[发明专利]一种基于机器学习的人体状态匹配方法

说明书

本发明公开了一种基于机器学习的人体状态匹配方法，包括：(1)样本集预处理；(2)Open Pose检测人体关键点；(3)训练样本集对齐；(4)建立人体标准姿态模型；(5)PCA分析降维；(6)训练SVM分类器，计算数据集中每个项的变形因子b_C，计算出b_C的阈值；(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。利用本发明，可以快速的确定新姿态是否是预定义的标准姿态，匹配准确度高。

技术领域

本发明属于人体姿态匹配技术领域，尤其是涉及一种基于机器学习的人体状态匹配方法。

背景技术

人体姿态匹配技术，即确定新姿态是否是预定义的标准姿态。这种技术是许多应用所需要的，如虚拟试穿、体感游戏等。

现有方法是基于模板匹配的方法，基于模板匹配的方法首先需要建立模板库，然后对比模板库中每一个样本与要识别的人体目标的相似性。

如公开号为CN112101243A的中国专利文献公开了一种基于关键姿势和DTW的人体动作识别方法，包括以下步骤：S10、利用深度传感器采集得到人体动作3D骨架关节坐标数据后，再利用特征关节相对距离描述静态姿势；S20、利用基于时间约束X-Means聚类算法，对原始动作姿势序列提取关键姿势帧进行描述；S30、建立标准动作模板库，基于DTW算法计算组成待识别动作的关键姿势帧序列与标准动作模板库中的动作关键姿势帧序列之间的相似度距离，将待识别的动作划分为与之相似度距离最小的动作类型。

公开号为CN110598556A的中国专利文献公开了一种人体身形姿态匹配方法和装置，用于RGBD图像的人体身形姿态匹配，包括：通过卷积神经网络对RGBD图像的二维人体掩码和二维关键点信息进行提取；使用RGBD图像的深度图提取RGBD图像的深度信息；将二维人体掩码信息和深度信息进行融合获得三维人体掩码信息；将二维关键点信息和深度信息进行融合获得三维关键点信息；将三维人体掩码信息和三维关键点信息与标准库中的信息进行对比以获得人体身形姿态匹配度。

然而基于模板的方法比较粗糙，模板库中的每一个姿势都是刚性的姿势，在进行姿态匹配时，需要用户像预先设定的姿势一样，但考虑到人体姿态动作的多样性和样本数据的多尺度结构，相同的姿态可能在空间上的差异也会极大。因此基于模板的方法的精度十分有限。

发明内容

本发明提供了一种基于机器学习的人体状态匹配方法，可以快速的确定新姿态是否是预定义的标准姿态，匹配准确度高。

一种基于机器学习的人体状态匹配方法，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；