[发明专利]学习者姿态识别方法

说明书

一种学习者姿态识别方法，由人像与背景的分离、对二值化后的图像运用数学形态学运算提取出学习者的轮廓图像、采用Zernike矩进行特征提取、采用支持向量机对特征向量进行训练以及识别学习者的姿态组成。本发明在蜂群算法中引入莱维飞行机制，根据不同的飞行步长采用不同搜索方式，可丰富种群多样性还可避免早熟收敛，陷入局部最优；并在蜂群算法中采用动态权重机制，根据种群的进化率来调整个体蜂搜索方式，动态地平衡全局搜索和局部搜索能力。具有分割效果好、识别率高等优点，可用于学习者姿态识别及其它图像识别和分类。

技术领域

本发明涉及图像处理和机器视觉技术领域，具体涉及一种基于蜂群算法优化归一化割的学习者姿态识别方法。

背景技术

随着网络技术的发展和数字化时代的到来，在线学习作为一种便捷新颖的学习方式，成为一种主导的远程教育形式，日益广泛地影响着我们的学习和工作。学习者的身体姿态部分体现了学习者的学习状态。学习者姿态识别能够有效地评价在线学习过程中学习者的学习状态，使教师得到更多的反馈信息，对于教师事后分析学习者的学习状态、改进教学过程具有重要作用。

张鸿宇等人提出了一种基于深度图像的多学习者姿态识别的方法，首先通过Kinect的红外传感器获取包含深度信息的深度图像，利用深度图像进行人像－背景分离，结合人脸检测技术对人体轮廓进行筛选校正，然后提取人体的轮廓特征Hu矩,采用SVM分类器对轮廓特征进行分类和识别,实验表明这种方法可以获得正坐、举手和低头等3种坐姿的较为准确的识别率。张永强提出一种Hu不变矩和人工鱼群优化支持向量机的人体运动姿态识别方法,首先以二维连续图像为基础，采用高斯模型和背景差相结合的方法将人体运动目标提取出来,然后提取图像中人体运动姿态识别的7个Hu不变矩，将其输入到SVM中进行训练，并采用人工鱼群算法对SVM参数进行优化，通过寻找一个最优超平面，将所有人体运动姿态分类数据集中的类别分开,完成识别,实验结果表明，该方法是一种有效的人体运动姿态识别方法。黄国范等人提出了一种人体动作姿态的自动识别方法，采用图像差分方法检测出图像序列中的人体动作姿态，用运动历史图像和运动能量图像分别表示动作姿态发生的区域以及动作姿态发生的过程，并从中提取出改进的不变矩作为特征向量,采用模板匹配的方法进行人体动作姿态的自动识别，实验结果表明该方法显著地提高了人体动作姿态的识别效率。

上述姿态识别模型在进行目标提取阶段采用深度图像或图像差分法将人体目标提取出来；在进行特征提取阶段，提取出Hu矩作为特征向量，Hu矩不能完全提取图像中的信息，而且它们是非正交的，具有信息冗余性。

发明内容

本发明针对已有技术的不足，提供一种分割效果好、识别率高的基于蜂群算法优化归一化割的学习者姿态识别方法。

解决上述技术问题所采用的技术方案由下述步骤组成：

(1)人像与背景的分离

引入莱维飞行和动态权重的蜂群算法优化归一化割，对学习者姿态图像进行分割，得到原图像的二值图像，实现人像与背景分离，步骤如下：

1)对彩色图像红﹑绿﹑蓝三个颜色通道分别进行模糊C均值聚类预处理,把图像划分成n块最大相似区域，n为6～20的正整数，取各区域在三个颜色通道上灰度值的平均值表示这个区域的像素值，以所有区域像素值构造无向带权图G＝(V,E),V是图中的顶点，E是连通两个顶点的边。

2)无向带权图G顶点集V分成两个独立的连通分图A、B，A∪B＝V，A∩B＝Φ,归一化割准则为：

式中，为A中顶点与无向带权图G中所有顶点的连接权值之和，为B中顶点与无向带权图G中所有顶点的连接权值之和，无向带权图G每条边上的权值在(0,1)之间，代表顶点ξ和ψ之间的相似性。