[发明专利]一种多分类器姿势识别方法及装置

说明书

本发明公开了一种多分类器姿势识别方法及装置，所述方法包括：根据K‑means聚类算法，得到所有样本轮廓点特征的分布中心，并投影得到第一直方图，进一步根据待识别图像的轮廓点特征，得到第二直方图；计算所述第二直方图与样本库中每个分类器对应的直方图的相似度，根据相似度阈值获取N个分类器；根据所述N个分类器的姿势模型和所述N个分类器中每个分类器的权值，得到姿势检测函数；所述姿势检测函数即为待识别图像的姿势对应的函数。本发明可以有效控制子模型的复杂度又可以实现对表观相似性样本的聚集从而提高模型学习的有效性，同时满足海量数据的训练学习任务，有效提高姿势识别方法的性能。

技术领域

本发明涉及人机交互领域，具体涉及一种多分类器姿势识别方法及装置。

背景技术

一般姿势识别是人机交互的关键技术之一，目前主要采用基于机器学习的姿势识别方法，如利用部件识别的方法识别出人体的各个部分，如四肢、头部等部分，再将各个部件连接起来构成人体姿势。为了保障机器学习方法的性能往往需要大量的训练样本进行训练。

当前采用单一分类器进行大规模训练，这种方式既需要大量的训练资源(如内存和训练时间的消耗)，又难以保证训练后分类器的性能。

发明内容

由于当前的单一分类器姿势识别方法既需要大量的训练资源，又难以保证训练后分类器的性能，本发明提出一种多分类器姿势识别方法及装置。

第一方面，本发明提出一种多分类器姿势识别方法，包括：

S1、根据K-means聚类算法，得到所有样本轮廓点特征的分布中心，对所述分布中心进行投影，得到第一直方图，并根据所述第一直方图和待识别图像的轮廓点特征，得到待识别图像对应的第二直方图；

S2、计算所述第二直方图与样本库中每个分类器对应的直方图的相似度，按照相似度值从大到小对所有分类器进行排序，并根据相似度阈值获取排序后的分类器中前N个分类器，N为大于0的整数；

S3、根据所述前N个分类器的姿势模型和所述前N个分类器中每个分类器的权值，得到姿势检测函数；所述姿势检测函数即为待识别图像的姿势对应的函数。

优选地，步骤S1之前包括：

S0、根据轮廓点特征对样本库中的所有图像进行聚类，得到若干个分类器，并对每个分类器中的所有图像对应的直方图进行处理，得到每个分类器对应的直方图。

优选地，步骤S1包括：对所述分布中心进行软投影。

优选地，步骤S4包括：对所有分类器对应的直方图的相似度进行归一化处理，得到所有分类器对应的直方图的相似度权值。

优选地，步骤S5包括：所述姿势检测函数为：

其中，c_k表示排序后的分类器中第k个分类器，I表示待识别图片，X表示姿势模型，q(X|c_k,I)表示第k个分类器的姿势函数，p(c_k|I)表示第k个分类器的相似度权值。

第二方面，本发明还提出一种多分类器姿势识别装置，包括：

特征对齐模块，用于根据K-means聚类算法，得到所有样本轮廓点特征的分布中心，对所述分布中心进行投影，得到第一直方图，并根据所述第一直方图和待识别图像的轮廓点特征，得到待识别图像对应的第二直方图；

相似度计算模块，用于计算所述第二直方图与样本库中每个分类器对应的直方图的相似度，按照相似度值从大到小对所有分类器进行排序，并根据相似度阈值获取排序后的分类器中前N个分类器，N为大于0的整数；