人体屈体角度图像识别关键技术研究

卢旭 张钰婧 卓胜达

摘 要：随着社会的发展，人体图像识别的应用也越来越广泛，并出现了很多关于人体图像识别的新方法。研究人体屈体角度识别的实现方法，结合人体图像处理的一般流程，对人体屈体角度图像识别算法的预处理、人体图像分割、特征提取和特征判断匹配等步骤进行阐述，介绍了其中的关键技术——人体图像分割和特征点提取，并对现有算法的优缺点进行分析，以期为相关研究提供参考。

关键词：人体图像识别；屈体角度；人体图像分割；特征点提取

DOI：10.11907/rjdk.173013

中图分类号：TP317.4

文献标识码：A 文章编号：1672-7800（2018）006-0210-03

Abstract：As the progress of society， human body image recognition has increasingly wider application. Many new ideas about the implementation of image recognition have been emerging. Based on this background， the method of realizing human body pike angle is studied in this paper. According to the general process of human image processing， several steps of body image recognition algorithm are expounded in this paper， including pretreatment， body image segmentation， feature extraction and feature matching of judgement. And the key technologies of human body image segmentation and feature point extraction are studied. The advantages and disadvantages of these algorithms are analyzed， which can provide important reference for related research.

Key Words：human body image recognition； pike angle； segmentation of human body image； feature points extraction

0 引言

隨着科学技术的发展，图像处理已在航空[1]、医学[2]、军事公安[3]、通信工程[4]等领域得到了不同程度的应用。近年来，人体识别技术也在许多行业应用广泛，人体屈体角度识别可识别人体动作、姿势、步态等，人体角度识别也可应用于人体柔韧性检测等。

目前我国测试人体柔韧性都是采用坐位体和立位体前屈的方法，评价指标是手指前伸可达到的最大距离，用屈体时手指或头部前伸的距离代替关节活动角度进行测量[5]。但该测量方式存在严重缺陷，因为肢体长度不同会对手指前伸的距离产生影响，从而增大测量误差，降低检测效率。此时，如果测量躯体关节活动角度，则能克服肢体长度对测量效率的影响。

1 人体屈体角度识别步骤

人体屈体角度识别处理通常是一个比较复杂的过程，一般处理步骤如图1所示，包括图像预处理、人体图像分割、人体特征提取、特征判断匹配和输出结果等几个步骤。

1.1 角度识别预处理

由于各方面的原因，从设备读取的图像质量往往达不到理想要求，会含有噪声或受到一定程度损坏。为了提高图像识别精确度，需要对图像进行必要的预处理。一般的预处理包括灰度图转换、滤波降噪、二值化和边缘检测等步骤。

首先将彩色图像灰度化。肉眼在显示屏上看到的彩色图像在设备中是以矩阵形式存在的，矩阵里的数值代表颜色和亮度。当彩色图像被转换成灰度图时，每个像素点的灰度值用矩阵的数值表示。可用最大值法进行图像灰度化，即图像灰度值可采用RGB彩色图像中B、G、B三个分量中的最大值作为灰度值，后续图像分割即可利用图像灰度值设置阈值进行。

1.2 人体屈体图像分割

图像分割是利用某种相似准则或相似特征将图像分割成满足某种条件的区域，是图像处理步骤中非常重要的一步，之后的分析结果与图像分割结果有着密切联系。分割方法有很多，但不同分割方法都是在某个约束条件下找到合适的平衡点实现的。

1.3 人体特征提取

当人体被分割成几部分之后，选取各个部分并计算其面积，进而计算出它们的中心点。将人的头部、臀部和腿部中心点提取出来，将头部形状进行椭圆拟合，使其中心偏移，从而提取出几个关键特征点。人体特征点的提取和选择作为角度识别处理过程的重要环节，处理结果对之后的图像分类有着重要影响。因为图像数据具有样本少、维数高的特点，要得到一个能够反映数据本质结构、识别率更高的特征子空间，从图像中提取有用信息，必须采用特征提取与特征选择方法对图像进行降维处理。

1.4 匹配判断与结果输出

基于特征图像配准方法的难点之一就是判断匹配，目前解决该问题的方法主要包括基于空间关系的方法、基于不变描述子的方法、松弛算法以及金字塔和小波变换方法等[6]。但是角度识别不同于车牌识别，车牌识别需要一个模板库进行匹配、识别，而角度识别需要在图像上建立坐标系，提取出需要的3个关键点并得出其坐标，利用数学公式计算角度即可输出结果。

2 关键技术研究

在人体屈体角度识别过程中，人体图像分割与特征匹配结果对最后的识别结果有着直接影响，所以这两个处理步骤是最为关键的，下面对两个步骤进行具体研究。

2.1 图像分割

图像分割有两个任务，一是识别目标物体，并将其与其它物体区分开来，二是将图像中的目标物体区域及边缘轮廓精确地描绘出来。目前传统的图像分割方法有基于阈值分割法、基于边缘分割法和基于区域分割法[7]等。

2.1.1 基于阈值分割法

根据图像的灰度特性或彩色特性设定阈值实现分割是一种常见的阈值分割法。如何取得合适的阈值进行分割是该方法的关键，大多数方法都是通过人工设定或经过大量实验确定阈值。

文献[8]提出一种基于图像边缘信息的二维阈值分割方法，利用该方法将要处理的人体灰度图像灰度级数分为N，其相应像素邻域的平均灰度也被分为N级，选取二维矢量（s，t），其中s是像素灰度，t是邻域灰度，再利用背景区和邻域区提供的边缘信息确定二维矢量（s，t）作为阈值取值范围，利用选取的阈值最终将图像中的人体分割出来。

2.1.2 基于边缘分割法

图像边缘作为图像最重要的信息之一，是图像中灰度不连续或结构形成的开始，边缘检测算法主要是基于图像增强的一阶和二阶导数实现的，是实現图像分割的一种重要途径。目前经典的边缘检测算子主要有Canny算子、Roberts算子、Prewitt算子、Sobel算子等。

陈亮[9]设计了一种在人体轮廓提取基础上优化的轮廓提取算法，该算法基于传统的Canny边缘检测算法，对算子中的梯度幅值和方向计算、非极大值抑制、双阈值提取等作出一些改进，再与数学形态学处理相结合，将人体轮廓从背景中提取出来。根据边缘点信息提取出关键点，通过建立坐标系得出关键点坐标，再进行坐标计算得出人体屈体角度。

该方法改善了传统Canny边缘检测算法因光照不均、虚假边缘、噪声以及复杂背景等因素使处理结果达不到预期的缺点，并且采用自适应双阈值选取使算法更具实用性，检测边缘的结果也更加完整。

2.1.3 基于区域分割法

范伟[10]提出一种针对复杂彩色图像的区域生长分割算法，首先将人体屈体图像转换颜色空间，从彩色空间转换到YCbCr空间，获取图像的颜色特征和纹理特征；然后结合设计的自动选取种子算法，选择生长种子进行生长，直到图像中的最后一个像素点被归类为止；最后为了避免过度分割进行区域合并，以保证分割的正确性，从而完成人体分割。

一般区域分割的难点在于种子点选择、相似准则选取以及生长结束条件规定。传统的区域生长分割对于纹理特征简单的图像效果较好，但是对于纹理特征略复杂的图像则难以达到理想效果。

2.2 人体特征提取

人体图像识别目前已应用于生活中的各个方面，如服装线上模拟试穿、刑事案件侦破与治安管理等，这些应用都需要用到特征提取，并且图像识别的精确度直接影响到提取结果。常用的特征检测方法有Harris、Surf、Sift特征点检测等方法，但是这些检测方法只能检测尺寸很小的角点，在识别人体时需要进行改进或采用别的算法提取特征点。

2.2.1 基于Harris角点检测的人体特征点提取

李健[11]提出基于Harris角点检测进行人体特征提取与尺寸测量的方法，该方法首先将人体图像进行灰度化、二值化预处理，过滤掉不必要的噪点后，使用Canny算法进行边缘检测，然后将人体轮廓提取出来，最后利用Harris角点检测判断出立裆点，根据人体各关键点位置与立裆点之间的几何位置关系提取出想要的关键点。该方法不仅计算开销大，而且误差较大，适应范围较窄。

2.2.2 计算曲线曲率提取人体特征点

韩强[12]提出一种通过计算曲线曲率提取人体肩部特征点的方法。该方法是在人体图像经过转换颜色空间、灰度化和滤波等预处理之后，使用Canny边缘检测的方法实现对肩部的边缘检测。通过扫描定位颈部范围，颈部下面的部分则被分割成肩部，计算被提取的各个边缘像素曲率，曲率最大的像素点被定义为肩部特征点。该方法检测结果的准确度不高，之后还需要别的处理进行完善。

2.2.3 基于图像的人体特征点自动提取

文献[13]提出一种依据正面照与侧面照的人体特征点自动提取算法[13]，该算法是在对图像进行滤波、边缘检测和轮廓提取等预处理后，进行特征点提取。该算法认为，在遍历人体轮廓像素时，如果当前向量与其相邻两个向量相互垂直呈90°状态，则认为当前向量的起点或终点为关键点，提取出该点坐标即可。该方法提取效率较高，测量结果较为准确。

3 结语

本文介绍了人体屈体角度图像识别的一般步骤，其中主要研究了针对图像分割和特征点提取两个关键步骤的一些现有算法。虽然现有的图像分割和特征点提取算法很多，但这些算法的处理结果往往有较为明显的误差。本文针对这些算法进行研究，总结了其优缺点，可为人体屈体角度图像识别研究提供有效参考。

参考文献：

[1] 赵志彬，刘晶红.基于图像处理的航空成像设备自动调焦设计[J].液晶与显示，2010，25（6）：863-868.

[2] 张博.基于边缘检测的细胞图像分割方法研究与实现[D].武汉：武汉理工大学，2006.

[3] 辛德胜，张剑家，王少君，等.半导体激光夜视图像处理技术研究[J].兵工学报，2011，32（12）：1439-1442.

[4] 王强.数字图像处理的应用现状及发展方向[J].电子技术与软件工程，2017（10）：85.

[5] 杨霏.普通大学生“健康体适能”身体成分和柔韧性测试指标的优选及评价标准的研究[D].西安：西安体育学院，2012.

[6] 吕金建，文贡坚，李德仁，等.一种新的基于空间关系的特征匹配方法[J].测绘学报，2008，37（3）：367-379.

[7] 丁亮，张永平，张雪英，等.图像分割方法及性能评价综述[J].软件，2010，31（12）：78-79.

[8] 王玥玥，王秋光.基于图像边缘信息的2维阈值分割方法[J].中国图象图形学报，2007，12（1）：78-81.

[9] 陈亮.基于图像处理的三维人体尺寸提取技术研究实现[D].上海：东华大学，2010.

[10] 范伟.基于区域生长的彩色图像分割算法[J].计算机工程，2010，36（13）：192-193，196.

[11] 李健，徐雪丽，兰学渊，等.基于Harris角点检测的人体特征提取与测量[J].计算机测量与控制，2014，22（2）：367-369.

[12] 韩强.基于普通摄像头的人体几何尺寸测量系统[D].天津：天津大学，2013.

[13] 蒋玲艳.基于图像的人体自动测量方法研究[D].南宁：广西大学，2013.

（责任编辑：黄 健）