类方法。

背景技术

根据输入数据的类型不同，可以将人体姿态分类划分为基于二维彩色图像的姿态分类和基于三维人体关键点的姿态分类。生物学家的研究表明人类可以仅通过观察人体的关键部位(例如头、肩、膝盖、腰等)的相对位置以及其运动来判断人体的姿态类别和动作，而不需要额外的外观信息[2]，即人体关键点估计可以有效地为人体姿态分类提供姿态类别信息。基于人体关键点的分类算法还可以避免由于图像光照变化和环境背景的影响造成的姿态分类错误。

在实际实验中，对于传统方法而言，仅使用关键点像素坐标信息作为特征不足以进行准确的分类。如图1所示，其中(a)图和(c)图分别为平躺和站立人体姿态，(b)图和(d)图为去除环境背景后站立与平躺人体姿态估计结果。由图可见，去掉人与环境的相对位置信息，仅根据估计的关键点像素坐标难以正确分类。

由于人体姿态的灵活性，人体姿态的微小变化都会使关键点产生较大的位置差异。除此之外，在本文中机器人与环境中的人的相对位置不确定，这导致在机器人移动的过程中，相机采集到的图片中的人体姿态会因为视角而发生变化。

对三种姿态进行分类：站立、平躺、俯卧。不同类别的姿态之间的差异体现在不同的特征维度上，难以使用相同的特征对这三种姿态进行分类。因此姿态分类的难点在于找到具有高鲁棒性和强判别性的分类特征。

发明内容

针对现有技术存在的技术问题，本发明提出了一种基于三维人体关键点的人体姿态分层分类方法，该方法能够对站立、平躺和俯卧三种姿态进行有效分类。

为实现上述目的，本发明提供了如下技术方案：

基于三维人体关键点的人体姿态分层分类方法，包括以下步骤，

S1、采用SVM分类器对人体的站立与非站立姿态进行分类；

S2、对于非站立姿态，使用三维人体关键点数据，计算出人体躯干平面法向量，通过法向量方向区分平躺与俯卧两类姿态。

本技术方案进一步的优化，所述步骤S1训练SVM分类器时，采用网格搜索法遍历设定的核函数和超参数，并通过在训练集与验证集上进行五折交叉验证来检验不同参数与核函数的分类性能，寻找最优的核函数与对应的超参数。

本技术方案更进一步的优化，所述核函数为线性核函数、多项式核函数或高斯核函数。

本技术方案更进一步的优化，所述核函数及超参数值如下：

本技术方案进一步的优化，所述步骤S1从得到的世界坐标系下人体关键点数据中选取头部和躯干上的关键点的z坐标作为SVM分类器的输入数据，Z＝{z₁,...,z₂},p＝7，

输入数据均值和方差分别为：

使用SVM分类器，求特征空间中的一个分离超平面w^Tx+b＝0，将计算得到的均值和方差作为样本特征，则样本数据集可表示为T＝{(x₁,y₁),...,(x_N,y_N)}，其中，为样本数据个数，y_i∈{-1,1}为样本类别标签，1和-1分别表示站立与非站立。