[发明专利]基于带有噪声输入的稀疏高斯过程的姿态估计方法及系统

说明书

技术领域

本发明涉及姿态估计技术领域，具体地，涉及一种基于带有噪声输入的稀疏高斯过程的姿态估计方法及系统。

背景技术

对于人体姿态估计问题，通常的解决过程为：图像采集，数据预处理，特征提取，机器学习算法预测估计。

通过图像采集技术，将一整个视频序列转化为方便识别的单帧图像。由于单帧图像中不存在可以利用的光流信息，也没有可以利用的背景知识。而真实场景中的背景通常都是比较复杂的，因此有效地提取人体目标特征是进行姿态估计是必不可少的步骤。在特征提取技术方面，无论是二维姿态估计还是三维姿态估计，都可以分为基于模型的方法和无模型的方法。基于模型的方法通常是对人体目标建立关节树模型，无模型的方法则通常是基于统计学习理论或者流形的方法。但总体而言，现有的特征提取方法面临诸如光照条件变化、人体变形、部位相互遮挡、状态空间高维数和大尺寸等困难。

在预测估计算法方面，目前应用比较广泛的是传统的贝叶斯估计法和支持向量机(SVM)法。但以上方法仍有许多缺陷，支持向量机在核函数及其参数和惩罚函数的选取等方面操作难度较大，而传统的贝叶斯估计法由于模型过于简单，因此在预测准确性与算法鲁棒性方面均有一定的缺陷。同时，现有算法均未考虑输入噪声对预测过程的影响，这使得算法应用于解决实际问题时产生较大的预测误差。

此外，传统的高斯过程对于解决非线性，复杂和小样本的问题具有灵活性和有效性。但是，人体姿态估计通常需要庞大的数据集和较高的输入输出维数，因此，将高斯过程直接用于预测将导致较长的运行时间与大量的运算空间。

发明内容

针对现有技术中的缺陷，本发明的目的是提供一种基于带有噪声输入的稀疏高斯过程的姿态估计方法及系统。

根据本发明提供的一种基于带有噪声输入的稀疏高斯过程的姿态估计方法，包括：

图像特征提取步骤：通过抑制的背景模型和自适应阈值，提取图像的人体姿态轮廓，并提取图像的HOG特征；

预测估计步骤：选取稀疏算法的感应输入输出集，给输入集添加高斯噪声，通过最大似然估计法与梯度下降法确定带有噪声输入的高斯过程的超参数，从而确定高斯过程的联合概率分布函数，利用所选取的感应输入输出集作为训练集进行稀疏算法的稀疏训练，得到预测估计的模型。

优选的，所述提取图像的HOG特征包括：

计算图像每个像素的梯度大小和方向，划分图像，将若干像素组成一个单元，统计每个单元的梯度直方图，形成每个单元的特征描述，将若干单元组成一个块，将每个块内所有单元的特征描述串联，得到每个块的HOG特征描述，将图像内的所有块的HOG特征描述串联，得到图像的HOG特征。

优选的，6*6个像素组成一个单元，3*3个单元组成一个块。

优选的，在所述图像特征提取步骤之前还包括：

图像采集与预处理步骤：对视频序列进行截取得到RGB图像，将得到的RGB图像进行包括降噪、灰度化在内的预处理。

优选的，在所述预测估计步骤之后还包括：

结果评估步骤：对稀疏训练剩下的数据作为测试数据进行验证，得到模型的精度。

根据本发明提供的一种基于带有噪声输入的稀疏高斯过程的姿态估计系统，包括：

图像特征提取模块：通过抑制的背景模型和自适应阈值，提取图像的人体姿态轮廓，并提取图像的HOG特征；

预测估计模块：选取稀疏算法的感应输入输出集，给输入集添加高斯噪声，通过最大似然估计法与梯度下降法确定带有噪声输入的高斯过程的超参数，从而确定高斯过程的联合概率分布函数，利用所选取的感应输入输出集作为训练集进行稀疏算法的稀疏训练，得到预测估计的模型。

优选的，所述提取图像的HOG特征包括：

计算图像每个像素的梯度大小和方向，划分图像，将若干像素组成一个单元，统计每个单元的梯度直方图，形成每个单元的特征描述，将若干单元组成一个块，将每个块内所有单元的特征描述串联，得到每个块的HOG特征描述，将图像内的所有块的HOG特征描述串联，得到图像的HOG特征。

优选的，6*6个像素组成一个单元，3*3个单元组成一个块。

优选的，还包括：

图像采集与预处理模块：对视频序列进行截取得到RGB图像，将得到的RGB图像进行包括降噪、灰度化在内的预处理，并将预处理的RGB图像传输至所述图像特征提取模块。

优选的，还包括：

结果评估模块：对稀疏训练剩下的数据作为测试数据进行验证，得到模型的精度。

与现有技术相比，本发明具有如下的有益效果：