基于單目視覺(jué)的人體檢測(cè)和運(yùn)動(dòng)恢復(fù).pdf

1、人體檢測(cè)與運(yùn)動(dòng)恢復(fù)是當(dāng)前人工智能和計(jì)算機(jī)視覺(jué)領(lǐng)域研究的熱點(diǎn)，已廣泛應(yīng)用于車載輔助系統(tǒng)、智能監(jiān)控系統(tǒng)、人機(jī)交互以及體育運(yùn)動(dòng)訓(xùn)練等領(lǐng)域。對(duì)人體檢測(cè)問(wèn)題的有效解決能夠?yàn)槠渌麑?duì)象檢測(cè)提供借鑒。直接從圖像或視頻中獲取人體運(yùn)動(dòng)數(shù)據(jù)，不僅降低動(dòng)作獲取成本，同時(shí)，也使用戶可以從大量的視頻源中挖掘更多的潛在信息。
　　 基于單目視覺(jué)的人體檢測(cè)與運(yùn)動(dòng)恢復(fù)技術(shù)主要面臨以下三個(gè)難點(diǎn):1）人體數(shù)據(jù)中噪聲所占比例大，每幀中待檢測(cè)窗口數(shù)量大，且人體所占比例極

2、少;2）人體數(shù)據(jù)及動(dòng)作具有非常大的類內(nèi)散度，包括人體形態(tài)上的差異與動(dòng)作差異;3）人體運(yùn)動(dòng)目標(biāo)從三維投影到二維會(huì)造成深度信息丟失，且檢測(cè)結(jié)果容易受復(fù)雜背景、遮擋、光照和外觀變化影響。
　　 本文圍繞基于單目視覺(jué)的人體檢測(cè)、骨架抽取與運(yùn)動(dòng)恢復(fù)這一主線，借鑒當(dāng)前一些特征抽取、機(jī)器學(xué)習(xí)、運(yùn)動(dòng)恢復(fù)的主流技術(shù)，提出了若干改進(jìn)方法，論文的主要工作如下:
　　 (1)提出一種混合特征的人體特征描述子及快速的人體檢測(cè)器。在面對(duì)復(fù)雜背景，光

3、照及外觀變化較大的場(chǎng)景時(shí)，單特征描述的人體檢測(cè)器描述能力有限，難以滿足高檢率、低誤報(bào)率的要求。本文通過(guò)融合圖像梯度方向直方圖特征與Census變換特征來(lái)提高分類器的魯棒性?；贏daboost學(xué)習(xí)的分類器訓(xùn)練過(guò)程較慢，針對(duì)此問(wèn)題，通過(guò)快速特征選擇、雙閾值判決兩方面的改進(jìn)，提高了分類器的訓(xùn)練時(shí)間。在檢測(cè)速度上，從分類器設(shè)計(jì)及目標(biāo)窗口特征計(jì)算兩方面做了改進(jìn)。利用Cascade結(jié)構(gòu)構(gòu)造分類器，采用逐級(jí)排除非人體目標(biāo)的策略，提高分類器檢測(cè)速度。

4、提出基于“塊”更新的目標(biāo)掃描策略，當(dāng)檢測(cè)窗口在待檢測(cè)圖像上滑動(dòng)掃描時(shí)，只對(duì)窗口變化區(qū)域的“塊”重新提取特征，計(jì)算其直方圖分布來(lái)加速檢測(cè)過(guò)程。實(shí)驗(yàn)結(jié)果表明，改進(jìn)后的基于混合特征的級(jí)聯(lián)AdaBoost人體檢測(cè)器，可以檢測(cè)靜態(tài)圖像中各種分辨率下的人體目標(biāo)。與單特征的人體檢測(cè)方法相比，在公開數(shù)據(jù)集上驗(yàn)證了本文方法在檢測(cè)性能與檢測(cè)速度上均有所提高。
　　 (2)提出一種基于多示例學(xué)習(xí)的多部位人體檢測(cè)方法。由于整體滑動(dòng)窗口檢測(cè)方法忽略了人體

5、的非剛性，其特征描述是建立在一個(gè)矩形窗口上。所以在處理多姿勢(shì)、部分遮擋、視角變化等人體目標(biāo)時(shí)魯棒性不高。本文對(duì)基于部位的人體檢測(cè)算法進(jìn)行改進(jìn)，根據(jù)生理結(jié)構(gòu)將圖像分割成若干區(qū)域，每個(gè)區(qū)域包含多個(gè)示例，利用AdaBoost多示例學(xué)習(xí)算法來(lái)訓(xùn)練部位檢測(cè)器。然后利用各部位檢測(cè)器對(duì)訓(xùn)練樣本進(jìn)行測(cè)試得到其響應(yīng)值，從而將訓(xùn)練樣本轉(zhuǎn)化為部位響應(yīng)值組成的低維特征向量。再用SVM方法對(duì)這些樣本部位向量進(jìn)行學(xué)習(xí)，最終形成部位組合分類器。在INRIA數(shù)據(jù)集上的

6、實(shí)驗(yàn)結(jié)果表明，算法能改進(jìn)單示例學(xué)習(xí)的檢測(cè)性能，能檢測(cè)出部分被遮擋的人體目標(biāo)。同時(shí)評(píng)價(jià)了3種不同部位劃分及其對(duì)檢測(cè)性能的影響。
　　 (3)提出基于單目視覺(jué)的無(wú)標(biāo)記、無(wú)初始化的人體運(yùn)動(dòng)恢復(fù)方法。在現(xiàn)有的無(wú)標(biāo)記單目視頻運(yùn)動(dòng)恢復(fù)方法中，需要在初始幀進(jìn)行手工初始化。很多基于概率模型或基于學(xué)習(xí)的方法，存在著計(jì)算復(fù)雜度過(guò)高或依賴樣例庫(kù)等問(wèn)題。本文的運(yùn)動(dòng)恢復(fù)工作包括直接從圖像信息中抽取骨架，估計(jì)關(guān)節(jié)點(diǎn)初始二維坐標(biāo)，并進(jìn)一步恢復(fù)人體三維坐標(biāo)等操