[发明专利]基于动态时空信息挖掘的人体轮廓重构方法

摘要

本发明公开了一种基于动态时空信息挖掘的人体轮廓重构方法，通过连接人体轮廓测试样本和前几帧测试样本构建一个查询序列，采用非负矩阵分解的方法提取查询序列和已知的人体运动训练样本序列中各样本的形状描述子，根据形状描述子计算查询序列与训练样本序列的代价矩阵，再通过代价矩阵计算累积代价矩阵，根据累积代价矩阵的元素值确定最优子序列的末端点下标，再采用最优规整路径算法得到起始点下标，从而得到备选最优子序列，再通过预设阈值筛选最终的最优子序列，最后根据几个最优子序列中末端点样本进行加权拟合得到重构的人体轮廓图像。本发明通过构建查询序列引入时空信息，提高人体轮廓重构的准确性和鲁棒性。

主权项

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*)].]]>