[發明專利]一種基于多維空間快速聚類的人體部位定位方法與系統

有效

• 申請號: 201510633625.6
• 申請日: 2015-09-29
• 公開（公告）號: CN105373804B
• 公開（公告）日: 2018-08-21
• 發明（設計）人: 張勇;李常春;張磊
• 申請（專利權）人: 北京深視科技有限公司
• 主分類號: G06K9/62
• 分類號: G06K9/62
• 代理公司: 北京風雅頌專利代理有限公司 11403
• 代理人: 李陽;于潔

本發明公開了一種基于多維空間快速聚類的人體部位定位方法與系統，其中，該方法包括：獲取人體部位定位的中間結果，并將中間結果以點集的形式導入；根據點集建立多維劃分樹，劃分樹中的每個節點與點集的每個點一一對應，并將每個節點均標記為未處理；任意指定點集中的一個被標記為未處理的節點，對該節點進行聚類處理，聚類處理將劃分樹中的所有節點聚類為多個不同的聚類中心；所有節點都被標記為已處理后，輸出已找到的所有聚類中心。本發明可以應用到計算資源有限的嵌入式系統中，進行高準確度的快速計算處理，將識別出來的不同人體部位的點聚合到一起，不依賴事前訓練且易于達到全局最優。

技術領域

本發明涉及信息技術領域，特別地，涉及一種基于多維空間快速聚類的人體部位定位方法與系統。

背景技術

在基于計算機學習的人體識別技術中，一種可能的中間結果是，完成了圖像中人體部分像素的身體部位的判斷，然后需要通過聚類算法，找出各身體部位的中心點，完成骨架的構建。

聚類是指把距離或者相似度接近的點合并到一起。聚類算法有很廣闊的應用范圍，在計算機視覺、數據挖掘、搜索引擎等方面都可以找到聚類算法的應用?，F有的聚類算法包括K-均值算法、CURE算法、最近鄰算法、基于網格的STING算法、基于機器學習的人工神經網絡算法、以及基于進化理論的算法。

然而，K-均值算法的聚類結果取決于初始聚類中心的選擇，對異常數據敏感，容易陷入局部最優；人工神經網絡需要大量數據進行訓練，且不適用于屬性和訓練數據差異過大的測試數據；基于進化理論的方法參數選取依賴與經驗值，計算的復雜度較高；基于網格的算法的處理時間和網格劃分的密度有關，這會導致聚類質量和準確度的降低?，F有的這些聚類算法或者需要已知聚類中心的個數，或者速度不夠快。而在計算資源有限的系統中，快速算法是非常必要的。

針對現有技術中的聚類算法在有限計算資源下難以避免事前訓練、運算耗時長、準確度低、陷入局部最優等問題，目前尚未有有效的解決方案。

發明內容

針對現有技術中的聚類算法在有限計算資源下難以避免事前訓練、運算耗時長、準確度低、陷入局部最優等問題，本發明的目的在于提出一種基于多維空間快速聚類的人體部位定位方法與系統，能夠在有限的計算資源環境下進行高準確度的快速計算處理，不依賴事前訓練且易于達到全局最優。

基于上述目的，本發明提供的技術方案如下：

根據本發明的一個方面，提供了一種基于多維空間快速聚類的人體部位定位方法。

根據本發明的提供的基于多維空間快速聚類的人體部位定位方法包括：

獲取人體部位定位的中間結果，并將中間結果以點集的形式導入；

根據點集建立多維劃分樹，劃分樹中的每個節點與點集的每個點一一對應，并將每個節點均標記為未處理；

任意指定點集中的一個被標記為未處理的節點，對該節點進行聚類處理，聚類處理將劃分樹中的所有節點聚類為多個不同的聚類中心；

所有節點都被標記為已處理后，輸出已找到的所有聚類中心。

其中，聚類處理將劃分樹中的所有節點聚類為多個不同的聚類中心，為聚類處理將劃分樹的所有節點中代表相同人體部位的點聚合到一起，每個人體部位對應一個或多個聚類中心。

并且，對該節點進行聚類處理包括：

將該節點稱為A；

判斷A是否為葉節點，是則將A的標記從未處理改為已處理并繼續執行下一步，否則終止處理；

在劃分樹中搜索到A距離最短的另一葉節點B，判斷A與B之間的距離是否大于預先設定的聚類閾值，是則終止處理，否則繼續執行下一步；