[發明專利]一種基于深度學習的人體輪廓提取方法

有效

• 申請號: 201810582283.3
• 申請日: 2018-06-07
• 公開（公告）號: CN109033945B
• 公開（公告）日: 2021-04-06
• 發明（設計）人: 王林;董楠
• 申請（專利權）人: 西安理工大學
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/46;G06K9/62
• 代理公司: 西安弘理專利事務所 61214
• 代理人: 王歡

本發明公開了一種基于深度學習的人體輪廓提取方法，具體按照以下步驟實施：步驟1，提取原始圖像的Gabor紋理特征；步驟2，提取原始圖像的Canny邊緣特征；步驟3，搭建適用于人體輪廓提取的卷積神經網絡架構；步驟4，將原始圖像、步驟1提取的Gabor紋理特征圖、步驟2.提取的Canny邊緣特征圖共同傳入步驟3構建好的卷積神經網絡進行訓練，生成CNN人物模型；步驟5，對訓練好的CNN人物模型的結構進行測試，得到人體輪廓圖像；步驟6，通過步驟5的測試過程記錄人體輪廓圖像的重疊率與耗時，對人體輪廓圖像進行評估。本發明方法達到了較高的準確率、提高了檢測率，還縮短了測試時間。

技術領域

本發明屬于機器視覺技術領域，具體涉及一種基于深度學習的人體輪廓提取方法。

背景技術

人體輪廓提取在計算機視覺領域占據重要地位，是人體檢測、人體行為識別的核心技術。人體輪廓提取技術目前廣泛應用于智能監控、醫學治療等領域。人體模型的虛擬重建是現代醫學可視化系統中的關鍵技術，準確的人體輪廓信息采集才能夠保障對患者病癥進行合理的醫學分析。另一方面，隨著現代社會對人身及公共財產安全要求的加強，智能監控系統的使用率逐漸提升。智能視頻監控技術的首要目標是利用各種監控設備獲得監控數據，進而對被檢測場景發生的事件進行自動理解和描述，并預測未來可能發生的事件。人體輪廓提取作為智能監控系統的關鍵支撐技術，能夠提供圖像中人體的位置和輪廓信息，便于自動進行人體跟蹤和行為識別，從而實現智能監控的目的。

國內外的學者們針對靜態圖像人體檢測中的難點，提出了多種利用提取圖像的不同特征并結合分類器訓練的方法來實現準確的人體識別。但這些傳統的特征提取方法雖然可以對人體位置進行判斷，但無法準確提取人體輪廓。針對目標輪廓提取問題，也有很多行之有效的方案，如主動輪廓模型、視覺顯著性等。這些方法雖然能夠提取目標輪廓，但是在計算復雜度或者實時性等方面存在一定的局限性。

近年來，深度學習的方法逐漸替代了傳統特征提取的方法，在目標檢測、圖像分割等領域取得了突破性的進展。深度學習的目的是處理數據時通過模擬人腦神經中樞結構運作的方式，自動的進行特征學習，進而完成對數據的處理結果。卷積神經網絡(Convolutional Neural Network，CNN)是深度學習方法中的一類模型，它獨特的權值共享結構與稀疏連接的方式使得網絡本身在圖像分析中占據優勢。

發明內容

本發明的目的是提供一種基于深度學習的人體輪廓提取方法，解決了現有技術中對靜態圖像中人體輪廓提取效果較差和模型訓練速度較慢的問題。

本發明所采用的技術方案是，一種基于深度學習的人體輪廓提取方法，具體按照以下步驟實施：

步驟1，提取原始圖像的Gabor紋理特征；

步驟2，提取原始圖像的Canny邊緣特征；

步驟3，搭建適用于人體輪廓提取的卷積神經網絡架構；

步驟4，將原始圖像、步驟1提取的Gabor紋理特征圖、步驟2.提取的Canny邊緣特征圖共同傳入步驟3構建好的卷積神經網絡進行訓練，生成CNN人物模型；

步驟5，對訓練好的CNN人物模型的結構進行測試，得到人體輪廓圖像；

步驟6，通過步驟5的測試過程記錄人體輪廓圖像的重疊率與耗時，對人體輪廓圖像進行評估。

本發明的特點還在于，

步驟1具體按照以下步驟實施：

步驟1.1，根據公式(1)獲得二維Gabor濾波器：