[发明专利]一种基于机器学习的人体状态匹配方法

权利要求书

1.一种基于机器学习的人体状态匹配方法，其特征在于，包括以下步骤：

(1)收集多张标准姿态的人体正面视图作为正样本，建立标准姿态样本集D；收集相同规模的姿态不标准的人体正面视图作为负样本；检测并保存所有正样本和负样本的关键点信息；

(2)训练标准姿态样本集对齐，得到对齐的姿态形状数据集

(3)计算对齐的姿态形状数据集中的平均姿态形状并将数据集中每个姿态形状和平均姿态形状之间的变化表示为计算协方差矩阵S；

(4)使用主成分分析PCA对协方差矩阵S进行特征分解，找出姿态形状变形的主要成分；变换后的姿态形状近似表示为：

其中，Q_C表示最大特征值C对应的特征向量，b_C为变形因子，b_C越小，相对于的变形越小；

(5)准备一个包含正样本和负样本的训练数据集，训练SVM分类器，计算数据集中每个项的变形因子b_C，并将合格的姿态标记为1，不标准的姿态标记为0，计算出b_C的阈值；

(6)对于待验证的人体姿态形状p_new，首先将它与平均姿态形状对齐，对齐后的形状表示为

(7)计算待验证的人体姿态形状的变形因子b_C，如果b_C值在阈值范围内，则待验证的姿态形状就是预定义的标准姿态，如果b_C值超出阈值范围，则待验证的姿态形状不是标准姿态。

2.根据权利要求1所述的基于机器学习的人体状态匹配方法，其特征在于，步骤(1)中，所述的检测并保存所有正样本和负样本的关键点信息包括：先将每张图片压缩到20K以下，再使用Open Pose来估计人体的关键点，共提供25个身体关键点，关键点估计完成后，将对应图片的关键点信息以同名的json格式保存。

3.根据权利要求1所述的基于机器学习的人体状态匹配方法，其特征在于，步骤(2)的具体过程为：

(2-1)将标准姿态样本集表示如下：

D＝{p_i|0≤i≤n}

其中，n是样本总数，p_i表示第i个样本；

(2-2)随机选择一个初始化姿态形状p_m∈D，将样本集中除p_m外的其它姿态形状依次与p_m对齐，最终得到对齐的姿态形状数据集

4.根据权利要求3所述的基于机器学习的人体状态匹配方法，其特征在于，步骤(2-2)中，将样本集中除p_m外的其它姿态形状依次与p_m对齐的具体过程为：

(2-2-1)对标准姿态样本集D中除p_m外的p_t进行仿射变换，0≤t≤n，且t≠m，A为仿射变换矩阵，是变换后的姿态形状，E表示变换后的形状与选定形状p_m的区别；

(2-2-2)找到仿射变换矩阵A，使差异E足够小；

(2-2-3)通过得到变换后的形状此时，与p_m已经对齐。

5.根据权利要求3所述的基于机器学习的人体状态匹配方法，其特征在于，步骤(3)中，计算对齐的姿态形状数据集中的平均姿态形状的公式为：

式中，[]^T表示矩阵的转置，表示中所有姿态形状对应的x_k平均值，表示表示中所有姿态形状对应的y_k平均值。

6.根据权利要求5所述的基于机器学习的人体状态匹配方法，其特征在于，步骤(4)的具体过程为：

将主成分分析PCA的过程表示如下：

Sq_k＝λ_kq_k k＝0，1，2，...，2n-1

其中，q_k是特征向量，λ_k是特征值；将新的空间基础表示为Q＝[q₀ q₁…q_2n-1]，因此任何变换的姿态形状表示为：

用λ_k特征值对q_k进行排序，使λ₁≥λ₂≥λ₃≥…≥λ_2n，最大特征值C对应的特征向量Q_C，变换后的姿态形状近似表示为：

式中，平均形状和特征向量Q_C是姿态形状模型的参数，b_C为变形因子。