人體屈體角度圖像識(shí)別關(guān)鍵技術(shù)研究

盧旭 張鈺婧 卓勝達(dá)

摘 要：隨著社會(huì)的發(fā)展，人體圖像識(shí)別的應(yīng)用也越來(lái)越廣泛，并出現(xiàn)了很多關(guān)于人體圖像識(shí)別的新方法。研究人體屈體角度識(shí)別的實(shí)現(xiàn)方法，結(jié)合人體圖像處理的一般流程，對(duì)人體屈體角度圖像識(shí)別算法的預(yù)處理、人體圖像分割、特征提取和特征判斷匹配等步驟進(jìn)行闡述，介紹了其中的關(guān)鍵技術(shù)——人體圖像分割和特征點(diǎn)提取，并對(duì)現(xiàn)有算法的優(yōu)缺點(diǎn)進(jìn)行分析，以期為相關(guān)研究提供參考。

關(guān)鍵詞：人體圖像識(shí)別；屈體角度；人體圖像分割；特征點(diǎn)提取

DOI：10.11907/rjdk.173013

中圖分類(lèi)號(hào)：TP317.4

文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1672-7800（2018）006-0210-03

Abstract：As the progress of society， human body image recognition has increasingly wider application. Many new ideas about the implementation of image recognition have been emerging. Based on this background， the method of realizing human body pike angle is studied in this paper. According to the general process of human image processing， several steps of body image recognition algorithm are expounded in this paper， including pretreatment， body image segmentation， feature extraction and feature matching of judgement. And the key technologies of human body image segmentation and feature point extraction are studied. The advantages and disadvantages of these algorithms are analyzed， which can provide important reference for related research.

Key Words：human body image recognition； pike angle； segmentation of human body image； feature points extraction

0 引言

隨著科學(xué)技術(shù)的發(fā)展，圖像處理已在航空[1]、醫(yī)學(xué)[2]、軍事公安[3]、通信工程[4]等領(lǐng)域得到了不同程度的應(yīng)用。近年來(lái)，人體識(shí)別技術(shù)也在許多行業(yè)應(yīng)用廣泛，人體屈體角度識(shí)別可識(shí)別人體動(dòng)作、姿勢(shì)、步態(tài)等，人體角度識(shí)別也可應(yīng)用于人體柔韌性檢測(cè)等。

目前我國(guó)測(cè)試人體柔韌性都是采用坐位體和立位體前屈的方法，評(píng)價(jià)指標(biāo)是手指前伸可達(dá)到的最大距離，用屈體時(shí)手指或頭部前伸的距離代替關(guān)節(jié)活動(dòng)角度進(jìn)行測(cè)量[5]。但該測(cè)量方式存在嚴(yán)重缺陷，因?yàn)橹w長(zhǎng)度不同會(huì)對(duì)手指前伸的距離產(chǎn)生影響，從而增大測(cè)量誤差，降低檢測(cè)效率。此時(shí)，如果測(cè)量軀體關(guān)節(jié)活動(dòng)角度，則能克服肢體長(zhǎng)度對(duì)測(cè)量效率的影響。

1 人體屈體角度識(shí)別步驟

人體屈體角度識(shí)別處理通常是一個(gè)比較復(fù)雜的過(guò)程，一般處理步驟如圖1所示，包括圖像預(yù)處理、人體圖像分割、人體特征提取、特征判斷匹配和輸出結(jié)果等幾個(gè)步驟。

1.1 角度識(shí)別預(yù)處理

由于各方面的原因，從設(shè)備讀取的圖像質(zhì)量往往達(dá)不到理想要求，會(huì)含有噪聲或受到一定程度損壞。為了提高圖像識(shí)別精確度，需要對(duì)圖像進(jìn)行必要的預(yù)處理。一般的預(yù)處理包括灰度圖轉(zhuǎn)換、濾波降噪、二值化和邊緣檢測(cè)等步驟。

首先將彩色圖像灰度化。肉眼在顯示屏上看到的彩色圖像在設(shè)備中是以矩陣形式存在的，矩陣?yán)锏臄?shù)值代表顏色和亮度。當(dāng)彩色圖像被轉(zhuǎn)換成灰度圖時(shí)，每個(gè)像素點(diǎn)的灰度值用矩陣的數(shù)值表示。可用最大值法進(jìn)行圖像灰度化，即圖像灰度值可采用RGB彩色圖像中B、G、B三個(gè)分量中的最大值作為灰度值，后續(xù)圖像分割即可利用圖像灰度值設(shè)置閾值進(jìn)行。

1.2 人體屈體圖像分割

圖像分割是利用某種相似準(zhǔn)則或相似特征將圖像分割成滿足某種條件的區(qū)域，是圖像處理步驟中非常重要的一步，之后的分析結(jié)果與圖像分割結(jié)果有著密切聯(lián)系。分割方法有很多，但不同分割方法都是在某個(gè)約束條件下找到合適的平衡點(diǎn)實(shí)現(xiàn)的。

1.3 人體特征提取

當(dāng)人體被分割成幾部分之后，選取各個(gè)部分并計(jì)算其面積，進(jìn)而計(jì)算出它們的中心點(diǎn)。將人的頭部、臀部和腿部中心點(diǎn)提取出來(lái)，將頭部形狀進(jìn)行橢圓擬合，使其中心偏移，從而提取出幾個(gè)關(guān)鍵特征點(diǎn)。人體特征點(diǎn)的提取和選擇作為角度識(shí)別處理過(guò)程的重要環(huán)節(jié)，處理結(jié)果對(duì)之后的圖像分類(lèi)有著重要影響。因?yàn)閳D像數(shù)據(jù)具有樣本少、維數(shù)高的特點(diǎn)，要得到一個(gè)能夠反映數(shù)據(jù)本質(zhì)結(jié)構(gòu)、識(shí)別率更高的特征子空間，從圖像中提取有用信息，必須采用特征提取與特征選擇方法對(duì)圖像進(jìn)行降維處理。

1.4 匹配判斷與結(jié)果輸出

基于特征圖像配準(zhǔn)方法的難點(diǎn)之一就是判斷匹配，目前解決該問(wèn)題的方法主要包括基于空間關(guān)系的方法、基于不變描述子的方法、松弛算法以及金字塔和小波變換方法等[6]。但是角度識(shí)別不同于車(chē)牌識(shí)別，車(chē)牌識(shí)別需要一個(gè)模板庫(kù)進(jìn)行匹配、識(shí)別，而角度識(shí)別需要在圖像上建立坐標(biāo)系，提取出需要的3個(gè)關(guān)鍵點(diǎn)并得出其坐標(biāo)，利用數(shù)學(xué)公式計(jì)算角度即可輸出結(jié)果。

2 關(guān)鍵技術(shù)研究

在人體屈體角度識(shí)別過(guò)程中，人體圖像分割與特征匹配結(jié)果對(duì)最后的識(shí)別結(jié)果有著直接影響，所以這兩個(gè)處理步驟是最為關(guān)鍵的，下面對(duì)兩個(gè)步驟進(jìn)行具體研究。

2.1 圖像分割

圖像分割有兩個(gè)任務(wù)，一是識(shí)別目標(biāo)物體，并將其與其它物體區(qū)分開(kāi)來(lái)，二是將圖像中的目標(biāo)物體區(qū)域及邊緣輪廓精確地描繪出來(lái)。目前傳統(tǒng)的圖像分割方法有基于閾值分割法、基于邊緣分割法和基于區(qū)域分割法[7]等。

2.1.1 基于閾值分割法

根據(jù)圖像的灰度特性或彩色特性設(shè)定閾值實(shí)現(xiàn)分割是一種常見(jiàn)的閾值分割法。如何取得合適的閾值進(jìn)行分割是該方法的關(guān)鍵，大多數(shù)方法都是通過(guò)人工設(shè)定或經(jīng)過(guò)大量實(shí)驗(yàn)確定閾值。

文獻(xiàn)[8]提出一種基于圖像邊緣信息的二維閾值分割方法，利用該方法將要處理的人體灰度圖像灰度級(jí)數(shù)分為N，其相應(yīng)像素鄰域的平均灰度也被分為N級(jí)，選取二維矢量（s，t），其中s是像素灰度，t是鄰域灰度，再利用背景區(qū)和鄰域區(qū)提供的邊緣信息確定二維矢量（s，t）作為閾值取值范圍，利用選取的閾值最終將圖像中的人體分割出來(lái)。

2.1.2 基于邊緣分割法

圖像邊緣作為圖像最重要的信息之一，是圖像中灰度不連續(xù)或結(jié)構(gòu)形成的開(kāi)始，邊緣檢測(cè)算法主要是基于圖像增強(qiáng)的一階和二階導(dǎo)數(shù)實(shí)現(xiàn)的，是實(shí)現(xiàn)圖像分割的一種重要途徑。目前經(jīng)典的邊緣檢測(cè)算子主要有Canny算子、Roberts算子、Prewitt算子、Sobel算子等。

陳亮[9]設(shè)計(jì)了一種在人體輪廓提取基礎(chǔ)上優(yōu)化的輪廓提取算法，該算法基于傳統(tǒng)的Canny邊緣檢測(cè)算法，對(duì)算子中的梯度幅值和方向計(jì)算、非極大值抑制、雙閾值提取等作出一些改進(jìn)，再與數(shù)學(xué)形態(tài)學(xué)處理相結(jié)合，將人體輪廓從背景中提取出來(lái)。根據(jù)邊緣點(diǎn)信息提取出關(guān)鍵點(diǎn)，通過(guò)建立坐標(biāo)系得出關(guān)鍵點(diǎn)坐標(biāo)，再進(jìn)行坐標(biāo)計(jì)算得出人體屈體角度。

該方法改善了傳統(tǒng)Canny邊緣檢測(cè)算法因光照不均、虛假邊緣、噪聲以及復(fù)雜背景等因素使處理結(jié)果達(dá)不到預(yù)期的缺點(diǎn)，并且采用自適應(yīng)雙閾值選取使算法更具實(shí)用性，檢測(cè)邊緣的結(jié)果也更加完整。

2.1.3 基于區(qū)域分割法

范偉[10]提出一種針對(duì)復(fù)雜彩色圖像的區(qū)域生長(zhǎng)分割算法，首先將人體屈體圖像轉(zhuǎn)換顏色空間，從彩色空間轉(zhuǎn)換到Y(jié)CbCr空間，獲取圖像的顏色特征和紋理特征；然后結(jié)合設(shè)計(jì)的自動(dòng)選取種子算法，選擇生長(zhǎng)種子進(jìn)行生長(zhǎng)，直到圖像中的最后一個(gè)像素點(diǎn)被歸類(lèi)為止；最后為了避免過(guò)度分割進(jìn)行區(qū)域合并，以保證分割的正確性，從而完成人體分割。

一般區(qū)域分割的難點(diǎn)在于種子點(diǎn)選擇、相似準(zhǔn)則選取以及生長(zhǎng)結(jié)束條件規(guī)定。傳統(tǒng)的區(qū)域生長(zhǎng)分割對(duì)于紋理特征簡(jiǎn)單的圖像效果較好，但是對(duì)于紋理特征略復(fù)雜的圖像則難以達(dá)到理想效果。

2.2 人體特征提取

人體圖像識(shí)別目前已應(yīng)用于生活中的各個(gè)方面，如服裝線上模擬試穿、刑事案件偵破與治安管理等，這些應(yīng)用都需要用到特征提取，并且圖像識(shí)別的精確度直接影響到提取結(jié)果。常用的特征檢測(cè)方法有Harris、Surf、Sift特征點(diǎn)檢測(cè)等方法，但是這些檢測(cè)方法只能檢測(cè)尺寸很小的角點(diǎn)，在識(shí)別人體時(shí)需要進(jìn)行改進(jìn)或采用別的算法提取特征點(diǎn)。

2.2.1 基于Harris角點(diǎn)檢測(cè)的人體特征點(diǎn)提取

李健[11]提出基于Harris角點(diǎn)檢測(cè)進(jìn)行人體特征提取與尺寸測(cè)量的方法，該方法首先將人體圖像進(jìn)行灰度化、二值化預(yù)處理，過(guò)濾掉不必要的噪點(diǎn)后，使用Canny算法進(jìn)行邊緣檢測(cè)，然后將人體輪廓提取出來(lái)，最后利用Harris角點(diǎn)檢測(cè)判斷出立襠點(diǎn)，根據(jù)人體各關(guān)鍵點(diǎn)位置與立襠點(diǎn)之間的幾何位置關(guān)系提取出想要的關(guān)鍵點(diǎn)。該方法不僅計(jì)算開(kāi)銷(xiāo)大，而且誤差較大，適應(yīng)范圍較窄。

2.2.2 計(jì)算曲線曲率提取人體特征點(diǎn)

韓強(qiáng)[12]提出一種通過(guò)計(jì)算曲線曲率提取人體肩部特征點(diǎn)的方法。該方法是在人體圖像經(jīng)過(guò)轉(zhuǎn)換顏色空間、灰度化和濾波等預(yù)處理之后，使用Canny邊緣檢測(cè)的方法實(shí)現(xiàn)對(duì)肩部的邊緣檢測(cè)。通過(guò)掃描定位頸部范圍，頸部下面的部分則被分割成肩部，計(jì)算被提取的各個(gè)邊緣像素曲率，曲率最大的像素點(diǎn)被定義為肩部特征點(diǎn)。該方法檢測(cè)結(jié)果的準(zhǔn)確度不高，之后還需要?jiǎng)e的處理進(jìn)行完善。

2.2.3 基于圖像的人體特征點(diǎn)自動(dòng)提取

文獻(xiàn)[13]提出一種依據(jù)正面照與側(cè)面照的人體特征點(diǎn)自動(dòng)提取算法[13]，該算法是在對(duì)圖像進(jìn)行濾波、邊緣檢測(cè)和輪廓提取等預(yù)處理后，進(jìn)行特征點(diǎn)提取。該算法認(rèn)為，在遍歷人體輪廓像素時(shí)，如果當(dāng)前向量與其相鄰兩個(gè)向量相互垂直呈90°狀態(tài)，則認(rèn)為當(dāng)前向量的起點(diǎn)或終點(diǎn)為關(guān)鍵點(diǎn)，提取出該點(diǎn)坐標(biāo)即可。該方法提取效率較高，測(cè)量結(jié)果較為準(zhǔn)確。

3 結(jié)語(yǔ)

本文介紹了人體屈體角度圖像識(shí)別的一般步驟，其中主要研究了針對(duì)圖像分割和特征點(diǎn)提取兩個(gè)關(guān)鍵步驟的一些現(xiàn)有算法。雖然現(xiàn)有的圖像分割和特征點(diǎn)提取算法很多，但這些算法的處理結(jié)果往往有較為明顯的誤差。本文針對(duì)這些算法進(jìn)行研究，總結(jié)了其優(yōu)缺點(diǎn)，可為人體屈體角度圖像識(shí)別研究提供有效參考。

參考文獻(xiàn)：

[1] 趙志彬，劉晶紅.基于圖像處理的航空成像設(shè)備自動(dòng)調(diào)焦設(shè)計(jì)[J].液晶與顯示，2010，25（6）：863-868.

[2] 張博.基于邊緣檢測(cè)的細(xì)胞圖像分割方法研究與實(shí)現(xiàn)[D].武漢：武漢理工大學(xué)，2006.

[3] 辛德勝，張劍家，王少君，等.半導(dǎo)體激光夜視圖像處理技術(shù)研究[J].兵工學(xué)報(bào)，2011，32（12）：1439-1442.

[4] 王強(qiáng).數(shù)字圖像處理的應(yīng)用現(xiàn)狀及發(fā)展方向[J].電子技術(shù)與軟件工程，2017（10）：85.

[5] 楊霏.普通大學(xué)生“健康體適能”身體成分和柔韌性測(cè)試指標(biāo)的優(yōu)選及評(píng)價(jià)標(biāo)準(zhǔn)的研究[D].西安：西安體育學(xué)院，2012.

[6] 呂金建，文貢堅(jiān)，李德仁，等.一種新的基于空間關(guān)系的特征匹配方法[J].測(cè)繪學(xué)報(bào)，2008，37（3）：367-379.

[7] 丁亮，張永平，張雪英，等.圖像分割方法及性能評(píng)價(jià)綜述[J].軟件，2010，31（12）：78-79.

[8] 王玥玥，王秋光.基于圖像邊緣信息的2維閾值分割方法[J].中國(guó)圖象圖形學(xué)報(bào)，2007，12（1）：78-81.

[9] 陳亮.基于圖像處理的三維人體尺寸提取技術(shù)研究實(shí)現(xiàn)[D].上海：東華大學(xué)，2010.

[10] 范偉.基于區(qū)域生長(zhǎng)的彩色圖像分割算法[J].計(jì)算機(jī)工程，2010，36（13）：192-193，196.

[11] 李健，徐雪麗，蘭學(xué)淵，等.基于Harris角點(diǎn)檢測(cè)的人體特征提取與測(cè)量[J].計(jì)算機(jī)測(cè)量與控制，2014，22（2）：367-369.

[12] 韓強(qiáng).基于普通攝像頭的人體幾何尺寸測(cè)量系統(tǒng)[D].天津：天津大學(xué)，2013.

[13] 蔣玲艷.基于圖像的人體自動(dòng)測(cè)量方法研究[D].南寧：廣西大學(xué)，2013.

（責(zé)任編輯：黃 ?。?/p>