CN101533467B - 一种基于决策树的多种人体姿态识别方法 - Google Patents
一种基于决策树的多种人体姿态识别方法 Download PDFInfo
- Publication number
- CN101533467B CN101533467B CN 200910031151 CN200910031151A CN101533467B CN 101533467 B CN101533467 B CN 101533467B CN 200910031151 CN200910031151 CN 200910031151 CN 200910031151 A CN200910031151 A CN 200910031151A CN 101533467 B CN101533467 B CN 101533467B
- Authority
- CN
- China
- Prior art keywords
- human body
- target
- search
- decision tree
- head
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
- 238000000034 method Methods 0.000 title claims abstract description 41
- 238000003066 decision tree Methods 0.000 title claims abstract description 39
- 230000036544 posture Effects 0.000 title abstract 5
- 230000004069 differentiation Effects 0.000 claims abstract description 12
- 230000008859 change Effects 0.000 claims abstract description 9
- 230000008569 process Effects 0.000 claims description 10
- 238000005452 bending Methods 0.000 claims description 6
- 230000000007 visual effect Effects 0.000 claims description 6
- 230000008878 coupling Effects 0.000 claims description 5
- 238000010168 coupling process Methods 0.000 claims description 5
- 238000005859 coupling reaction Methods 0.000 claims description 5
- 241000282326 Felis catus Species 0.000 claims description 3
- 238000012544 monitoring process Methods 0.000 abstract description 5
- 230000006399 behavior Effects 0.000 abstract 1
- 230000009193 crawling Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- 230000008901 benefit Effects 0.000 description 3
- 241000282341 Mustela putorius furo Species 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 241000894007 species Species 0.000 description 2
- 206010000117 Abnormal behaviour Diseases 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000037237 body shape Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Images
Landscapes
- Image Analysis (AREA)
Abstract
本发明公布了一种基于决策树的多种人体姿态识别方法，包括以下步骤：对运动目标进行预处理，判断目标是否完全进入视场内，完全进入后开始计算目标特征量；利用矩形度与形状复杂度变化率进行车辆与人体的区分，而目标宽高比将人体目标及姿态粗略的估计出来；对目标进行双腿和头部搜索，从而完成人体判别，确定目标为人体后再进一步对姿态进行识别；最后，利用人体腿部及头部的位置进行直立、哈腰、匍匐三种姿态的识别。本发明能对直立、哈腰、匍匐三种人体姿态进行识别，在智能监控、人体行为识别等方面具有重要应用意义。
Description
技术领域
本发明涉及智能视觉监控领域，实现智能监控系统中人体姿态的自动识别，属于计算机视觉研究领域。
背景技术
智能视觉监控系统主要用于那些对安全要求敏感的场合，如银行、机场、仓库等无人值守的重要部门，目前监控摄像机在商业应用中已经普遍存在，但并没有充分发挥其实时主动的监控作用，因为它们通常是将摄像机的输出结果记录下来，当异常情况发生后，工作人员再通过视频记录的结果观察发生的事实，但往往为时已晚，而我们需要的监控系统应该能够每天连续24小时的实时监视，并自动分析摄像机捕捉的图像数据，当发现具有异常行为的可疑人体时，系统能向保卫人员准确及时的发出警报，从而避免犯罪的发生。
目前，国内外的监控系统大多都是针对正常行走的人体进行监控的，而对于哈腰与匍匐人体姿态的监控识别研究较少，并且国内外对人体姿态识别的研究大多采用对运动目标提取特征后利用神经网络或支持向量机进行分类的方法。此种方法的分类性能取决于所选特征的好坏，对作为非刚体的多方位人体姿态识别难度较大，往往会存在所提取的特征向量只能用于一种方位人体姿态识别的情况，此外，此种方法的分类器对样本的数量要求较大，系统结构较为复杂，不便于理解和设计。
决策树，或称多级分类器，是模式识别中进行分类的一种有效方法，对于多类目标识别问题，这种方法尤为方便。决策树系统具有把复杂问题分解为多个简单分类问题的特点，它不是企图用一种算法、一个决策规则去把多个类别目标一次分开，而是采用分级的形式，使分类问题逐步得到解决。基于决策树的分类模型具有以下独特的优点:
（1）决策树方法结构简单，生成便于人们理解的规则。
（2）决策树模型效率高，对分类目标较多的情况较为合适。
（3）决策树算法的计算量相对来说不是很大，并且速度较快，可满足实时性要求。
（4）决策树算法不需要局限在处理数值型数据，在分支处可以采取灵活的分类策略。
（5）决策树方法具有较高的分类精确度，它是指在数据库的各个对象中找出共同特性，并按照分类模型把它们进行分类。
由于决策树具有多分枝结构，不同分枝可以采用不同的算法规则，利用这一特点发明了基于决策树的人体姿态识别系统。此系统具有把复杂分类问题分解为多个简单分类问题的特点，同时可以把人的经验知识加入其中，采取小样本就可设计实现，因此，基于决策树的人体姿态识别系统可以较好的完成多种方位、多种人体姿态的识别任务。
发明内容
本发明的目的是要采用一种简单的决策树来完成人体直立、哈腰、匍匐姿态的识别。
本发明是采取以下的技术方案来实现的：
一种基于决策树的多种人体姿态识别方法，包括：
车辆与人体的区分；人体的判别；人体姿态的识别三个阶段。
步骤1：对运动目标进行预处理，应用决策树系统判断目标是否完全进入视场内，完全进入后开始计算目标特征量。决策树系统利用矩形度与形状复杂度变化率对目标进行车辆与人体的区分，用人体判别算法将人体目标及姿态粗略的估计出来。
步骤2、对目标进行双腿和头部搜索，从而完成人体判别，确定目标为人体后再进一步对姿态进行识别。
步骤3、决策树系统利用搜索到的人体腿部或头部位置进行姿态识别，完成人体直立、哈腰、匍匐三种姿态的识别。
其中，应用离心率区分识别匍匐人体与猫狗，避免对匍匐人体的误识别，改进的横井法细化算法被用于双腿搜索算法的设计，人体结构也被用于头部搜索匹配算法的设计。
具体而言，决策树系统利用搜索运动的上下左右四个边界点与整幅图像边界的位置关系来判断目标是否完全进入视场内。
决策树系统利用矩形度与形状复杂度变化率区分车辆与人体。由于车辆运动为刚体运动，车辆的形状趋近于矩形，且一般不发生变化，而人体运动为非刚体运动，形状和车体形状有一定差异，多帧之间形状变化较大，利用此种差异可将人体与车辆区分出来。
决策树系统利用宽高比将匍匐人体与直立、哈腰三种人体进行粗略估计，然后利用人体判别算法判定人体，具体算法如下：
人体判别算法步骤S1：利用改进的横井法细化算法对目标进行细化。
人体判别算法步骤S2：对目标进行双腿搜索，搜索成功，则判别为人体。
人体判别算法步骤S3：如双腿搜索失败，则进行头部匹配，匹配成功，判别为人体。
人体双腿的搜索方法为先对目标进行细化，然后从底部搜索同行分开的两点，并对其进行跟踪，如两条线段最终相交到一点，则确定找到双腿。
所说的人体头部匹配方法为利用人体比例结构确定头部位置，然后搜索上、下、左、右四个边界点，将人体头部区域标识出来，利用头部矩形度进行匹配。
所说的改进的横井法细化算法步骤为：
改进的横井法细化算法S1：按从左到右、从上到下的顺序，搜索1像素。
改进的横井法细化算法S2：判别图形表面像素，并加上标记。设上下表面像素和左右表面像素的标记分别为21和31。反复执行步骤S1、S2，直至扫描结束。
改进的横井法细化算法S3：判别线图形端点，当8邻点中0像素的个数为7时，此点为端点，不能去除，该点值改为41。
改进的横井法细化算法S4：搜索标记为21或31的点，如果f(i,j+1)＝f(i,j)，并且f(i,j-1)＝0and f(i,j+2)＝0，或者满足f(i+1,j)＝f(i,j)，并且f(i-1,j)＝0and f(i+2,j)＝0条件时，则把该点值改为41。否则判断下一步。
改进的横井法细化算法S5：计算连接数Nc。当Nc＝0,2,3,4时，因不满足保持连接性条件，故不能去除，同样加标记41。当Nc＝1时，满足可去除条件，将此1像素变为0像素。
改进的横井法细化算法S6：最后一次扫描，将标记为41的像素全部改为1像素。
决策树系统利用离心率进行匍匐人体与猫狗的识别，由于匍匐人体的离心率较大，而狗的则较小，故利用离心率可提高系统对匍匐人体的误识率。
决策树系统利用搜索到的人体腿部或头部位置进行姿态识别，完成人体直立、哈腰、匍匐三种姿态的识别。
至此，基于决策树的多种人体姿态识别方法执行完毕。
决策树系统结构图如图2所示。首先，系统计算目标的矩形度及形状复杂度变化率，以此将车辆与其他目标区分出来，然后对车辆进行跟踪。接着，决策树利用运动目标的宽高比粗略估计出人体目标及姿态，进而利用双腿搜索及头部匹配等条件判定人体。最后，利用搜索到的头部及腿部位置对人体姿态进行识别，通过多帧判别综合判定的方法最终确定目标种类及人体姿态。
本发明专利的有益效果是：解决了智能监控系统中多种方位人体姿态识别方法较为复杂的问题，实现了利用决策树简单的特点构建人体识别系统的方法。
附图说明
图1运动目标的预处理流程图；
图2运动目标识别决策树；
图3人体判别流程图；
图4匍匐人体识别流程图；
图5头部搜索匹配流程图；
图6双腿搜索流程图；
图7人体比例结构图；
图8人体姿态识别示意图。
具体实施方式
下面结合具体实施方式对本发明做进一步的详细说明。
具体实施例
图1为运动目标的预处理流程图，当监控系统检测到运动目标之后，先对其进行跟踪，然后对运动目标进行提取和分割，接着对运动目标进行预处理，预处理流程如图1所示，主要包括以下6个部分：
（1）对提取的目标进行二值化处理。
（2）判断目标是否完全进入视场内。
（3）计算隔帧目标的复杂度变化率。
（4）计算目标的惯性主轴角度。
（5）判断目标是否需要旋转，以方便提取其最小外接矩形。
（6）计算目标的矩形度。
图2为运动目标识别决策树，图3为人体判别流程图，图4为匍匐人体的识别流程图，图5为头部搜索匹配流程图，图6为双腿搜索流程图，图7为人体比例结构图，图8为人体姿态识别示意图。
参照图2至图8所示，决策树利用搜索目标的四个边界点来判断目标是否完全进入视场内，一旦确定目标完全进入视场内后，则进行初始化操作，然后利用决策树对其分类。由于人体运动为非刚体运动，而车辆运动为刚体运动，因此，决策树首先利用矩形度及形状复杂度变化率两种特征量将人体与车辆区分出来。接着，对人体目标进行判定，判别方法为搜索人体的双腿或进行头部匹配，人体双腿搜索算法的设计利用了细化后的人体目标，具体步骤为：
（1）利用改进的横井法细化方法对运动目标进行细化。
（2）从底部向上寻找左右两边的边界点。
（3）对左右两个边界点进行跟踪。
（4）判断每行所跟踪的两点是否相交。
（5）如果相交，确定双腿长度是否符合一定的人体比例，此处比例为0.285H-0.72H。
（6）如果符合，则判定找到双腿。
如果未搜索到双腿，则接着进行头部匹配，头部匹配算法的具体步骤为：
（1）确定目标的外接矩形，并提取目标。
（2）搜索目标左右边界最高点，确定头部的偏向位置。
（3）利用人体比例结构确定头部所在空间。
（4）利用头部长宽比进行匹配，匹配值确定为0.8-1.2。
（5）匹配成功，则判定找到头部。
如果双腿搜索成功或头部匹配成功，则确定运动目标为人体。最后，利用搜索到的人体腿部或头部位置进行姿态识别，完成人体直立、哈腰、匍匐三种姿态的识别。当运动目标为正面或背面哈腰人体时，头部匹配失败，由此而判别出哈腰人体，解决了正面或背面哈腰人体较难判别这一难题。
上述具体实施方式不以任何形式限制本发明的技术方案，凡是采用等同替换或等效变换的方式所获得的技术方案均落在本发明的保护范围。
Claims (1)
1.一种基于决策树的多种人体姿态识别方法，包括以下步骤：
对运动目标进行预处理：决策树系统利用搜索运动的上下左右四个边界点与整幅图像边界的位置关系来判断目标是否完全进入视场内，完全进入后开始计算目标特征量；
车辆与人体的区分：通过决策树系统利用矩形度与形状复杂度变化率对目标进行车辆与人体的区分，用人体判别算法将人体目标及姿态粗略的估计出来；
是否为人体的判别：是通过对目标进行双腿搜索和头部搜索，从而完成人体判别，并且利用离心率进行匍匐人体与猫狗的识别；
人体姿态的识别：是通过决策树系统利用搜索到的人体腿部或头部位置进行姿态识别，完成人体直立、哈腰、匍匐三种姿态的识别；
所述人体判别算法的具体算法是：
人体判别算法步骤S1：利用改进的横井法细化算法对目标进行细化；
人体判别算法步骤S2：对目标进行双腿搜索，搜索成功，则判别为人体；
人体判别算法步骤S3：如双腿搜索失败，则进行头部匹配，匹配成功，判别为人体。
2、根据权利要求1所述的基于决策树的多种人体姿态识别方法，其特征在于，所说的改进的横井法细化算法步骤是：
步骤1：按从左到右、从上到下的顺序，搜索1像素；
步骤2：判别图形表面像素，并加上标记，设上下表面像素和左右表面像素的标记分别为21和31，反复执行步骤S1、S2，直至扫描结束；
步骤3：判别线图形端点，当8邻点中0像素的个数为7时，此点为端点，不能去除，该点值改为41；
步骤4：搜索标记为21或31的点，如果 
，并且同时满足及
条件，或者当满足，并且同时满足
及条件时，则把该点值改为41，否则判断下一步；
步骤5： 计算连接数
，当
时，因不满足保持连接性条件，故不能去除，同样加标记41，当
时，满足可去除条件，将此1像素变为0像素；
步骤6：最后一次扫描，将标记为41的像素全部改为1像素。
3、根据权利要求1所述的基于决策树的多种人体姿态识别方法，其特征在于，所述人体双腿的搜索是先对目标进行细化，然后从底部搜索同行分开的两点，并对其进行跟踪，如两条线段最终相交到一点，则确定找到双腿；
所述的人体头部匹配方法是利用人体比例结构确定头部位置，然后搜索上、下、左、右四个边界点，将人体头部区域标识出来，利用头部矩形度进行匹配。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN 200910031151 CN101533467B (zh) | 2009-04-28 | 2009-04-28 | 一种基于决策树的多种人体姿态识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN 200910031151 CN101533467B (zh) | 2009-04-28 | 2009-04-28 | 一种基于决策树的多种人体姿态识别方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN101533467A CN101533467A (zh) | 2009-09-16 |
| CN101533467B true CN101533467B (zh) | 2013-07-31 |
Family
ID=41104052
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN 200910031151 Expired - Fee Related CN101533467B (zh) | 2009-04-28 | 2009-04-28 | 一种基于决策树的多种人体姿态识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN101533467B (zh) |
Families Citing this family (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103473731B (zh) * | 2012-06-06 | 2018-10-26 | 南京中兴软件有限责任公司 | 图像处理方法及装置 |
| CN102973276B (zh) * | 2012-12-20 | 2014-05-07 | 毛毅翔 | 预防近视和颈椎病的装置 |
| CN103116918B (zh) * | 2012-12-31 | 2015-05-13 | 合肥寰景信息技术有限公司 | 一种基于动作识别的电子密码锁系统 |
| CN104077554B (zh) * | 2013-03-29 | 2018-05-29 | 南京邮电大学 | 基于线性动态系统的视角无关的人体行为识别方法 |
| CN104751111B (zh) * | 2013-12-31 | 2019-02-22 | 深圳先进技术研究院 | 识别视频中人体行为的方法和系统 |
| CN104700088B (zh) * | 2015-03-23 | 2017-11-24 | 南京航空航天大学 | 一种基于单目视觉移动拍摄下的手势轨迹识别方法 |
| CN105138948A (zh) * | 2015-07-07 | 2015-12-09 | 安徽瑞宏信息科技有限公司 | 一种基于视频的人体动作解析方法 |
| CN106683091B (zh) * | 2017-01-06 | 2019-09-24 | 北京理工大学 | 一种基于深度卷积神经网络的目标分类及姿态检测方法 |
| CN107590486B (zh) * | 2017-10-11 | 2020-06-19 | 广州杰赛科技股份有限公司 | 运动目标识别方法和系统、自行车流量统计方法和设备 |
| US10528817B2 (en) | 2017-12-12 | 2020-01-07 | International Business Machines Corporation | Smart display apparatus and control system |
| CN110032932B (zh) * | 2019-03-07 | 2021-09-21 | 哈尔滨理工大学 | 一种基于视频处理和决策树设定阈值的人体姿态识别方法 |
| CN113823135B (zh) * | 2021-09-30 | 2023-06-27 | 创泽智能机器人集团股份有限公司 | 一种基于机器人的辅助教学方法及设备 |
| CN114831627A (zh) * | 2022-03-17 | 2022-08-02 | 吉林大学 | 一种基于三棵决策树的下肢假肢运动识别方法 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6026189A (en) * | 1997-11-13 | 2000-02-15 | National Research Council Of Canada | Method of recognizing objects within two-dimensional and three-dimensional images |
| CN101178767A (zh) * | 2007-10-18 | 2008-05-14 | 周春光 | 人脸和虹膜混合识别的新方法-识别层融合 |
| CN101329731A (zh) * | 2008-06-06 | 2008-12-24 | 南开大学 | 图像中数学公式的自动识别方法 |
-
2009
- 2009-04-28 CN CN 200910031151 patent/CN101533467B/zh not_active Expired - Fee Related
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6026189A (en) * | 1997-11-13 | 2000-02-15 | National Research Council Of Canada | Method of recognizing objects within two-dimensional and three-dimensional images |
| CN101178767A (zh) * | 2007-10-18 | 2008-05-14 | 周春光 | 人脸和虹膜混合识别的新方法-识别层融合 |
| CN101329731A (zh) * | 2008-06-06 | 2008-12-24 | 南开大学 | 图像中数学公式的自动识别方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN101533467A (zh) | 2009-09-16 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN101533467B (zh) | 一种基于决策树的多种人体姿态识别方法 | |
| CN102682302B (zh) | 一种基于关键帧的多特征融合的人体姿态识别方法 | |
| Hsiao et al. | Occlusion reasoning for object detectionunder arbitrary viewpoint | |
| Jin et al. | Face detection using improved LBP under Bayesian framework | |
| CN109522853B (zh) | 面向监控视频的人脸检测与搜索方法 | |
| CN109492581A (zh) | 一种基于tp-stg框架的人体动作识别方法 | |
| CN105975932B (zh) | 基于时间序列shapelet的步态识别分类方法 | |
| WO2020050111A1 (ja) | 動作認識方法及び装置 | |
| CN102855461B (zh) | 在图像中检测手指的方法及设备 | |
| CN106778501A (zh) | 基于压缩跟踪与ihdr增量学习的视频人脸在线识别方法 | |
| CN106846355A (zh) | 基于提升直觉模糊树的目标跟踪方法及装置 | |
| CN103473530A (zh) | 基于多视图和多模态特征的自适应动作识别方法 | |
| CN105825233B (zh) | 一种基于在线学习随机蕨分类器的行人检测方法 | |
| CN102122354A (zh) | 基于自适应特征块选择的步态识别方法 | |
| CN110531618A (zh) | 基于有效关键帧的闭环检测机器人自定位误差消除方法 | |
| Munjal et al. | Query-guided networks for few-shot fine-grained classification and person search | |
| Yang et al. | An extreme learning machine-based pedestrian detection method | |
| Qian et al. | People identification using gait via floor pressure sensing and analysis | |
| Dong et al. | HOG based multi-stage object detection and pose recognition for service robot | |
| CN104463909A (zh) | 基于信度组合地图模型的视觉目标跟踪方法 | |
| CN108596057B (zh) | 一种基于人脸识别的信息安全管理系统 | |
| CN114299050A (zh) | 一种基于改进Alphapose的红外图像摔倒检测方法 | |
| CN101908150A (zh) | 一种人体检测方法 | |
| CN116946610B (zh) | 一种智能仓储系统货物拾取方法及装置 | |
| Chu et al. | Deepapple: Deep learning-based apple detection using a suppression mask r-cnn |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| C14 | Grant of patent or utility model | ||
| GR01 | Patent grant | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20130731 Termination date: 20150428 |
|
| EXPY | Termination of patent right or utility model |