[发明专利]一种基于深度图像超像素联合特征的人体姿态估计方法

摘要

本发明公开一种基于深度图像超像素联合特征的人体姿态估计方法，以单幅包含人体的深度图像为输入数据，对深度图像进行人体姿态特征提取，应用特征对人体部位进行分割，对分割后的部位进行聚类操作，并应用于稀疏回归进行人体骨架点的位置估计。采用本发明的技术方案，提高人体姿态估计的准确率，并提升姿态估计方法的实时性。

主权项

一种基于深度图像超像素联合特征的人体姿态估计方法，其特征在于，包括以下步骤：步骤(1)μSLIC超像素划分采用带权值μ的简单线性迭代聚类(μSLIC)的方法来对深度图进行超像素操作，分为两个阶段：首先初始化阶段，对于深度图像I，把深度空间(u，v，d(u，v))转换获得对应的三维点云空间(x，y，z)，并把深度图像按δ×δ网格均匀划分为包含N_s个种子，把网格内的像素点添加到以种子点为中心的聚类中，并根据聚类中所有像素点的几何中心更新种子点的新位置；然后是迭代阶段：对于所有种子点，在其3δ×3δ的邻域范围内，根据距离D_s来度量像素与种子点的距离，把像素归到离其距离最近的种子点聚类中，并更新产生N_s个种子点的新位置，迭代以上步骤直到整个过程收敛或到达最大迭代步数N_i；步骤(2)SDDF+SGDF超像素联合特征的人体部位分割采用基于超像素深度差特征(SDDF)与超像素测地距离特征(SGDF)的联合特征(SDDF+SGDF)，对于一组以超像素χ_s的几何中心为圆心，半径Θ的圆形范围内随机均匀采样得到的一组偏移量在图像I上，联合N_SDDF个SDDF的值f_θ和N_SGDF个SGDF的值g_θ，得到关于超像素χ_s的维度为N_SDDF+N_SGDF的特征：$F_I\left({\mathrm{\χ}}_s\right)=\[f_{{\mathrm{\θ}}_1},f_{{\mathrm{\θ}}_2},\mathrm{...},f_{{\mathrm{\θ}}_{N_{SDDF}}},g_{{\mathrm{\θ}}_{N_{SDDF}+1}},g_{{\mathrm{\θ}}_{N_{SDDF}+2}},\mathrm{...},g_{{\mathrm{\θ}}_{N_{SDDF}+N_{SGDF}}}\]$1)基于超像素的深度差特征f_θ:对于深度图I中分割好的一个超像素χ_s，在其几何中心的半径为Θ的圆形范围内，通过随机均匀采样预先生成的一个偏移量θ，其深度差特征值为：$f_{\mathrm{\θ}}(I,{\mathrm{\χ}}_s)=d_I\left({\stackrel{\‾}{\mathrm{\χ}}}_s\right)-d_I({\stackrel{\‾}{\mathrm{\χ}}}_s+\frac{\mathrm{\θ}}{d_I\left({\stackrel{\‾}{\mathrm{\χ}}}_s\right)})$其中，d_I(·)表示取某个像素位置的深度值。2)基于超像素的测地距离特征g_θ：首先根据图像中分割好的包含前景的超像素构成一个无向图的结构，其中顶点就是这些前景超像素；然后根据两个规则决定是否在顶点间添加边，①假如两个超像素χ_i和χ_j有像素直接相邻，且相邻像素深度的差的绝对值小于δ_d,则在图中添加一条关于两个超像素的边，边的权值:$dist({\mathrm{\χ}}_i,{\mathrm{\χ}}_j)=\sqrt{{({\stackrel{\‾}{x}}_i-{\stackrel{\‾}{x}}_j)}^2+{({\stackrel{\‾}{y}}_i-{\stackrel{\‾}{y}}_j)}^2+{({\stackrel{\‾}{z}}_i-{\stackrel{\‾}{z}}_j)}^2}$