[发明专利]基于分布式协同学习的人体运动跟踪方法

摘要

本发明公开了一种基于分布式学习的人体运动跟踪方法，主要解决现有技术训练所需硬件成本高，训练时间长，对大数据集无力的问题。其实现步骤是：（1）将视频分割成帧图像并从图像中提取人体部位框图；（2）用描述子提取框图中的人体特征；(3)将提取的特征用随机特征映射法映射到由映射向量所组成的空间中；(4)用训练样本的映射向量和真实姿态构成人体运动跟踪的模型，将该人体运动跟踪模型分割成多个子模型；（5）用多个学习机协同求解这多个子模型的公共解，利用该公共解估计测试样本的真实运动姿态。本发明与传统的人体运动跟踪方法相比，在达到相同的精度的前提下，具有硬件成本低，训练时间短的优点，可用于运动捕获、人机交互及视频监控。

主权项

1.一种基于分布式学习的人体运动跟踪方法，包括如下步骤：（1）输入待处理的真实姿态已知的训练视频和测试视频，并将其转换为连续单幅序列图，根据图像内容确定需要识别的主要人体目标图像区域，并用矩形框体将其提取出，再将由训练视频得到的和由测试视频得到的图像区域的大小统一转换为近似于人体运动比例的64×192像素的初始图像，分别作为训练样本和测试样本，训练样本的真实姿态用姿态矩阵表示，其中N_train是训练样本的个数，E是真实姿态的维数；（2）利用HoG描述子或Shift描述子，提取训练样本和测试样本的特征，得到训练样本的特征矩阵和测试样本的特征矩阵其中x_p表示训练样本的特征向量，p=1,2,...,N_train，x_q表示测试样本的特征向量，q=1,2,...,N_test，N_test为测试样本的个数，T表示矩阵的转置操作；（3）利用随机特征映射法将训练样本的特征矩阵X和测试样本的特征矩阵X_t投影到随机特征空间中，分别得到训练样本的映射矩阵Φ(X)=[Φ(x1)T,Φ(x2)T,···,Φ(xp)T,···,Φ(xNtrain)T]T]]>和测试样本的映射矩阵Φ(Xt)=[Φ(x1)T,Φ(x2)T,···,Φ(xq)T,···,Φ(xNtest)T]T,]]>其中Φ(x_p)和Φ(x_q)分别表示训练样本的特征向量x_p和测试样本的特征向量x_q在随机特征空间中的投影；（4）将训练样本的映射矩阵Φ(X)和与其对应的姿态矩阵Y构成人体运动跟踪模型：θ′=argminθ12||Y-Φ(X)θ||F2,]]>其中12||Y-Φ(X)θ||F2]]>是该模型所要最小化的目标函数，θ是目标函数的变量，||·||_F表示矩阵的Frobenius范数；（5）将人体运动跟踪模型θ′分割成N个同解子模型θc=argminθi12||Yi-Φ(Xi)θi||F2,]]>其中12||Yi-Φ(Xi)θi||F2]]>是第i个子模型所要最小化的目标函数，θⁱ是第i个子模型的目标函数的变量，Φ(Xⁱ)表示训练样本的映射矩阵Φ(X)的子矩阵，即Φ(X)=[Φ(X¹)^T,Φ(X²)^T,…,Φ(Xⁱ)^T,…,Φ(X^N)^T]^T，矩阵Yⁱ表示姿态矩阵Y的子矩阵，即Y=[(Y¹)^T,(Y²)^T,…,(Yⁱ)^T,…,(Y^N)^T]^T，i=1,2,...,N表示第i个子模型；（6）用N个学习机求解这N个子模型，即用一个学习机求解一个子模型，在求解过程中，N个学习机互相协同得到这N个子模型的公共解θ^c，并将此公共解θ^c作为人体运动跟踪模型θ′=argminθ12||Y-Φ(X)θ||F2]]>的解，即θ′=θ^c；（7）用测试样本的映射矩阵Φ(X_t)和人体运动跟踪模型的解θ′，计算测试样本所对应的真实三维运动姿态Y_t=Φ(X_t)θ′。