CN107644201A - 一种基于随机森林的骨架线提取方法及其装置 - Google Patents
一种基于随机森林的骨架线提取方法及其装置 Download PDFInfo
- Publication number
- CN107644201A CN107644201A CN201710778014.XA CN201710778014A CN107644201A CN 107644201 A CN107644201 A CN 107644201A CN 201710778014 A CN201710778014 A CN 201710778014A CN 107644201 A CN107644201 A CN 107644201A
- Authority
- CN
- China
- Prior art keywords
- joint
- random
- measured
- human
- current
- 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.)
- Granted
Links
Landscapes
- Image Analysis (AREA)
Abstract
本发明公开了一种基于随机森林的骨架线提取方法及其装置,包括依据人体骨架线的训练样本构建随机森林;依据随机森林获取待测人体图的关节位置信息;依据关节位置信息确定当前待测关节的起始点;从起始点开始按照预设预测规律在随机森林上进行游走,直至达到终止条件后,按照特定规则确定当前待测关节的预测位置;当前待测关节的预测位置作为其子节点的起始点;重复上述游走操作,直至得到待测人体图中的全部关节的预测位置;本发明依据全部关节的预测位置构成待测人体图的骨架线。采用随机森林的方式提取骨架线,耗时短,且能够区分各个关节。
Description
技术领域
本发明涉及人体识别技术领域,特别是涉及一种基于随机森林的骨架线提取方法及其装置。
背景技术
随着人工智能的快速发展,人们对游戏的要求越来越高。体感游戏,其突破了以往单纯以手柄按键输入的操作方法,而是一种通过肢体动作变化来进行 (操作)的新型游戏。这种游戏常通过提取人体骨架线的方法来获取人体的肢体动作变化。
目前提取骨架线的算法主要有:形态学分析和深度学习。形态学分析通过细化可以拿到人体的骨架线,但是不能区分各个关节;深度学习算法,通过大量数据进行训练,得到骨架线,但是耗时很久,需要高端硬件的支持。
因此,如何提供一种耗时短且能够区分各个关节的基于随机森林的骨架线提取方法及其装置是本领域技术人员目前需要解决的问题。
发明内容
本发明的目的是提供一种基于随机森林的骨架线提取方法及其装置,采用随机森林的方式提取骨架线,耗时短,且能够区分各个关节。
为解决上述技术问题,本发明提供了一种基于随机森林的骨架线提取方法,包括:
依据人体骨架线的训练样本构建随机森林;
依据所述随机森林获取待测人体图的关节位置信息;
依据所述关节位置信息确定当前待测关节的起始点;
从所述起始点开始按照预设预测规律在所述随机森林上进行游走,直至达到终止条件后,按照特定规则确定所述当前待测关节的的预测位置;所述当前待测关节的的预测位置作为其子节点的起始点;重复上述游走操作,直至得到所述待测人体图中的全部关节的预测位置;
依据全部关节的预测位置构成所述待测人体图的骨架线。
优选地,所述依据人体骨架线的训练样本构建随机森林的过程具体为:
步骤s11:依据不同人体体型和人体姿势构建若干个人体骨架线的训练样本;
步骤s12:确定人体骨架线中各个关节间的父子联动关系;
步骤s13:分别采集每个所述人体骨架线的训练样本中各个关节的训练样本,得到各个关节的训练样本集;
步骤s14:通过LBP图像特征提取算法从人体深度图像中获取各个关节的随机特征;
步骤s15:依据所述随机特征训练得到一颗随机树;
步骤s16:判断随机树的个数是否满足预设要求,若不满足,返回步骤s14,重新获取不同的随机特征,若满足,则随机森林构建完成。
优选地,步骤s13的过程具体为:
对于除根关节以外的每个关节,分别在其父子关节周围预设图形范围内采样,训练样本的表示关系式为:
S=(I,J,U),其中,I为所述预设图形,J为当前采集训练样本的关节; U为样本点到关节J的单位方向向量。
优选地,步骤s15的过程具体为:
步骤s151:依据最优特征关系式计算待训练的随机树中当前每个叶子节点的最优特征,所述最优特征关系式为:
其中,K为当前叶子节点的聚类个数,U为采样点到当前叶子节点对应关节的单位向量;为当前叶子节点的全部样本点的平均方向向量,Ck为当前叶子节点的其中一个聚类个数的训练样本集合;
步骤s152:对于每个所述叶子节点,依据其所述最优特征,计算其拟分裂后左右子节点的最优特征并求和,得到子节点特征和;
步骤s153:计算每个所述叶子节点的子节点特征和与自身最优特征的差值的绝对值,选取绝对值最大的叶子节点作为最优分类节点;
步骤s154:依据分类函数令所述待训练的随机树在所述最优分类节点处分裂为左右两支子树;
步骤s155:判断所述待训练的随机树的层数以及节点数是否满足预设树满条件,若满足,则所述待训练的随机树训练完成,否则,返回步骤s151。
优选地,所述依据所述关节位置信息确定当前待测关节的起始点;从所述起始点开始按照预设预测规律在所述随机森林上进行游走,直至达到终止条件后,按照特定规则确定所述当前待测关节的的预测位置的过程具体为:
步骤s31:计算所述待测人体图中各个关节的关节位置信息的平均值,并将所述平均值作为当前待测关节的起始点;
步骤s32:从当前位置点开始,依据所述当前位置点的随机特征遍历所述随机森林中的随机树,找到各个所述随机树的叶子节点;初始的当前位置点为所述起始点;
步骤s33:按照特定的随机概率抽取该叶子节点保存的一个方向向量;
步骤s34:自所述当前位置点开始,以步长e按照所述方向向量游走至特定位置;
步骤s35:判断当前是否满足终止条件,若满足,依据所述特定位置计算当前待测关节的预测位置,否则,令所述特定位置为所述当前位置点,返回步骤s32。
为解决上述技术问题,本发明还提供了一种基于随机森林的骨架线提取装置,包括:
随机森林构建模块,用于依据人体骨架线的训练样本构建随机森林;
深度获取模块,用于依据所述随机森林获取待测人体图的关节位置信息;
骨架线确定模块,用于依据所述关节位置信息确定当前待测关节的起始点;从所述起始点开始按照预设预测规律在所述随机森林上进行游走,直至达到终止条件后,按照特定规则确定所述当前待测关节的的预测位置;所述当前待测关节的的预测位置作为其子节点的起始点;重复上述游走操作,直至得到所述待测人体图中的全部关节的预测位置;依据全部关节的预测位置构成所述待测人体图的骨架线。
优选地,所述随机森林构建模块具体包括:
样本构建单元,用于依据不同人体体型和人体姿势构建若干个人体骨架线的训练样本;
父子关系确定单元,用于确定人体骨架线中各个关节间的父子联动关系;
关节样本采集单元,用于分别采集每个所述人体骨架线的训练样本中各个关节的训练样本,得到各个关节的训练样本集;
特征提取单元,用于通过LBP方法从人体深度图像中获取随机特征;触发随机树训练单元;
所述随机树训练单元,用于依据所述随机特征训练得到一颗随机树;
判断单元,用于判断随机树的个数是否满足预设要求,若不满足,触发所述关节位置信息提取单元,重新获取不同的随机特征,若满足,则随机森林构建完成。
优选地,所述骨架线确定模块具体包括:
起始点确定单元,用于计算所述待测人体图中各个关节的关节位置信息的平均值,并将所述平均值作为当前待测关节的起始点;
遍历单元,用于从当前位置点开始,依据所述当前位置点的随机特征遍历所述随机森林中的随机树,找到各个所述随机树的叶子节点;初始的当前位置点为所述起始点;
方向确定单元,用于按照特定的随机概率抽取该叶子节点保存的一个方向向量;
游走单元,用于自所述当前位置点开始,以步长e按照所述方向向量游走至特定位置;
终止判断单元,用于判断当前是否满足终止条件,若满足,依据所述特定位置计算当前待测关节的预测位置,否则,令所述特定位置为所述当前位置点,触发所述遍历单元。
本发明提供了一种基于随机森林的骨架线提取方法及其装置,通过人体骨架线的训练样本来构建随机森林,之后在应用时,通过获取待测人体图中关节的关节位置信息来在该随机森林上游走,确定各个关节的预测位置来构建待测人体图的骨架线。通过随机森林的方式进行骨架线提取,能够区分各个关节,并且相比深度学习算法,计算量小,耗时短。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对现有技术和实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明提供的一种基于随机森林的骨架线提取方法的过程的流程图;
图2为一种人体骨架线模型;
图3为本发明提供的另一种基于随机森林的骨架线提取方法的过程的流程图;
图4为本发明提供的一种基于随机森林的骨架线提取装置的结构示意图。
具体实施方式
本发明的核心是提供一种基于随机森林的骨架线提取方法及其装置,采用随机森林的方式提取骨架线,耗时短,且能够区分各个关节。
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明提供了一种基于随机森林的骨架线提取方法,参见图1所示,图1 为本发明提供的一种基于随机森林的骨架线提取方法的过程的流程图;该方法包括:
步骤s1:依据人体骨架线的训练样本构建随机森林;
步骤s2:依据随机森林获取待测人体图的关节位置信息;
步骤s3:依据关节位置信息确定当前待测关节的起始点;从起始点开始按照预设预测规律在随机森林上进行游走,直至达到终止条件后,按照特定规则确定当前待测关节的的预测位置;当前待测关节的的预测位置作为其子节点的起始点;重复上述游走操作,直至得到待测人体图中的全部关节的预测位置;
步骤s4:依据全部关节的预测位置构成待测人体图的骨架线。
其中,步骤s1的过程具体为:
步骤s11:依据不同人体体型和人体姿势构建若干个人体骨架线的训练样本;
可以理解的是,对于不同的人体体型和人体的姿势,其骨架线明显是不同的,依据构建人体模型;可以自适应的构建人体的随机姿势,进而提取训练样本;各种随机姿势对应的关节在3D空间中的位置信息,作为Groudtuth(真值数据)。
步骤s12:确定人体骨架线中各个关节间的父子联动关系;
可以理解的是,人体关节间是具有联动关系的,这种关系也可以称为父子关系,例如在人体骨架线中,臀关节一般作为根节点,臀关节带动胯关节以及背关节,则臀关节为胯关节和背关节的父节点。参见图2,图2为一种人体骨架线模型。图2为包含16个关节组成的骨骼模型,其16个关节为head、neck、 left/right shoulder、left/right elbow、left/right hand、left/right hips、left/right knee、 left/right akle、spine、spinel。当然,骨骼模型包含的关节可以采用图2中的结构,也可采用其他结构,本发明对此不作限定。
步骤s13:分别采集每个人体骨架线的训练样本中各个关节的训练样本,得到各个关节的训练样本集;
步骤s14:通过LBP图像特征提取算法从人体深度图像中获取各个关节的随机特征;
其中,LBP(Local Binary Patterns)是提取局部特征作为判别的方法,最初的LBP是定义在像素3x3邻域内的,以邻域中心像素为阈值,将相邻的8 个像素的灰度值与其进行比较,若周围像素值大于中心像素值,则该像素点的位置被标记为1,否则为0。本文对其进行了适当的改进:patch为LBP的区域,其长宽均为d(最好选择3d坐标下的m制单位,此处用pixel进行描述)。当前像素为p,即patch的中心。本文从分别将patch最外围的像素p’与中心像素p比较,如果p’大于p,则当前位置置为1,如果p’小于p,则当前像素置为0;然后计算patch最外围像素中跳变次数t。设置阈值t’,当t大于t’时,其为一种特征,当t小于等于t’时,其为另一种特征。
随机特征F的表示方式如下:
F=(J,d,t’)
其中:J为当前关节;d表示patch的大小(最好取奇数);t’:LBP跳变次数。
步骤s15:依据随机特征训练得到一颗随机树;
可以理解的是,随机森林是由N颗相互独立的随机树组成的一个多分类器,每个随机树是由M个弱随机特征构建的强分类器。
步骤s16:判断随机树的个数是否满足预设要求,若不满足,返回步骤s14,重新获取不同的随机特征,若满足,则随机森林构建完成。
进一步可知,步骤s13的过程具体为:
对于除根关节以外的每个关节,分别在其父子关节周围预设图形范围内采样,训练样本的表示关系式为:
S=(I,J,U),其中,I为预设图形,J为当前采集训练样本的关节;U 为样本点到关节J的单位方向向量。
可以理解的是,这里的预设图形是拟训练用的深度图,预设图形可以为圆形或矩形,或者其他形状的图图形,另外,不同关节处采样的预设图形可以相同也可以不同,本发明对此不作限定。
需要注意的是,由于根关节没有父关节,因此,根关节不需要进行训练。
进一步可知,步骤s15的过程具体为:
步骤s151:依据最优特征关系式计算待训练的随机树中当前每个叶子节点的最优特征,最优特征关系式为:
其中,K为当前叶子节点的聚类个数,U为采样点到当前叶子节点对应关节的单位向量;为当前叶子节点的全部样本点的平均方向向量,Ck为当前叶子节点的其中一个聚类个数的的训练样本集合;
可以理解的是,步骤s14中会得到每个关节对应的随机特征,该随机特征是有一定随机性的,且该随机特征会影响最优特征关系式中U的方向,进而影响最优特征的计算,因此,不同随机特征会导致计算得到的最优特征不同,进而影响最优分类节点的选取,最终会导致得到的随机树不同。故每生成一颗随机树,则需要重复步骤s14的内容,获取新的随机特征。
步骤s152:对于每个叶子节点,依据其最优特征,计算其拟分裂后左右子节点的最优特征并求和,得到子节点特征和;
步骤s153:计算每个叶子节点的子节点特征和与自身最优特征的差值的绝对值,选取绝对值最大的叶子节点作为最优分类节点;
步骤s154:依据分类函数令待训练的随机树在最优分类节点处分裂为左右两支子树;
步骤s155:判断待训练的随机树的层数以及节点数是否满足预设树满条件,若满足,则待训练的随机树训练完成,否则,返回步骤s151。
可以理解的是,训练随机树的过程就是从一个根节点开始,从当前随机树中的各个叶子节点中确定哪个叶子节点为最优分类节点,则从该节点处分裂为两支子树,分裂后随机树的叶子节点也会发生变化,因此,重复上述操作,直至满足预设树满条件。
其中,这里的预设树满条件可以为随机树的层数达到预设要求,或者随机树的节点个数达到预设要求,当然,还可以为其他条件,本发明对此不作限定。
另外,构建随机树的过程中,根节点一般选择深度图的平均位置;这里的深度图指的是提取随机特征的图像。
需要注意的是,随机森林需要覆盖骨架线中的各个关节。
作为优选地,步骤s3的过程具体为:
步骤s31:计算待测人体图中各个关节的关节位置信息的平均值,并将平均值作为当前待测关节的起始点;
步骤s32:从当前位置点开始,依据当前位置点的随机特征遍历所述随机森林中的随机树,找到各个所述随机树的叶子节点;初始的当前位置点为起始点;
步骤s33:按照特定的随机概率抽取该叶子节点保存的一个方向向量;
步骤s34:自当前位置点开始,以步长e按照方向向量游走至特定位置;
步骤s35:判断当前是否满足终止条件,若满足,依据特定位置计算当前待测关节的预测位置,否则,令特定位置为当前位置点,返回步骤s32。
例如,假设起始点为q0(x0,y0,z0),待预测的关节为pi。以q0为中心,遍历随机森林,到达叶子节点11,按照一定的随机概率抽取叶子节点11中保存的一个方向向量n1(x,y,z),以步长e(例如取5cm)游走,从q0游走到特定位置q1(x1,y1,z1),其计算如下:
x1=x0+x*e
y1=y0+y*e
z1=z0+z*e。
之后,从q1的位置开始,继续游走,直至达到终止条件。将每次游走作为一步,每步会对应一个特定位置,将去除最后N步后其余各步的特定位置的平均值作为待测关节的预测位置。
其中,这里的终止条件可以根据实际需求进行设定,如限制游走的步数;限制游走的误差等,本发明对此不作具体限定。
参见图3所示,图3为本发明提供的另一种基于随机森林的骨架线提取方法的过程的流程图。
本发明提供了一种基于随机森林的骨架线提取方法,通过人体骨架线的训练样本来构建随机森林,之后在应用时,通过获取待测人体图中关节的关节位置信息来在该随机森林上游走,确定各个关节的预测位置来构建待测人体图的骨架线。通过随机森林的方式进行骨架线提取,能够区分各个关节,并且相比深度学习算法,计算量小,耗时短。
本发明还提供了一种基于随机森林的骨架线提取装置,参见图4所示,图 4为本发明提供的一种基于随机森林的骨架线提取装置的结构示意图。该装置包括:
随机森林构建模块1,用于依据人体骨架线的训练样本构建随机森林;
深度获取模块2,用于依据随机森林获取待测人体图的关节位置信息;
骨架线确定模块3,用于依据关节位置信息确定当前待测关节的起始点;从起始点开始按照预设预测规律在随机森林上进行游走,直至达到终止条件后,按照特定规则确定当前待测关节的的预测位置;当前待测关节的的预测位置作为其子节点的起始点;重复上述游走操作,直至得到待测人体图中的全部关节的预测位置;依据全部关节的预测位置构成待测人体图的骨架线。
其中,随机森林构建模块1具体包括:
样本构建单元,用于依据不同人体体型和人体姿势构建若干个人体骨架线的训练样本;
父子关系确定单元,用于确定人体骨架线中各个关节间的父子联动关系;
关节样本采集单元,用于分别采集每个人体骨架线的训练样本中各个关节的训练样本,得到各个关节的训练样本集;
特征提取单元,用于通过LBP方法从人体深度图像中获取随机特征;发随机树训练单元;
随机树训练单元,用于依据随机特征训练得到一颗随机树;
判断单元,用于判断随机树的个数是否满足预设要求,若不满足,触发关节位置信息提取单元,重新获取不同的随机特征,若满足,则随机森林构建完成。优选地,骨架线确定模块3具体包括:
起始点确定单元,用于计算待测人体图中各个关节的关节位置信息的平均值,并将平均值作为当前待测关节的起始点;
遍历单元,用于从当前位置点开始,依据所述当前位置点的随机特征遍历所述随机森林中的随机树,找到各个所述随机树的叶子节点;初始的当前位置点为起始点;
方向确定单元,用于按照特定的随机概率抽取该叶子节点保存的一个方向向量;
游走单元,用于自当前位置点开始,以步长e按照方向向量游走至特定位置;
终止判断单元,用于判断当前是否满足终止条件,若满足,依据特定位置计算当前待测关节的预测位置,否则,令特定位置为当前位置点,触发遍历单元。
本发明提供了一种基于随机森林的骨架线提取装置,通过人体骨架线的训练样本来构建随机森林,之后在应用时,通过获取待测人体图中关节的关节位置信息来在该随机森林上游走,确定各个关节的预测位置来构建待测人体图的骨架线。通过随机森林的方式进行骨架线提取,能够区分各个关节,并且相比深度学习算法,计算量小,耗时短。
以上的几种具体实施方式仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进,这些改进也应视为本发明的保护范围。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
还需要说明的是,在本说明书中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个......”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下,在其他实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (8)
1.一种基于随机森林的骨架线提取方法,其特征在于,包括:
依据人体骨架线的训练样本构建随机森林;
依据所述随机森林获取待测人体图的关节位置信息;
依据所述关节位置信息确定当前待测关节的起始点;
从所述起始点开始按照预设预测规律在所述随机森林上进行游走,直至达到终止条件后,按照特定规则确定所述当前待测关节的的预测位置;所述当前待测关节的的预测位置作为其子节点的起始点;重复上述游走操作,直至得到所述待测人体图中的全部关节的预测位置;
依据全部关节的预测位置构成所述待测人体图的骨架线。
2.根据权利要求1所述的方法,其特征在于,所述依据人体骨架线的训练样本构建随机森林的过程具体为:
步骤s11:依据不同人体体型和人体姿势构建若干个人体骨架线的训练样本;
步骤s12:确定人体骨架线中各个关节间的父子联动关系;
步骤s13:分别采集每个所述人体骨架线的训练样本中各个关节的训练样本,得到各个关节的训练样本集;
步骤s14:通过LBP图像特征提取算法从人体深度图像中获取各个关节的随机特征;
步骤s15:依据所述随机特征训练得到一颗随机树;
步骤s16:判断随机树的个数是否满足预设要求,若不满足,返回步骤s14,重新获取不同的随机特征,若满足,则随机森林构建完成。
3.根据权利要求2所述的方法,其特征在于,步骤s13的过程具体为:
对于除根关节以外的每个关节,分别在其父子关节周围预设图形范围内采样,训练样本的表示关系式为:
S=(I,J,U),其中,I为所述预设图形,J为当前采集训练样本的关节;U为样本点到关节J的单位方向向量。
4.根据权利要求3所述的方法,其特征在于,步骤s15的过程具体为:
步骤s151:依据最优特征关系式计算待训练的随机树中当前每个叶子节点的最优特征,所述最优特征关系式为:
其中,K为当前叶子节点的聚类个数,U为采样点到当前叶子节点对应关节的单位向量;为当前叶子节点的全部样本点的平均方向向量,Ck为当前叶子节点其中一个聚类个数的的训练样本集合;
步骤s152:对于每个所述叶子节点,依据其所述最优特征,计算其拟分裂后左右子节点的最优特征并求和,得到子节点特征和;
步骤s153:计算每个所述叶子节点的子节点特征和与自身最优特征的差值的绝对值,选取绝对值最大的叶子节点作为最优分类节点;
步骤s154:依据分类函数令所述待训练的随机树在所述最优分类节点处分裂为左右两支子树;
步骤s155:判断所述待训练的随机树的层数以及节点数是否满足预设树满条件,若满足,则所述待训练的随机树训练完成,否则,返回步骤s151。
5.根据权利要求4所述的方法,其特征在于,所述依据所述关节位置信息确定当前待测关节的起始点;从所述起始点开始按照预设预测规律在所述随机森林上进行游走,直至达到终止条件后,按照特定规则确定所述当前待测关节的的预测位置的过程具体为:
步骤s31:计算所述待测人体图中各个关节的关节位置信息的平均值,并将所述平均值作为当前待测关节的起始点;
步骤s32:从当前位置点开始,依据所述当前位置点的随机特征遍历所述随机森林中的随机树,找到各个所述随机树的叶子节点;初始的当前位置点为所述起始点;
步骤s33:按照特定的随机概率抽取该叶子节点保存的一个方向向量;
步骤s34:自所述当前位置点开始,以步长e按照所述方向向量游走至特定位置;
步骤s35:判断当前是否满足终止条件,若满足,依据所述特定位置计算当前待测关节的预测位置,否则,令所述特定位置为所述当前位置点,返回步骤s32。
6.一种基于随机森林的骨架线提取装置,其特征在于,包括:
随机森林构建模块,用于依据人体骨架线的训练样本构建随机森林;
深度获取模块,用于依据所述随机森林获取待测人体图的关节位置信息;
骨架线确定模块,用于依据所述关节位置信息确定当前待测关节的起始点;从所述起始点开始按照预设预测规律在所述随机森林上进行游走,直至达到终止条件后,按照特定规则确定所述当前待测关节的的预测位置;所述当前待测关节的的预测位置作为其子节点的起始点;重复上述游走操作,直至得到所述待测人体图中的全部关节的预测位置;依据全部关节的预测位置构成所述待测人体图的骨架线。
7.根据权利要求6所述的装置,其特征在于,所述随机森林构建模块具体包括:
样本构建单元,用于依据不同人体体型和人体姿势构建若干个人体骨架线的训练样本;
父子关系确定单元,用于确定人体骨架线中各个关节间的父子联动关系;
关节样本采集单元,用于分别采集每个所述人体骨架线的训练样本中各个关节的训练样本,得到各个关节的训练样本集;
特征提取单元,用于通过LBP方法从人体深度图像中获取随机特征;触发随机树训练单元;
所述随机树训练单元,用于依据所述随机特征训练得到一颗随机树;
判断单元,用于判断随机树的个数是否满足预设要求,若不满足,触发所述关节位置信息提取单元,重新获取不同的随机特征,若满足,则随机森林构建完成。
8.根据权利要求7所述的装置,其特征在于,所述骨架线确定模块具体包括:
起始点确定单元,用于计算所述待测人体图中各个关节的关节位置信息的平均值,并将所述平均值作为当前待测关节的起始点;
遍历单元,用于从当前位置点开始,依据所述当前位置点的随机特征遍历所述随机森林中的随机树,找到各个所述随机树的叶子节点;初始的当前位置点为所述起始点;
方向确定单元,用于按照特定的随机概率抽取该叶子节点保存的一个方向向量;
游走单元,用于自所述当前位置点开始,以步长e按照所述方向向量游走至特定位置;
终止判断单元,用于判断当前是否满足终止条件,若满足,依据所述特定位置计算当前待测关节的预测位置,否则,令所述特定位置为所述当前位置点,触发所述遍历单元。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710778014.XA CN107644201B (zh) | 2017-08-31 | 2017-08-31 | 一种基于随机森林的骨架线提取方法及其装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710778014.XA CN107644201B (zh) | 2017-08-31 | 2017-08-31 | 一种基于随机森林的骨架线提取方法及其装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107644201A true CN107644201A (zh) | 2018-01-30 |
CN107644201B CN107644201B (zh) | 2021-02-26 |
Family
ID=61110146
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710778014.XA Active CN107644201B (zh) | 2017-08-31 | 2017-08-31 | 一种基于随机森林的骨架线提取方法及其装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107644201B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109101864A (zh) * | 2018-04-18 | 2018-12-28 | 长春理工大学 | 基于关键帧和随机森林回归的人体上半身动作识别方法 |
CN109126116A (zh) * | 2018-06-01 | 2019-01-04 | 成都通甲优博科技有限责任公司 | 一种体感互动方法及其系统 |
CN114419276A (zh) * | 2022-01-19 | 2022-04-29 | 厦门大学 | 基于最优传输和聚类的曲线骨架提取方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2006052853A2 (en) * | 2004-11-05 | 2006-05-18 | Honda Motor Co. Ltd. | Human pose estimation with data driven belief propagation |
CN105741323A (zh) * | 2016-02-03 | 2016-07-06 | 浙江大学 | 一种基于单目视频的人体骨架跟踪方法 |
CN106372747A (zh) * | 2016-08-27 | 2017-02-01 | 天津大学 | 基于随机森林的台区合理线损率估计方法 |
-
2017
- 2017-08-31 CN CN201710778014.XA patent/CN107644201B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2006052853A2 (en) * | 2004-11-05 | 2006-05-18 | Honda Motor Co. Ltd. | Human pose estimation with data driven belief propagation |
CN105741323A (zh) * | 2016-02-03 | 2016-07-06 | 浙江大学 | 一种基于单目视频的人体骨架跟踪方法 |
CN106372747A (zh) * | 2016-08-27 | 2017-02-01 | 天津大学 | 基于随机森林的台区合理线损率估计方法 |
Non-Patent Citations (1)
Title |
---|
刘专: ""基于增强回归树的二维人体姿态估计研究"", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109101864A (zh) * | 2018-04-18 | 2018-12-28 | 长春理工大学 | 基于关键帧和随机森林回归的人体上半身动作识别方法 |
CN109126116A (zh) * | 2018-06-01 | 2019-01-04 | 成都通甲优博科技有限责任公司 | 一种体感互动方法及其系统 |
CN114419276A (zh) * | 2022-01-19 | 2022-04-29 | 厦门大学 | 基于最优传输和聚类的曲线骨架提取方法 |
CN114419276B (zh) * | 2022-01-19 | 2024-05-03 | 厦门大学 | 基于最优传输和聚类的曲线骨架提取方法 |
Also Published As
Publication number | Publication date |
---|---|
CN107644201B (zh) | 2021-02-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102184541B (zh) | 多目标优化人体运动跟踪方法 | |
CN110532874B (zh) | 一种物体属性识别模型的生成方法、存储介质及电子设备 | |
CN107644201A (zh) | 一种基于随机森林的骨架线提取方法及其装置 | |
CN103971102B (zh) | 基于手指轮廓和决策树的静态手势识别方法 | |
Vehlow et al. | Visualizing fuzzy overlapping communities in networks | |
CN104915351B (zh) | 图片排序方法及终端 | |
CN103186775B (zh) | 基于混合描述子的人体运动识别方法 | |
CN106650687A (zh) | 一种基于深度信息和骨骼信息的姿势矫正方法 | |
CN106600626A (zh) | 三维人体运动捕获方法与系统 | |
CN107243141A (zh) | 一种基于运动识别的动作辅助训练系统 | |
US20140198954A1 (en) | Systems and methods of detecting body movements using globally generated multi-dimensional gesture data | |
CN109999496A (zh) | 虚拟对象的控制方法、装置和电子装置 | |
CN106650827A (zh) | 基于结构指导深度学习的人体姿态估计方法和系统 | |
CN107169455A (zh) | 基于深度局部特征的人脸属性识别方法 | |
CN108629326A (zh) | 目标体的动作行为识别方法及装置 | |
CN104268629B (zh) | 一种基于先验信息和网络固有信息的复杂网络社区检测方法 | |
CN109597485A (zh) | 一种基于双指角域特征的手势交互系统及其工作方法 | |
CN103246891A (zh) | 一种基于Kinect的中国手语识别方法 | |
CN110009027A (zh) | 图像的比对方法、装置、存储介质及电子装置 | |
CN110047081A (zh) | 胸部x光图像的实例分割方法、装置、设备及介质 | |
CN107730536A (zh) | 一种基于深度特征的高速相关滤波物体追踪方法 | |
CN107729901A (zh) | 图像处理模型的建立方法、装置及图像处理方法及系统 | |
CN106874489A (zh) | 一种基于卷积神经网络的肺结节图像块检索方法及装置 | |
CN108229401A (zh) | 一种基于afsa-svm的多模态信号分类方法 | |
CN106055580A (zh) | 一种基于Radviz的模糊聚类结果可视化方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |