一種多分類器姿勢識別方法及裝置的制造方法
【技術領域】
[0001] 本發(fā)明涉及人機交互領域,具體涉及一種多分類器姿勢識別方法及裝置。
【背景技術】
[0002] -般姿勢識別是人機交互的關鍵技術之一,目前主要采用基于機器學習的姿勢識 別方法,如利用部件識別的方法識別出人體的各個部分,如四肢、頭部等部分,再將各個部 件連接起來構成人體姿勢。為了保障機器學習方法的性能往往需要大量的訓練樣本進行訓 練。
[0003] 當前采用單一分類器進行大規(guī)模訓練,這種方式既需要大量的訓練資源(如內(nèi)存 和訓練時間的消耗),又難以保證訓練后分類器的性能。
【發(fā)明內(nèi)容】
[0004] 由于當前的單一分類器姿勢識別方法既需要大量的訓練資源,又難以保證訓練后 分類器的性能,本發(fā)明提出一種多分類器姿勢識別方法及裝置。
[0005] 第一方面,本發(fā)明提出一種多分類器姿勢識別方法,包括:
[0006] S1、根據(jù)K-means聚類算法,得到所有樣本輪廓點特征的分布中心,對所述分布中 心進行投影,得到第一直方圖,并根據(jù)所述第一直方圖和待識別圖像的輪廓點特征,得到待 識別圖像對應的第二直方圖;
[0007] S2、計算所述第二直方圖與樣本庫中每個分類器對應的直方圖的相似度,按照相 似度值從大到小對所有分類器進行排序,并根據(jù)相似度閾值獲取排序后的分類器中前N個 分類器,N為大于0的整數(shù);
[0008] S3、根據(jù)所述前N個分類器的姿勢模型和所述前N個分類器中每個分類器的權值, 得到姿勢檢測函數(shù);所述姿勢檢測函數(shù)即為待識別圖像的姿勢對應的函數(shù)。
[0009] 優(yōu)選地,步驟S1之前包括:
[0010] S0、根據(jù)輪廓點特征對樣本庫中的所有圖像進行聚類,得到若干個分類器,并對每 個分類器中的所有圖像對應的直方圖進行處理,得到每個分類器對應的直方圖。
[0011] 優(yōu)選地,步驟S1包括:對所述分布中心進行軟投影。
[0012] 優(yōu)選地,步驟S4包括:對所有分類器對應的直方圖的相似度進行歸一化處理,得到 所有分類器對應的直方圖的相似度權值。
[0013] 優(yōu)選地,步驟S5包括:所述姿勢檢測函數(shù)為:
[0015] 其中,Ck表示排序后的分類器中第k個分類器,I表示待識別圖片,X表示姿勢模型, q(X|ck,I)表示第k個分類器的姿勢函數(shù),p(ck|l)表示第k個分類器的相似度權值。
[0016] 第二方面,本發(fā)明還提出一種多分類器姿勢識別裝置,包括:
[0017] 特征對齊模塊,用于根據(jù)K-means聚類算法,得到所有樣本輪廓點特征的分布中 心,對所述分布中心進行投影,得到第一直方圖,并根據(jù)所述第一直方圖和待識別圖像的輪 廓點特征,得到待識別圖像對應的第二直方圖;
[0018] 相似度計算模塊,用于計算所述第二直方圖與樣本庫中每個分類器對應的直方圖 的相似度,按照相似度值從大到小對所有分類器進行排序,并根據(jù)相似度閾值獲取排序后 的分類器中前N個分類器,N為大于0的整數(shù);
[0019] 姿勢識別模塊,用于根據(jù)所述前N個分類器的姿勢模型和所述前N個分類器中每個 分類器的權值,得到姿勢檢測函數(shù);所述姿勢檢測函數(shù)即為待識別圖像的姿勢對應的函數(shù)。
[0020] 優(yōu)選地,還包括:
[0021]分類器直方圖獲取模塊,用于根據(jù)輪廓點特征對樣本庫中的所有圖像進行聚類, 得到若干個分類器,并對每個分類器中的所有圖像對應的直方圖進行處理,得到每個分類 器對應的直方圖。
[0022] 優(yōu)選地,所述特征對齊模塊還用于對所述分布中心進行軟投影。
[0023] 優(yōu)選地,所述相似度計算模塊還用于對所有分類器對應的直方圖的相似度進行歸 一化處理,得到所有分類器對應的直方圖的相似度權值。
[0024] 優(yōu)選地,所述姿勢識別模塊中的所述姿勢檢測函數(shù)為:
[0026] 其中,Ck表示排序后的分類器中第k個分類器,I表示待識別圖片,X表示姿勢模型, q (X | ck,I)表不第k個分類器的姿勢函數(shù),p(ck|l)表不第k個分類器的相似度權值。
[0027] 由上述技術方案可知,本發(fā)明通過使用對齊特征進行訓練樣本聚類,并對人體姿 勢輪廓進行描述,既可以有效控制子模型的復雜度又可以實現(xiàn)對表觀相似性樣本的聚集從 而提高模型學習的有效性,同時滿足海量數(shù)據(jù)的訓練學習任務,有效提高姿勢識別方法的 性能。
【附圖說明】
[0028] 為了更清楚地說明本發(fā)明實施例或現(xiàn)有技術中的技術方案,下面將對實施例或現(xiàn) 有技術描述中所需要使用的附圖作簡單地介紹,顯而易見地,下面描述中的附圖僅僅是本 發(fā)明的一些實施例,對于本領域普通技術人員來講,在不付出創(chuàng)造性勞動的前提下,還可以 根據(jù)這些圖獲得其他的附圖。
[0029] 圖1為本發(fā)明一實施例提供的一種多分類器姿勢識別方法的流程示意圖;
[0030] 圖2為本發(fā)明一實施例提供的一種多分類器姿勢識別方法的特征對齊方法;
[0031] 圖3為本發(fā)明一實施例提供的一種多分類器姿勢識別方法的姿勢推理方法;
[0032] 圖4為本發(fā)明一實施例提供的一種多分類器姿勢識別方法的流程圖;
[0033] 圖5為本發(fā)明一實施例提供的一種多分類器姿勢識別裝置的結構示意圖。
【具體實施方式】
[0034]下面結合附圖,對發(fā)明的【具體實施方式】作進一步描述。以下實施例僅用于更加清 楚地說明本發(fā)明的技術方案,而不能以此來限制本發(fā)明的保護范圍。
[0035]圖1示出了本實施例提供的一種多分類器姿勢識別方法的流程示意圖,包括:
[0036] SI、根據(jù)K-means聚類算法,得到所有樣本輪廓點特征的分布中心,對所述分布中 心進行投影,得到第一直方圖,并根據(jù)所述第一直方圖和待識別圖像的輪廓點特征,得到待 識別圖像對應的第二直方圖;
[0037] S2、計算所述第二直方圖與樣本庫中每個分類器對應的直方圖的相似度,按照相 似度值從大到小對所有分類器進行排序,并根據(jù)相似度閾值獲取排序后的分類器中前N個 分類器,N為大于0的整數(shù);
[0038] S3、根據(jù)所述前N個分類器的姿勢模型和所述前N個分類器中每個分類器的權值, 得到姿勢檢測函數(shù);所述姿勢檢測函數(shù)即為待識別圖像的姿勢對應的函數(shù)。
[0039] 本實施例通過采用多分類器的樣本庫,既可以有效控制子模型的復雜度又可以實 現(xiàn)對表觀相似性樣本的聚集從而提高模型學習的有效性,同時滿足海量數(shù)據(jù)的訓練學習任 務,有效提高姿勢識別方法的性能。
[0040] 作為本實施例的優(yōu)選方案,步驟S1之前包括:
[0041] S0、根據(jù)輪廓點特征對樣本庫中的所有圖像進行聚類,得到若干個分類器,并對每 個分類器中的所有圖像對應的直方圖進行處理,得到每個分類器對應的直方圖。
[0042] 通過采用多分類器的方式,可以有效控制子模型的復雜度又可以實現(xiàn)對表觀相似 性樣本的聚集從而提高模型學習的有效性;通過建立每個分類器的直方圖,可以便于待檢 測圖片快速檢測到與其最為相似的分類器。
[0043] 進一步地,步驟S1包括:對所述分布中心進行軟投影。
[0044]軟投影技術是一種常見降噪方式,廣泛的應用于H0G,sift等特征的直方圖統(tǒng)計 中。
[0045] 具體地,步驟S3包括:采用平均值方法對每個分類器中的所有圖像的直方圖進行 處理。
[0046] 平均值方法是一種簡單有效的處理方法,對所有分類器的直方圖進行累加并取平 均后,用來表示該分類器中圖像的平均輪廓點特征。也可以使用其它處理方法。
[0047] 進一步地,步驟S4包括:對所有分類器對應的直方圖的相似度進行歸一化處理,得 到所有分類器對應的直方圖的相似度權值。
[0048]對相似度進行歸一化處理,便于后續(xù)設定統(tǒng)一閾值,該閾值用于選取姿勢檢測函 數(shù)中的分類器。
[0049]更進一步地,步驟S5包括:所述姿勢檢測函數(shù)為:
[0051] 其中,ck表示排序后的分類器中第k個分類器,I表示待識別圖片,X表示姿勢模型, q (X | ck,I)表不第k個分類器的姿勢函數(shù),p(ck|l)表不第k個分類器的相似度權值。
[0052] 姿勢檢測函數(shù)通過將排序后的分類器中每個分類器的姿勢函數(shù)與其對應的相似 度權值結合考慮,將兩者相乘,更加客觀地選擇與待識別圖像最為接近的姿勢。
[0053]圖2示出了本實施例提供的一種多分類器姿勢識別方法的特征對齊方法:每一個 輪廓點特征只描述該點附近的局部信息,對于姿勢整體來說,其特征描述是構成人體輪廓 的所有輪廓點的集合,然而這些點在集合中是無序的,這使得無法直接利用這些點比較兩 個人體姿勢