行人检测模型向平躺人体检测的迁移及其性能分析

人体检测是计算机视觉研究中的难点和热点,具有很好的理论意义和应用价值,它可分为行人检测和平躺人体检测.平躺人体检测的研究正处于起步阶段,存在视角变化大、姿态多样、背景复杂等尚未解决的问题.为此本文借鉴行人检测研究成果,将梯度方向直方图和支持向量机模型(HOG+SVM)、形变部位模型(DPM)和聚合通道特征(ACF)三大主流行人检测模型迁移到平躺人体检测中,验证它们的检测效果和分析检测性能.总结行人检测和平躺人体检测的异同,找出平躺人体检测存在的关键问题,为建立适应平躺人体检测建模提供了理论依据和实践经验,最后给出平躺人体检测模型的一些研究建议.

基于整体-星型模型的人体姿态估计

针对姿态估计方法受到人体姿态多样性的影响问题,本文研究适合表示人体结构的模型,提出一种基于多模整体模型和星型模型的人体姿态估计方法.首先,使用人体整体检测器完成人体整体方位的检测,以获得初始人体候选集;然后提出一种多模型的星型结构,表示具有一定方位偏差的人体各个部位和整体之间的关系;为了更好地描述相邻部位之间的分布关系,在整体-星型模型中融合树型模型.数据集IP和LSP的结果表明,该方法提高了姿态估计准确率,尤其提高在人体姿态多样的情况下的结果.

结合遮挡级别的人体姿态估计方法

针对单目静态图像中姿态估计方法易受遮挡干扰的问题,提出基于部位遮挡级别的可形变姿态估计方法.首先定义遮挡级别为人体部位的被遮挡程度,其通过计算部位遮挡比例和部位方向获得;然后根据遮挡级别为每个部位建立对应级别的部位检测器,并给出基于遮挡级别的部位间形变模型;最后依据以上2个模型的总体匹配得分,获得最合理的人体姿态.在标准数据集IP和LSP上的实验结果表明,该方法提高了姿态估计的整体准确率,特别是减少了有遮挡情况下的部位误匹配问题.

单目图像中超像素人体姿态估计方法

基于可形变部位模型方法,在单目静态图像的姿态估计中获得了较好的结果,它通过描述部位表观和部位间关联来表示人体姿态.但由于在人体部位表观特征匹配过程中受到诸多因素,尤其是受到背景的干扰,检测效果不够理想.为了有效地完成部位匹配,提出基于超像素的姿态估计算法,综合考虑了图像的底层特征和中层特征,根据中层特征-超像素位置完成部位的搜索,使用底层特征-梯度直方图完成部位匹配.首先完成了图像的超像素分割,将相似度相近的相邻像素整合为一个图像块;然后以超像素为单位完成人体部位的搜索,降低背景对部位识别的影响;最后根据可形变部位模型完成人体部位匹配和识别.在数据集IP和LSP上的实验结果表明,基于超像素的姿态估计算法较好地将人体部位从背景中分割出来,提高了姿态估计的准确率.