一种应用于静态图像人体分割的显著性检测方法

针对人体肤色在显著性检测过程中容易被忽视,影响后期图像人体分割效果这一问题,本文提出了一种改进的显著性检测方法.首先利用超像素图分割法对图像进行分割,利用人脸检测提取肤色信息,接着将肤色信息融入到颜色独特性和颜色空间分布计算中,最后将得到的超像素显著值分配给每个像素,生成像素级显著图.在公开的数据集上选取100幅包含人物的图片进行测试,该算法取得最高95%的精确度,优于其他显著性算法,在图像人体分割实验中,可以很好地把人体和背景分开.实验结果表明,本文方法在精确率、召回率和F-测量上都优于其他方法,并且能很好地分割人体图像.

基于人体分割的智能女装廓形尺寸数据库构建

为准确地对现有秀场女装廓形进行判断,提出一种基于人体分割的智能女装廓形尺寸数据库的构建方法和流程。针对静态图像,先进行人脸检测,再利用最大后验概率模型检测人体,并通过图割技术提取服装廓形,最终确定人体影响服装廓形的关键部位,自动测量服装廓形相关尺寸并入库。针对各种可能遇到的实际图像情况提出相应的测量准则,并提炼出显著影响服装廓形的"突变点"概念。经验证,该方法能够有效快速地对静态图像中的女装廓形批量提取廓形尺寸数据,测量数据共包括8个关键点测量值,具有较高的准确性和实践性。

一种引入聚焦机制的静态图像人体分割方法

针对静态图像中人体分割不能够聚焦所要分割区域,造成分割效果不佳的问题。通过对残差网络进行改进,使之能够适应人体分割这一任务,并在改进的残差网络中引入一种聚焦机制进行静态图像人体分割。根据静态图像人体分割问题,设计了具有聚焦机制的损失函数、辅助分割损失函数以及分割损失函数。另外,为了得到数据集的辅助分割类标、分割类标以及注意力聚焦图,提出了数据预处理算法。在Pascal-Person-Part数据集和LIP数据集上进行训练和测试,并将测试结果与SegNet,FCN-8s,Deep Lab V2,Attention,LG-LSTM以及Attention+SSL方法进行比较。通过比较像素精度、平均像素精度和Io U(Intersection over Union)指标,表明所提方法能够提高静态图像中人体分割的效果,验证了所提方法的可靠性。

基于图模型及骨架信息的人体分割算法

针对复杂场景中分割人体不准确的问题,提出了一种在图论优化框架中联合RGB-D信息和骨架信息的人体分割算法.首先,采用边缘引导的滤波算法修复低质量的深度图,得到高质量的深度图;然后通过一种聚类算法对RGB-D数据进行聚类得到超像素;最后在图模型中将超像素看作节点,并结合相应的人体骨架来提高区分人体和背景相似颜色区域的能力,设计能量函数各组成项,最小化能量函数得到全局最佳的融合结果.为验证算法的有效性,在实际场景数据集上与多种算法进行比较.实验结果表明,在主观视觉和客观指标上,本文提出的算法均得到了更为准确的人体分割结果.

基于Mask R-CNN和CEDN的人体实例分割方法

针对人体实例分割任务中Mask R-CNN方法对于边缘分割较差的问题,本文提出了一种结合轮廓检测算法CEDN进行改进的方法。首先,通过Mask R-CNN检测出背景中的人体实例掩码,通过区域填充获取到精细化人体实例分割结果的方法。首先,通过Mask R-CNN检测出背景中的人体实例掩码;其次,利用轮廓检测算法得到精细化人体轮廓,再通过改进的区域填充算法填充出人体分割掩码,从而提高人体分割精度。在LSP数据集上进行验证,本算法相较Mask R-CNN准确率提高了4%,召回率提高了8%。算法有效的改进了Mask R-CNN的分割结果,改善了人体分割边缘较差的问题,进一步提升了人体分割的精度。

基于余弦距离的人体运动数据行为分割算法

对人体运动捕捉数据进行行为分割是人体运动数据分析与合成中的关键处理步骤,为此,提出一种新的人体运动数据行为分割算法。采用骨骼夹角直方图刻画人体运动统计特征,使用余弦相似度作为人体运动数据骨骼夹角直方图特征的相似性度量,实现对运动行为的自动分割。对于给定的人体运动捕捉序列,首先定义滑动比较窗口,计算当前窗口范围内运动序列前、后2部分骨骼夹角直方图统计特征的余弦相似度,然后通过在运动序列上滑动该窗口,获得运动序列的余弦相似度曲线,曲线最小值位置即为不同类型行为的分割点。在CMU人体运动捕捉数据库上进行数值实验。研究结果表明:本文算法能够实现对人体运动捕捉数据的自动行为分割;与广泛采用的基于PPCA的行为分割方法相比,本文算法具有良好的性能。

红外人体图像模糊Renyi熵快速分割

针对红外人体图像目标与背景对比度低、边缘模糊、细节分辨能力差等特点,以及通常情况下的实时性处理要求,提出了一种新的有效分割方法。基于Renyi熵原理,构造了一种广义模糊熵——模糊Renyi熵;为了较快地获得分割阈值,基于混沌理论设计了一种混沌模拟退火算法,用于最佳分割阈值的搜索;把提出的模糊熵与混沌模拟退火算法相结合用于红外人体图像分割,并与几种著名的图像阈值分割方法进行了比较。实验结果表明,用该方法对红外人体图像进行分割,能得到较满意的分割结果,与其他方法相比,鲁棒性较好;对具有256级灰度的图像进行分割,其CPU耗时约为0.8s,满足了红外人体图像分割的精确、实时性要求。

基于Mean-shift的粘连人体目标分割算法

人体目标分割是人体目标视觉分析的关键问题之一。提出了一种基于Mean-shift的粘连人体目标分割算法。首先对视频图像进行预处理,从中分离出运动区域,根据人体外形的统计特征建立人体目标模板。在运动区域中均匀取若干个数据点作为种子点。从种子点出发,基于人体目标模板,应用Mean-shift算法不断迭代逼近模态点。对取得的模态点集合进行聚类,从而自动确定分类数,即运动区域中的人体目标数,并进行合理分割。基于PETS2006数据库的试验验证了该方法的可行性。

基于Kinect的人体对象视频自动分割

在视频中把人体对象从复杂背景中自动分割出来是一个非常有挑战性的问题。对此提出了一个新的人体对象自动分割方法,可以在相对复杂的背景下分割出人体对象。首先利用Kinect对视频中的人体骨架信息进行跟踪,然后把骨架信息映射到高质量摄像头拍摄的视频中,最后利用跟踪到的骨架信息对高质量图片中的人体对象进行分割。为了得到这个映射关系,利用SURF特征进行匹配,根据匹配的体征点,采用最小二乘法估计映射参数。最后,利用映射后的人体骨架信息,对图片进行标记,然后采用Lazy-Snapping算法对图片进行人体对象分割。实验结果表明,该方法在640×480分辨率的视频中对人体对象的自动分割可以达到20帧/秒,而且精度与文中提到的其他算法相当。

基于模糊Havrda-Charvát熵与混沌PSO算法的红外人体图像分割

针对红外人体图像成像质量较差的问题,提出一种基于模糊Havrda-Charvát熵的快速阈值分割方法.首先应用Z形及S形隶属度函数把图像灰度直方图信息转换到模糊域,定义图像背景与目标的模糊Havrda-Charvát熵;然后提出一种基于Tent映射的混沌粒子群优化算法,把隶属度函数参数组合作为粒子,根据最大熵原理确定参数的最佳组合,再由最佳隶属度函数参数计算得到图像的最佳分割阈值.在真实红外人体图像集上与几种经典的图像阈值方法进行对比实验的结果,说明了该方法的有效性和鲁棒性.

红外遮挡人体目标模板图像的Mean Shift分割算法

提出了一种红外图像中遮挡人体目标的分割方法。首先通过传统的阈值选取方法或直方图聚类等红外图像分割的方法,获取遮挡区域目标的二值化模板。用目标像素在模板中的相对行列坐标作为特征集使用Mean Shift算法分别计算各像素在行列方向的收敛位置并使用复数向量进行联合表达,再次以所有的复数向量作为特征集进行Mean Shift聚类,根据各像素位置对应的复数向量所属类别对其进行划分,完成遮挡目标的分割。与分水岭算法相比,该算法的分割结果完整保留了目标模板的外形,并且可以通过Mean Shift带宽参数的选择完成不同精细程度的分割。

基于二维图像的参数化人体建模

为解决现有基于二维图像的三维人体建模容易出现误差、模型参数估计不准确等问题,结合深度学习和优化后的人体建模算法,并利用深度学习算法提供的结果作为先验,缓解优化算法对参数初始值敏感的问题,以实现针对单帧RGB图像和多帧RGB图像的三维人体建模。同时基于HMR深度学习模型预测SMPL-X模型的初始参数,通过添加人体轮廓、二维关键点等对模型参数进一步优化求解,并利用视频序列的帧间连贯性对视频帧中人物的三维姿态进行约束。结果表明:添加人体分割轮廓约束可使重建模型更加贴合人体,能够提升模型拟合的精度;基于视频序列帧间连贯性重建的人体模型,可减少身体旋转、四肢弯曲等误差出现的可能性,与目标对象姿态更加相近。

视频监控系统中行人的自动分割算法

视频监控系统在智能安防等众多领域有着广泛的应用空间,是近年来研究的热点之一。行人的分割在视频监控系统中极其重要,其分割的有效性直接影响目标识别、行为理解等。本文提出一种自动的行人分割算法,使用基于HOG特征的行人检测算法对目标进行定位,获得粗略的前景和背景信息,把获得的预分割信息作为GrabCut算法的先验知识,无需交互式操作,自动地对行人进行精确分割。实验证明该算法不仅有效,而且能满足应用需求。

一种人体姿势估计算法

采用自顶而下的方法将整个框架分解为两个分支。第一分支为目标识别器,输出人体语义特征图;第二分支生成姿势热图,通过增加特征筛选因素来提高识别精度。通过融合算法,联合两个分支的置信度并构造损失函数,进而获取较高精度的人体姿势估计图。

人体屈体角度图像识别关键技术研究

随着社会的发展,人体图像识别的应用也越来越广泛,并出现了很多关于人体图像识别的新方法。研究人体屈体角度识别的实现方法,结合人体图像处理的一般流程,对人体屈体角度图像识别算法的预处理、人体图像分割、特征提取和特征判断匹配等步骤进行阐述,介绍了其中的关键技术——人体图像分割和特征点提取,并对现有算法的优缺点进行分析,以期为相关研究提供参考。

多粒度运动分割的时频分析算法

针对运动捕获数据分割问题,提出一种基于时频分析的多粒度分割算法.该算法在时域分析阶段利用稀疏重构对运动序列进行预分割,通过多尺度时序关联方法将原始运动序列分割为独立行为片段和混合运动基元,实现粗粒度分割;进一步,在频域分析阶段先在主频率下对每个独立行为片段进行特征提取,再结合零速度穿越点检测和自适应K-means算法将每个独立行为片段分割为多个重复子周期片段,实现细粒度分割.实验结果表明,预分割及多尺度分割策略的使用使得分割准确率更高,对混合运动基元的识别和分割更为精准,而且在主频率下进行特征提取使得算法对噪声具有更好的鲁棒性.

基于轻量级U-Net深度学习的人体安检隐匿违禁物的实时检测

在高端智能安检系统研发中,如何使受检者在无接触正常行进过程中,对其实施人体是否携带隐匿违禁物的快速高效检测是具有挑战性的关键性技术。被动毫米波成像以其安全无害、穿透性强等突出优势而成为安检成像的热门选项。该文利用被动毫米波成像和可见光成像的优势互补,通过轻量级U-Net的深度学习,研究提出人体安检隐匿违禁物的高性能实时检测算法。首先构建和训练轻量级U-Net分割网络,进行被动毫米波图像(PMMWI)和可见光图像(VI)中人体轮廓的快速分割,实现人体与背景的有效分离,以获取疑似隐匿违禁物的轮廓信息。进而,以轻量级U-Net为工具,通过基于相似性测度的无监督学习方法进行被动毫米波人体轮廓图像与可见光人体轮廓图像的配准,以滤除虚警目标,并在可见光图像中进行疑似目标定位,得到单帧图像的检测结果。最后,通过序列多帧图像之检测结果的综合集成与推断,给出最终检测结果。通过在专门构建的数据集上的实验结果表明,该文所提方法的F1指标达到92.3%,展现出良好的性能优势。

基于BodyPix的非接触式人体测量

人体测量技术是服装制造业中一个重要的环节,一种便捷、高效率、高精度的人体测量技术可为服装行业的制造提供数据基础。针对传统二维图像人体测量方法中过程繁琐、耗时等问题,提出将基于TensorFlowj.s的BodyPix应用到人体测量中的新思路,在BodyPix分割工具获取到人体二维分割图像的基础上通过像素点扫描的方法把人体各部位的图像尺寸转换为真实尺寸,可以有效提高服装行业中在面对批量服装定制时量体的速度。实验结果中人体的围度误差在-0.969^+0.855,长度误差在-0.944^+0.723。有效提高了人体测量的精准性和测量速度,表明了将BodyPix应用到人体测量中的鲁棒性。

PMMWI与VI优势互补的人体隐蔽违禁物检测与定位

根据公共场所人体安检的性能要求和技术需求,将被动毫米波成像(PMMWI)的可透视成像性能优势与可见光成像(VI)的细节高分辨性能优势相结合,提出一种基于PMMWI与VI优势互补的人体隐蔽违禁物检测与定位算法。首先,提出一种基于低层特征融合的改进U-Net以增强深度神经网络(DNN)对PMMWI中弱小目标轮廓的敏感度,提高PMMWI中人体轮廓和隐蔽违禁物的分割精度,并同时实现VI中人体轮廓的像素级分割;然后,在PMMWI和VI中的人体轮廓分割基础上,通过基于人体轮廓的尺度变换与滑动适配实现PMMWI人体轮廓和VI人体轮廓的良好配准,根据配准结果实现单帧图像中人体隐蔽违禁物的高效检测;最后,通过序列图像检测结果的对比融合与优化决策给出隐蔽违禁物的定位结果。一系列综合实验与对比分析结果,验证了提出的人体隐蔽违禁物检测与定位算法的性能优势。

基于ABSS的着装人体多特征点提取与尺寸测量

传统非接触式人体尺寸测量中的关键特征点是根据人体各部位的比例关系直接提取,该方法对人体体型和着装要求严格,导致在多数情形下获取的关键特征点存在较大误差。为此,提出一种基于自适应人体结构分割(ABSS)的着装人体多特征点提取和尺寸测量算法Human pesm-abss。分析东西方人体的异构性和自身体型的差异,利用ABSS对人体结构关键区域进行分割。针对颈、肩部位特征点的提取,给出最大距离法和局部最大曲率法,解决传统算法适应性差及鲁棒性弱的问题。对210组标准差较大样本的实验测量数据与真实尺寸信息进行对比分析,结果表明,Human pesm-abss算法相对于非闭合Snake和Simple-FCN-ASM模型,平均误差分别减少2.2 cm和0.26 cm,时耗分别缩短了1.098 s和3.552 s,具有更高的实时性与更强的鲁棒性,适用于在线批量人体着装尺寸测量。