[发明专利]一种基于人体关键点特征的交警手势识别方法

说明书

本发明涉及一种基于人体关键点特征的交警手势识别方法，其包括以下步骤：获取车载相机采集的原始图像中的交警边界框和关键点坐标；构造关键点特征向量；识别交警手势：采用事先训练好的手势识别模型，输入当前时刻及其之前连续多帧的关键点特征向量，输出当前时刻的手势识别结果。本发明能避免大量真实交通场景交警指挥图像的采集需求，同时利用深度学习方法取得较高的识别准确率。

技术领域

本发明涉及一种手势识别方法，特别是关于一种基于计算机视觉、应用于自动驾驶领域的基于人体关键点特征的交警手势识别方法。

背景技术

交警手势识别是自动驾驶环境感知与认知中的必要任务之一。随着交通指示灯的普及，日常生活中交警指挥车辆行为的现象越来越少，但驾照考试中仍要求驾驶人能够识别八种交警手势，在查车、特殊路段通行等交警介入的情形下，车辆必须服从交警指挥。在自动驾驶逐渐落地过程中，道路上自动驾驶汽车与普通汽车混杂是必经阶段，因此自动驾驶汽车应当具备识别交警手势的能力，以应对有交警介入的特殊情况，保证道路通行安全畅通。

应用于自动驾驶的交警手势识别一般采用基于视觉的方法，通过对车载相机拍摄到的车辆前方图像进行处理，提取图像中的交警特征并对其动作进行识别，从而理解交警指挥含义。然而，基于视觉的算法的识别效果往往容易受到背景、光照等条件影响，拥挤、混杂的交通场景也会加大手势识别的难度。近几年深度学习蓬勃发展，应用于目标检测、姿态估计等视觉领域内的热点问题，取得了更优异的效果，但深度学习往往需要大量数据，目前真实交通场景中交警指挥并不常见，若想要直接使用含交警的交通场景图像用于训练，数据采集将会成为巨大的挑战。

发明内容

针对上述问题，本发明的目的是提供一种基于人体关键点特征的交警手势识别方法，其能避免大量真实交通场景交警指挥图像的采集需求，同时利用深度学习方法取得较高的识别准确率。

为实现上述目的，本发明采取以下技术方案：一种基于人体关键点特征的交警手势识别方法，其包括以下步骤：1)获取车载相机采集的原始图像中的交警边界框和关键点坐标；2)构造关键点特征向量；3)识别交警手势：采用事先训练好的手势识别模型，输入当前时刻及其之前连续多帧图像的关键点特征向量，输出当前时刻的手势识别结果。

进一步，所述步骤1)中，关键点包括左肩、右肩、左肘、右肘、左腕、右腕、左胯和右胯共8个人体关节点。

进一步，所述步骤2)中，特征向量X的具体构造方法包括以下步骤：2.1)身体朝向特征向量X_躯干由4个特征分量x₁,x₂,x₃,x₄构成；x₁,x₂为表征躯干宽度的特征分量，x₃,x₄为表征躯干角度的特征分量，分别定义为左右肩连线与水平方向夹角的正切值和左右胯连线与水平方向夹角的正切值；2.2)左臂动作特征向量X_左臂由4个特征分量x₅,x₆,x₇,x₈构成；x₅,x₆分别是左大臂和左小臂的长度特征，x₇,x₈分别表征左大臂和左小臂抬起的角度，定义为其与竖直向下方向的夹角的余弦值；2.3)右臂动作特征向量X_右臂由4个特征分量x₉,x₁₀,x₁₁,x₁₂构成；x₉,x₁₀分别是右大臂和右小臂的长度特征，x₁₁,x₁₂分别表征右大臂和右小臂抬起的角度，定义为其与竖直向下方向的夹角的余弦值。

进一步，所述4个特征分量x₁,x₂,x₃,x₄分别为：