[发明专利]一种基于深度学习的人体轮廓提取方法

说明书

本发明公开了一种基于深度学习的人体轮廓提取方法，具体按照以下步骤实施：步骤1，提取原始图像的Gabor纹理特征；步骤2，提取原始图像的Canny边缘特征；步骤3，搭建适用于人体轮廓提取的卷积神经网络架构；步骤4，将原始图像、步骤1提取的Gabor纹理特征图、步骤2.提取的Canny边缘特征图共同传入步骤3构建好的卷积神经网络进行训练，生成CNN人物模型；步骤5，对训练好的CNN人物模型的结构进行测试，得到人体轮廓图像；步骤6，通过步骤5的测试过程记录人体轮廓图像的重叠率与耗时，对人体轮廓图像进行评估。本发明方法达到了较高的准确率、提高了检测率，还缩短了测试时间。

技术领域

本发明属于机器视觉技术领域，具体涉及一种基于深度学习的人体轮廓提取方法。

背景技术

人体轮廓提取在计算机视觉领域占据重要地位，是人体检测、人体行为识别的核心技术。人体轮廓提取技术目前广泛应用于智能监控、医学治疗等领域。人体模型的虚拟重建是现代医学可视化系统中的关键技术，准确的人体轮廓信息采集才能够保障对患者病症进行合理的医学分析。另一方面，随着现代社会对人身及公共财产安全要求的加强，智能监控系统的使用率逐渐提升。智能视频监控技术的首要目标是利用各种监控设备获得监控数据，进而对被检测场景发生的事件进行自动理解和描述，并预测未来可能发生的事件。人体轮廓提取作为智能监控系统的关键支撑技术，能够提供图像中人体的位置和轮廓信息，便于自动进行人体跟踪和行为识别，从而实现智能监控的目的。

国内外的学者们针对静态图像人体检测中的难点，提出了多种利用提取图像的不同特征并结合分类器训练的方法来实现准确的人体识别。但这些传统的特征提取方法虽然可以对人体位置进行判断，但无法准确提取人体轮廓。针对目标轮廓提取问题，也有很多行之有效的方案，如主动轮廓模型、视觉显著性等。这些方法虽然能够提取目标轮廓，但是在计算复杂度或者实时性等方面存在一定的局限性。

近年来，深度学习的方法逐渐替代了传统特征提取的方法，在目标检测、图像分割等领域取得了突破性的进展。深度学习的目的是处理数据时通过模拟人脑神经中枢结构运作的方式，自动的进行特征学习，进而完成对数据的处理结果。卷积神经网络(Convolutional Neural Network，CNN)是深度学习方法中的一类模型，它独特的权值共享结构与稀疏连接的方式使得网络本身在图像分析中占据优势。

发明内容

本发明的目的是提供一种基于深度学习的人体轮廓提取方法，解决了现有技术中对静态图像中人体轮廓提取效果较差和模型训练速度较慢的问题。

本发明所采用的技术方案是，一种基于深度学习的人体轮廓提取方法，具体按照以下步骤实施：

步骤1，提取原始图像的Gabor纹理特征；

步骤2，提取原始图像的Canny边缘特征；

步骤3，搭建适用于人体轮廓提取的卷积神经网络架构；

步骤4，将原始图像、步骤1提取的Gabor纹理特征图、步骤2.提取的Canny边缘特征图共同传入步骤3构建好的卷积神经网络进行训练，生成CNN人物模型；

步骤5，对训练好的CNN人物模型的结构进行测试，得到人体轮廓图像；

步骤6，通过步骤5的测试过程记录人体轮廓图像的重叠率与耗时，对人体轮廓图像进行评估。

本发明的特点还在于，

步骤1具体按照以下步骤实施：

步骤1.1，根据公式(1)获得二维Gabor滤波器：