针对多目标人体姿态估计中存在人体身材差异性、姿态多样性、身体间的遮挡融合导致的识别率低、鲁棒性差的问题,提出一种基于深度图像的实时多目标人体姿态估计算法。该方法通过随机抽样一致性(RANSAC)算法移除地面并进行背景建模分割...针对多目标人体姿态估计中存在人体身材差异性、姿态多样性、身体间的遮挡融合导致的识别率低、鲁棒性差的问题,提出一种基于深度图像的实时多目标人体姿态估计算法。该方法通过随机抽样一致性(RANSAC)算法移除地面并进行背景建模分割出人体模型。使用近似K-最近邻(ANN)方法从学习阶段创建的数据库中找到K个单一人体各关节的估计位置构成估计位置点云,采用Mean-Shift算法计算出点云的最大加权密度点作为估计关节点,将各关节点按照一定顺序连接得到人体骨架,估计出人体姿态。在Microsoft Visual Studio 2017上搭建算法实验平台,结果表明:该方法可以有效解决自遮挡和他人遮挡环境下对关节点检测的问题,在MPII数据集上与现有算法比较,所提出的方法对关节点估计的平均准确率为85. 02%,且具有较好的鲁棒性。展开更多
文摘针对多目标人体姿态估计中存在人体身材差异性、姿态多样性、身体间的遮挡融合导致的识别率低、鲁棒性差的问题,提出一种基于深度图像的实时多目标人体姿态估计算法。该方法通过随机抽样一致性(RANSAC)算法移除地面并进行背景建模分割出人体模型。使用近似K-最近邻(ANN)方法从学习阶段创建的数据库中找到K个单一人体各关节的估计位置构成估计位置点云,采用Mean-Shift算法计算出点云的最大加权密度点作为估计关节点,将各关节点按照一定顺序连接得到人体骨架,估计出人体姿态。在Microsoft Visual Studio 2017上搭建算法实验平台,结果表明:该方法可以有效解决自遮挡和他人遮挡环境下对关节点检测的问题,在MPII数据集上与现有算法比较,所提出的方法对关节点估计的平均准确率为85. 02%,且具有较好的鲁棒性。