[发明专利]一种基于监督局部子空间的人体姿态估计方法

摘要

该发明公开了一种基于监督局部子空间的人体姿态估计方法，属于计算机视觉技术领域，涉及人体姿态估计方法。该方法从稀疏和非均匀采样的训练集中建立局部线性模型，很好地解决了以往学习算法遭受的通用性和鲁棒性问题，减少了估计过程中受稀疏和非均匀训练样本对估计结果的影响。并且在算法训练过程中对基础算法进行了一定的改进，在保证精确度的同时，很大程度上提高了运算效率，因此它能更好地实现实时人体姿态估计的任务。

主权项

一种基于监督局部子空间的人体姿态估计方法，它包含以下步骤：步骤1：对需要进行人体姿态估计的原始图像，去除背景并得到人体轮廓信息，达到突出前景的作用；步骤2：对步骤1获得图像进行二值化，再对上述人体轮廓图片提取形状上下文特征，其中提取形状上下文特征的算法相关参数分别是采样点个数为200，圆形极坐标均分为12个扇形区域，半径分为5份；因此对于每一个训练样本，它所对应的形状上下文特征为一个60*200维矩阵即200个60维的形状上下文向量；步骤3：采用降维操作将每张图片的形状上下文特征降到100维获得图像特征X；步骤4：将步骤3获得的图像特征X通过姿态角度Θ进行局部子空间重构，具体公式为X=f(Θ)≈f(<c1,G1,θ^1>,...,<cm,Gm,θ^m>,Θ)]]>其中，f是人体姿态空间到图像特征空间的映射函数，是指第i个局部子空间对应的参数集合，是子空间的中心，是切线空间的主要成分，为第i个子空间中心所对应的人体姿态角度，m为子空间的数量，d为样本的输入特征维数；步骤5：将步骤4中的近似函数f(Θ)进行一阶泰勒展开；由某一局部子空间对每个训练样本进行重构，如果姿态角度为θp的训练样本xp在参数决定的子空间中，就将xp近似成:xp≈ci+Gi△θpi其中，同时定义且N(θp)表示邻近θp的子空间索引序号；步骤6:根据步骤5确定出该算法的误差函数为E(ci,Gi)=Σp=1nΣi∈Γpwpi2||xp-(ci+GiΔθpi)||22+λΣj=1mΣi∈Γjwji2||cj-(ci+GiΔθji)||22]]>其中第一项为每个训练样本(xp,θp)由近邻子空间重构所造成的重构误差的加权和，近邻子空间的选取依据是子空间中心所对应的姿态角度与θp欧氏距离的大小关系；第二项进行正则化，通过近邻子空间将每个子空间的均值进行重构；这个步骤确保了子空间参数的平稳变化，并且能够从稀疏的非均匀的数据中估计出来；其中λ＝(n/m)2是一个正则化参数，它等于训练样本个数n除以子空间个数m的平方，wpi定义了每个近邻子空间对数据样本重构的权重，具体公式为：wpi=ψ(θp,θ^i)Σq=1|Γp|ψ(θp,θ^q)]]>其中，是测量角度θp和之间相似性的正值函数，函数表达式为：ψ(θp,θ^i)=1||θp-θ^i||22]]>步骤7：令表示子空间的中心，表示子空间的基，其中d是输入的维数，在本专利中d为100，m为子空间的个数，之后采用闭合解算法优化计算得到C和G；步骤8：对于一个新的测试样本点的图像特征xt，为了提高效率；本算法采用如下两个步骤从子空间中确定该测试样本的近邻子空间：(1)首先找出2|Γt|个候选子空间；|Γt|为我们设定的近邻子空间个数，一般为2～16。这些子空间的中心ci在输入空间中最接近xt，然后根据公式算出θti，其中为选取出的某近邻子空间的基，为选取出的某近邻子空间的中心；θti表示对于一个新的测试数据点xt它根据子空间i重构所得到的姿态角度θti；(2)比较重构误差的大小，从2|Γt|个候选中选择出|Γt|个近邻子空间，并将最小重构误差所对应的θti，记作测试数据点xt对应的姿态角度θt0，其中重构误差的公式为：error=||xt-[ci+Gi(θti-θ^i)]||22]]>最后，最佳的θt通过最小化公式得到，其中权重wti由上述θt0算出，具体公式为最后可以得到测试样本点xt对应的最佳姿态角度θt：θt=(Σi∈Γtwti2GiTGi)-1Σi∈Γtwti2GiT(xt-ci+Giθ^i)]]>步骤9：将得到的θt解析成BVH格式的文本并表示成相应人体姿态图像。