CN102622606A - 基于测地模型的人体骨骼提取和朝向判定方法 - Google Patents

Abstract

基于测地模型的人体骨骼提取和朝向判定方法：不同人体虽然存在差异，但就整体而言，人体各部分长度之间存在相对固定比例关系，这种长度在用测地距离度量时仍旧存在相对固定比例关系，以测地距离度量的反应人体各部分长度比例关系的模型即为本发明的测地模型。根据测地模型，通过自动提取和识别人体位于四肢和头顶末端的五个特征点，以特征点为起点，计算模型顶点测地距离，提取等测地距离曲线族的中心线，在中心线上根据测地模型中有关各关节位置的信息，确定关节点位置、提取骨骼；再根据下肢关节点与人体朝向的相关性，建立特征向量，利用支持向量机理论构造分类超平面，实现对人体朝向的判定。本发明能适应不同姿态的人体模型，计算结果准确性高，能完全自动实现关节点定位、骨骼提取和人体朝向的判定。

Description

基于测地模型的人体骨骼提取和朝向判定方法

本申请是发明名称为《基于测地模型的人体骨骼提取和朝向判定方法》(申请号：201010105251.8，申请日：2010年2月3日)发明专利申请的分案申请。

技术领域

本发明涉及一种基于测地模型的人体骨骼提取和朝向判定方法，主要用于计算机动画。

背景技术

人体模型骨骼提取，指通过对构成模型的点、边、面等几何元素的分析，结合人体的生理解剖特点和运动特点，提取模型的关节点，生成人体模型的骨骼。由于人体模型的复杂性和不规则性，及人体姿态变化的多样性，使得模型骨骼的自动提取非常困难。目前出现的从人体模型提取骨骼的方法，按照所需模型的不同可以分为如下两类：

(1)基于动态模型的方法

动态模型由表示同一个人体的不同姿态的动画序列组成，每一姿态对应一组顶点数据，大致研究思路是选其中一个姿态为参考姿态，以面、边或顶点为基本单位，计算参考姿态到其它姿态间的变化量或变换矩阵，基于这种变化量或变换矩阵对顶点或面进行聚类，根据类的邻接情况确定关节点位置。(参见文献1-Kirk A.G.，O’Brien J.F.，Forsyth D.A.：Skeletal parameter estimation from optical motion capture data.In CVPR 2005(2005)，pp.782-788；参见文献2-Edilson de Aguiar，Christian Theobalt，Sebastian Thrun，Hans-Peter Seidel，Automatic Conversion of Mesh Animations into Skeleton-basedAnimations.EUROGRAPHICS 2008，Volume 27(2008)，Number 2；参见文献3-Schaefer S.，Yuksel C.：Example-based skeleton extraction.In SGP’07(Aire-la-Ville，Switzerland，2007)，pp.153-162。)

这些方法都以动画序列数据为前提，要求的数据量大，需要进行不同姿态间顶点注册等烦琐的数据预处理，关节点定位的精度与动画数据能否完全反映各关节的运动情况相关。

(2)基于静态模型的方法

静态模型，是指只有一个表示人体某一特定姿态的人体模型，基于静态模型的算法通过对模型的几何特征分析来提取关节点位置。与动态模型相比，由于数据量少，所能获取的信息也少，虽然实现起来比较方便，但精度不高。Oscar(参见文献4-Oscar Kin-Chung Au，Chiew-Lan Tai，Hung-Kuo Chu，Daniel Cohen-Or，Tong-Yee Lee：Skeleton extraction bymesh contraction.ACM Trans.Graph.27(3)：(2008))采用全局位置约束，对模型网格施加隐含拉普拉斯光滑，使网格模型收缩为零体积的骨骼线，再通过连通性处理、塌陷面去除等得到骨骼模型。Ju(参见文献5-Ju Xiangyang，Werghi Naoufel，Siebert J Paul.Automatic segmentation of 3D human body scans[C]//Proc of the Computer Graphicsand Imaging.Las Vegas：[s.n.]，2000)利用一组水平截面截取人体模型，根据各层截面信息将模型分为四肢和胸头等五个部分，基于每个部分中截面椭圆轮廓的周长变化规律，提取出每个部分所包含的关节点。Joao(参见文献6-Oliveira J，Zhang D，SpanlangB，Buxton B.Animating scanned human models.Journal of WSCG，2003，11(2)：362-369.)等人利用扫描模型的水平截面信息，提取模型的中心线，根据局部曲率提取人体局部特征点，再利用局部特征点与关节的关系在中心线上定位关节点位置。文献5、6的算法均采用水平截面截取模型，其计算结果随模型姿态、体形等因素的改变而变化，当人体模型姿态与标准姿态相差较大时，无法获取正确的拓扑结构；其次，提取关节中心所采用的特征(如轮廓周长、平均半径)不够鲁棒，容易受模型精度影响，因而计算结果不够准确。Werghi(参见文献7-Werghi N Yijun Xiao，Siebert J P.A functional2based segmentation of human bodyscans in arbit rary postures[J].IEEE Trans on Systems，Man，and Cybernetics，Part B：Cybernetics，2006，36(1)：1532165)等人将人体表面各点之间测地线距离作为Morse函数，构造了离散Reeb图(discrete Reeb graph，DRG)，根据该图以及人体测量学的先验知识实现了任意姿态扫描人体模型的分块，但该算法只完成了人体模型的分块，并没有实现关节中心的提取。国内于勇(参见文献8-于勇王兆其夏时洪毛天露.一种姿态无关的人体模型骨骼提取方法.计算机研究与发展，2008，45(07)：1249-1258)等人同样采用基于测地距离的方法获得人体拓扑结构，通过轮廓似圆性函数进行骨骼关节定位，能够实现姿态无关的关节提取。虽然该算法是基于人体解剖学的假设，模型的关节附近截面形状呈现不规则形状，而骨骼中部呈现类圆性，但由于该算法的截面是从头顶开始计算测地距离，因此截面轮廓与医学所指截面存在偏差，其抗干扰性差，易受姿态、模型精度等影响。

另外，这些方法在提取骨骼或将人体分为各部分之后，没有提供判断人体朝向的算法，无法区分四肢及四肢的骨骼属于左侧或右侧，妨碍了它在人体识别、数据驱动动画中的应用。胡晓雁(参见文献9-胡晓雁，梁晓辉，赵沁平.自动匹配虚拟人模型与运动数据[J].软件学报，2006，17(10)：218122191)提出了一种人体朝向判定算法，他认为人体重心会稍稍前倾，以此为依据判定人体朝向，实现人体模型与运动数据的匹配。虽然该假设在一些特定姿势下成立，但人体重心会因姿势的变化而变化，很明显在许多姿势下重心前倾的假设并不成立，因此无法作为姿态无关的人体朝向的判据。

总之，目前现有技术存在的问题是：基于动态模型，要求输入模型的动画序列，假如通过扫描得到序列，预处理工作量非常大，假如通过对模型调整产生动态序列，在缺乏骨骼的情况下，难度、工作量都很大；基于静态模型，由于只有一个姿态，缺乏关节的运动信息，仅凭模型的几何信息和一个简单判据，很难准确提取关节点位置。

发明内容

本发明要解决的技术问题：克服现有技术的不足，提出一种充分利用人体先验知识，基于测地模型的人体骨骼提取和人体朝向判定的方法。该方法可以实现姿态无关的人体模型骨骼的自动提取和人体朝向的判定，具有较强的鲁棒性，由于测地模型的使用，缩小了关节点位置搜索范围，提高了算法计算速度和关节定位的准确性，根据下肢关节点与人体朝向的关系构造的反映人体朝向的特征向量，具有计算方便，线性可分性好的优点。

1、本发明采用的技术方案，其特征在于提出了与人体姿态无关、反映人体各部分长度比例关系的测地模型：

Winter(参见文献10-Winter.D.A.Biomechanics and Motor Control of Human Movement.[M].2nd Edition，John Wiley & Sons Canada，Ltd.(May 1990))研究表明，虽然人类由于种族、性别、地域等多种因素的影响，在个体上存在差异，但就整体而言，人体的各个部分在质量、质心位置、肢体长度等方面存在着统计学意义，人体上的各个部分长度之间的相对比例都是基本固定的。他提供了人体测量学的数据，设人的身高为H，则人体各部分相对于身高的比例如图2(a)所示。这一研究成果得到了广泛的应用，但由于他是用欧氏距离度量各部分关节之间的长度，对于只由表面网格组成的三维人体模型，由于没有骨骼层，关节与网格顶点之间缺乏直接联系，很难直接使用这一人体测量学数据。我们沿模型网格表面用测地距离度量各部分长度，计算各部分长度之间的比例关系，通过实验发现，对于不同人体和不同姿态，也存在相对稳定的比例关系。因此本发明提出用受姿态影响很小、且计算非常方便的测地距离来度量人体各部分的长度，构造出人体测地模型。

测地距离指连接曲面上给定两点之间最短路径的长度，本发明用g(x，y)表示点x和y之间的测地距离。

如图2(b)所示，人体模型用M表示，躯干为M₀，与躯干相连的四肢和头等五个突出部分分别为M₁～M₅，则

将这六个部分分为纵向和横向两大类，横向为M₂～M₅，即四肢部分，包括手腕、肘、肩、脚踝、膝盖、大腿等；纵向为M₀、M₁，即头和躯干部分，包括头、颈、尾椎部等。在计算测地距离时，首先在M₁～M₅上选取五个特征点，分别位于头顶、中指、大脚趾的最末端，纵向部分的测地距离从头顶特征点开始，计算各关节点和末端点的测地距离；横向部分的测地距离以离它最近的特征点为起点计算，如左手腕、左肘、左肩以左手部特征点为起点计算测地距离，由此构造出一个“土”字型的人体测地模型。

本发明选用了二十个不同人体和姿态的模型进行实验，首先计算各部分间的测地距离，为了便于在不同模型之间进行比较，我们把两个手部特征点之间的测地距离作为一个单位，记作1L，对其它长度进行量纲转换。测得数据的均值和方差如下表所示：

表：人体各部分测地距离分布

从表中可以看出，人体各部分长度用测地距离表示时同样具有统计学意义。膝、大腿、尾椎、肩关节的波动幅度相对大一些，个别样本达到0.04L，换算为米制大约在7厘米左右，而手腕、脚踝、肘的波动幅度都在0.01L范围内，即1.5厘米左右。由此可以看出不同人体各部分的长度用测地距离度量时也存在比较固定的比例关系，基于这一比例关系，我们给出人体测地模型中各部分的长度，见图3-3。由于测地距离可根据网格顶点坐标直接计算，且具有受人体姿态变化影响小的优点，因此，我们将建立在测地距离基础上的测地模型应用到关节点定位、骨骼提取、特征点提取和识别之中。

2、本发明采用的技术方案，其特征在于构造了反映人体朝向的特征向量和用于朝向判定的分类器：

人体朝向是指躯干面对的方向，由于骨盆具有相对稳定性，我们取骨盆附近的腰关节和左右髋关节所组成的向量来定义人体朝向，令0、R、L分别为人体骨骼模型上腰关节、右髋关节、左髋关节，

则

对应的方向就称为人体朝向。

人体朝向的判定是指从人体表面模型提取出骨骼后，在不知道两个髋关节中哪个是左髋关节、哪个是右髋关节的情况下，判断与腰关节和两个髋关节决定的平面相垂直的两个方向中哪个方向是人体朝向。这样就把朝向判断转化为模式识别中的二分类问题，一类是人体朝向的方向，另一类是人体朝向的反方向。

人体朝向与下肢各关节的状态密切相关，为此，我们选择方向为从髋到膝、从膝到踝、从踝到脚趾的六块骨头与人体朝向的夹角作为判定人体朝向几何特征，构成了六个维度的特征向量x＝(φ₁，φ₂，φ₃，φ₄，φ₅，φ₆)，φ_i的取值范围为[0，π]。

从图5中显示的试验结果表明：φ₁、φ₄反映了左右大腿与人体朝向的夹角一般小于π/2，即大腿一般向前弯曲；而小腿与人体朝向的夹角φ₂、φ₅在π/2附近波动，但大于π/2的情况多于小于π/2的情况，反映了小腿向后弯曲的情况更多；φ₃、φ₆大部分取值也小于π/2，并且比大腿与朝向的夹角更小，这也反映了从脚跟到脚尖的方向与人体朝向比较接近。总之，试验说明不同的姿势有不同的特征向量值与之对应，特征向量值随姿势的变化具有一定规律性，由于每块骨头与人体朝向正向和反向的夹角之和为π，但没有一个φ_i的值全部位于π/2之上或之下，所以无法根据某一个φ_i确定人体的朝向。所以采用基于结构风险最小化的支持向量机作为训练人体朝向的分类器。

构造分类器的具体实施步骤如下：

对每个作为样本的人体模型，通过下文中提到方法，提取各个关节点，然后通过手工标识左右髋关节，计算反映人体朝向的向量，再计算人体朝向特征向量x_i，这样构造出的样本作为正样本，即y_i＝1。同时，构造一个负样本，它的特征向量由与人体朝向反方向的夹角组成，所以可由π减正样本特征向量得到，样本的类别为y_i＝-1，得到样本数据集：

{(x_i，y_i)|i＝1，…，N；x_i∈R⁶，y_i∈{-1，+1}}

对样本数据，采用支持向量机进行分类器的训练，对于线性可分的情况，将对下面的泛函进行求解：

$\underset{\mathrm{\α}}{\min }\frac{1}{2}\underset{i,j=1}{\overset{N}{\mathrm{\Σ}}}{\mathrm{\α}}_i{\mathrm{\α}}_j{y}_i{y}_{j}k(x_i,x_j)-\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{\mathrm{\α}}_i,$ $\mathrm{ST}.\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{\mathrm{\α}}_i{y}_i=\mathrm{0,0}\≤{\mathrm{\α}}_i,$ i＝1，…N

其中α_i是每个样本对应的Lagrange乘子，k(x_i，x)是核函数，分别采用线性函数和高斯函数作为核函数进行分类器训练，得到用于朝向判定的决策函数：

$f\left(x\right)=\mathrm{sgn}\{\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{\mathrm{\α}}_i{y}_{i}k(x_i,x)-b\}$

通过试验发现以RBF为核函数的分类器分类效果优于线性函数为核函数的分类器。

对待判定模型在提取关节点后，然后从腰和髋关节决定的两个方向中随便指定一个方向为人体朝向，计算出特征向量，再根据决策函数计算人体朝向，假如结果为1，则所指定的方向即为人体朝向，否则，人体朝向为所指定方向的反方向。一旦确立了人体朝向，也就识别出了左右髋关节和左右下肢，同理，由腰关节和左右肩关节构成平面的方向与人体朝向的关系，就可以判定左右上肢，实现了对人体四肢的识别。

3、基于测地模型的人体骨骼提取和朝向判定方法，其特征在于包括以下步骤：

(1)模型特征点的提取和识别

模型特征点是指位于头部和四肢末端的顶点，我们将以这些特征点为起点计算各关节点的测地距离，实现关节点定位。首先在模型表面任取一点，计算该点到模型表面其它顶点的测地距离，将测地距离取最大值的点作为第一个特征点，类似地，再以这个特征点为起点，将测地距离取最大值的点作为第二个特征点，在求第三、四个特征点时，将到已求得的特征点的测地距离和取最大值的点作为下一个的特征点。在提取第五个特征点时，增加了一个到已提取特征点距离大于一定值的约束条件，以防止在同一部位取到多个特征点。用g(x，y)表示顶点x和y之间的测地距离。具体算法如下：

(a)、初始化

特征点集F＝{φ}

(b)、计算第一个特征点f₁

$\∀v^{\′}\∈M$

$f_1=\underset{v_i}{\arg \max }\left(g(v^{\′},v_i)\right),$ v_i∈M

F＝F∪{f₁}

(c)、计算第二、三、四个特征点f₂、f₃、f₄

For i＝2 to 4

$f_i=\underset{v_i}{\arg \max }\left(\underset{j=1}{\overset{i-1}{\mathrm{\Σ}}}g(f_j,v_i)\right),$ v_i∈M， $\∀f_j\∈F$

F＝F∪{f_i}

End for

(d)、求解第五个特征点f₅

g_min＝αg(f₁，f₂)

$f_5=\underset{v_i}{\arg \max }\left(\underset{j=1}{\overset{4}{\mathrm{\Σ}}}g(f_j,v_i)\right),$ v_i∈M且g(v_i，f_j)＞g_min， $\∀f_j\∈F$

F＝F∪{f₅}

根据测地模型中各特征点之间的距离，推算出α取0.28左右，试验证明，在(d)中加上约束条件后，可以防止在同一部位取到多个特征点。在求得五个特征点之后，由测地模型的对称性，可从五个特征点中识别出头部特征点，再根据头到手的距离小于头到脚的距离、同侧手脚距离小于异侧手脚距离，可区分出手部和脚部特征点，及判断手脚特征点是否位于同侧或异侧，但无法区分特征点位于左右手和左右脚。

(2)基于人体测地模型的关节点定位

在步骤(1)提取特征点时，已经得到了以前四个特征点为起点的表面模型各顶点的测地距离，再计算出以第五个特征点为起点的测地距离。然后分别针对每个特征点，根据测地模型，计算与它相连部分的等测地线，如图4(c)所示，例如头部特征点，则计算从头顶开始测地距离小于0.661L范围内的等测地线。等测地线的计算，通过对与测地线相交边上的两个顶点的线性插值，得到等测地距离的点，然后将这些具有等测地距离值且相互连通的点顺序连接，得到等测地距离线，对于其中每个封闭的曲线，计算它的中心，将临近层的中心相连接，构成的线称之为中心线，如图4(d)所示。在中心线上，按照测地模型中所提供的各关节点的测地距离，确定各关节点的候选范围，在候选范围内，首先根据关节点位置的夹角取极小值的特点，即本发明称之为基于角度的方法，确定关节点位置，假如夹角过大，本发明中根据实验取阈值为150度，则再根据关节点附近等测地线长度变化，即本发明称之为基于局部周长梯度向量方法，确定关节点位置，实现人体骨骼提取。

(3)人体朝向判定

根据步骤(2)求得的关节点位置，假定两个髋关节中的一个为右R、、另一个为左L，腰关节为0，计算垂直于腰和髋关节所确定平面的单位向量：

$\stackrel{\→}{\mathrm{OP}}=\stackrel{\→}{\mathrm{OR}}\×\stackrel{\→}{\mathrm{OL}}/|\stackrel{\→}{\mathrm{OR}}\×\stackrel{\→}{\mathrm{OL}}|,$

再计算

与从髋到膝、从膝到踝、从踝到脚趾的六块骨头的夹角，构成了六个维度的特征向量x＝(φ₁，φ₂，φ₃，φ₄，φ₅，φ₆)，把这个特征向量代入下面的判别函数：

$f\left(x\right)=\mathrm{sgn}\{\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{\mathrm{\α}}_i{y}_{i}k(x_i,x)-b\}$

假如f(x)＝1，则

所指方向为人体朝向，对左右髋关节的假设成立；

假如f(x)＝-1，则

所指方向为人体朝向的反方向，左右髋关节与假设的情况正好相反。

一旦确立了人体朝向和左右髋关节，也就识别出了左右下肢，同理，由腰关节和左右肩关节构成平面的方向与人体朝向的关系，就可以判定左右上肢，实现了对人体四肢的识别。

附图说明

图1为本发明采用的流程图；

图2a为Winter的人体各个部分长度之间相对比例图，图2b人体分块；

图3为本发明的人体测地模型图，其中两手之间的测地距离为1L；

图4a为人体模型；图4b为特征点；图4c为等测地线；图4d为中心线；图4e关节；图4f为特征向量；

图5为采用本发明确定的关节点位置的绝对误差对比图；其中图5a为手腕关节点绝对误差；图5b为肘关节点绝对误差；图5c为脚踝关节点绝对误差；图5d为膝关节点绝对误差；

图6为特征函数曲线图：其中特征图6a和图6d为人体朝向与左右大腿的夹角，图6b和图6e为人体朝向与左右小腿的夹角，图6c和图6f为人体朝向与左右脚掌的夹角；

图7为本发明中所用到的部分人体模型：图7a为Dance人体模型；图7b为SCAPE人体模型；

图8为用Dance和SCAPE模型训练出的分类器，在计算Dance和SCAPE模型时，函数g(x)的曲线图， $g\left(x\right)=\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{\mathrm{\α}}_i{y}_{i}k(x_i,x)-b;$

图9为交叉试验测试结果：图9a为用Dance训练的分类器测试SCAPE模型；图9b为用SCAPE训练的分类器测试Dance模型。

本发明的试验结果：

本发明所采用的数据模型包括麻省理工学院的Dance人体模型、斯坦福大学的SCAPE人体模型和自己扫描制作的20个模型等三部分，其中Dance和SCAPE分别由201和71个不同姿势的人体组成，图7显示了其中的部分模型。所有实验均在一台P43.4GHz，内存为2GB的PC机上进行，编程环境为Windows Visual C++.net 2005环境。实验采用的所有人体模型均由三角网格构成，模型面片数为14000至25000之间，顶点数在7000至12500之间。

(1)关节点定位

我们选取受姿态变化影响较大的手腕关节、肘关节、脚踝关节、膝关节作为测试对象，将根据本发明的测地模型结合局部周长梯度向量和角度的算法，与现有算法中的基于似圆性和基于周长算法进行比较，比较计算结果的相对误差。图4为各算法计算结果相对误差的对比图，其中Y轴为以离该关节点最近的特征点为起点的测地距离的相对误差，因此，手腕关节、肘关节以手部特征点为起点，脚踝关节、膝关节以脚部特征点为起点，肘关节、膝关节的测地距离较大，所以它们的相对误差较小。

从图5(a)中可以看出，对于手腕关节，基于似圆性和周长的方法得到的结果不太稳定，基于似圆性的方法得到的手腕关节点位置比真实值偏大，这也许与手腕附近结构变化复杂，很难简单用似圆性来判断。基于周长的方法，图中左侧的几个模型误差不大，但右侧的几个模型误差较大，由于这几个模型手腕有较大幅度的弯曲，导致周长最小值的位置往肘关节方向移动。基于角度方法的计算结果比真实值偏大，相对误差在(7％，23％)范围内，换算为绝对误差在(1.5cm，5cm)以内，这是由于连接手腕关节的手掌部分构造比较复杂，作为关节点候选区域的中心线受手的姿态变化影响较大，而且手掌部分的中心不象手臂部分那么直，影响了角度的计算。基于局部周长梯度向量的方法计算结果比较稳定，相对误差在(-15％，+15％)范围内。

对于肘关节，如图5(b)，基于周长的方法得到的肘关节点比真实值大10％左右，这是因为：肘关节附近截面周长的最小值通常在关节上方5cm处取得，因而导致算法出现系统误差。其它三种方法计算得到的肘关节相对误差都在(-5％，5％)范围内，而基于角度方法在个别模型上误差较大，这是由于该模型的肘关节较直，导致沿中心线角度变化不明显。

图5(c)、(d)为脚踝关节点、膝关节点的相对误差的对比图，由于通常脚踝关节都处在弯曲状态，很少有脚踝关节处于笔直状态，所以采用基于角度的方法效果比较好，相对误差在(-7％，7％)范围内，换算为绝对误差在(-2cm，2cm)范围内，基于局部周长梯度向量方法的效果与它相近，只在个别模型上出现了12％的相对误差。其它两种方法计算结果比真实值偏小，相对误差在(0，-28％)范围内。对于膝关节，本文两种算法相对误差在(5％，-5％)范围内，计算结果的稳定性、准确性都明显优于后两种算法。

通过上述分析可知，本文提出的基于测地模型的两种方法，在准确性、稳定性方面明显优于基于似圆性和基于周长的方法。

(2)特征向量的线性可分性

我们将Dance人体模型、SCAPE人体模型的所有样本合在一起作为训练样本，并以与人体朝向方向和反方向的夹角构造正负样本，分别用LINER、RBF为核函数训练分类器，再对这些样本进行测试，结果如图8所示，左侧为Dance人体模型，右侧为SCAPE人体模型，从判别函数g(x)的取值可以看出，本文所选择的特征向量具有很好的线性可分性，并且核函数为RBF的分类结果略好于LINER。

(3)人体朝向判定的交叉试验

以Dance人体模型为训练样本，正负样本共有402个，分别用LINER、RBF为核函数训练分类器，用LINER产生27个支持向量，用RBF产生24个支持向量，分别用这两个分类器测试SCAPE人体模型，正负样本各71个，测试结果如图9(a)所示，用两种核函数对所有测试样本都能准确判断人体朝向，但用LINER分类器测试时，只有一对样本的|g(x)|为0.147，其余都大于0.7；而用RBF分类器测试时，|g(x)|的最小值为0.018，小于0.5的有20对，因此，LINER分类器的硬间隔大于RBF分类器。

以SCAPE人体模型为训练样本，正负样本共有142个，也分别用LINER、RBF为核函数训练分类器，用LINER产生28个支持向量，用RBF产生56个支持向量，分别用这两个分类器测试Dance人体模型，正负样本各201个，测试结果如图9(b)所示，用两种核函数也都能准确判断所有测试样本的人体朝向，并且两种分类器的分类效果非常接近，所有样本的|g(x)|都大于0.55。

两种交叉测试情况相比较，以SCAPE为训练样本的效果好于以Dance为训练样本的效果，这从图7可以找到原因，虽然SCAPE的人体模型数量比Dance少，但它的姿态变化幅度比Dance大，样本更具有代表性，所以训练出的分类器效果更好。

Claims (1)

1.基于测地模型的人体骨骼提取和朝向判定方法，其特征在于包括以下步骤：

(1)根据人体的生理结构特点，将人体模型分为纵向和横向两大部分，横向由四肢组成，包括两侧手腕、肘、肩、脚踝、膝盖、大腿；纵向为头和躯干，包括头、颈、尾椎部；以位于头顶、中指、大脚趾最末端的五个点作为特征点，计算各关节点的测地距离，纵向部分的测地距离从头顶特征点开始；横向部分的测地距离以离它最近的特征点为起点计算，由关节点、末端点间的测地距离比例关系构造出一个“土”字型的人体测地模型，所述人体测地模型与人体姿态无关，反映人体各部分长度比例关系，并且具有针对网格模型计算方便的特点，利用所述人体测地模型的特征，进行人体特征点识别、骨骼提取、朝向判定；在利用模型表面的测地距离，提取位于头部和四肢最突出部分的五个特征点后，根据人体测地模型所提供的各部分比例关系，判断五个特征点所属的部位；

(2)以各特征点为起点，计算各部分顶点的测地距离，计算等测地距离线及线的中心点坐标，将相邻中心连接构造中心线，根据测地模型上所提供的人体各部分长度，确定关节点在中心线上的位置；

(3)计算垂直于腰和髋关节所确定平面的单位向量，由该向量计算出用于朝向判断的特征向量，将特征向量送入分类器，根据分类结果，判定该单位向量是人体朝向还是人体朝向的反方向。

Images