一种基于深度学习的人体轮廓提取方法.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN109033945A(43)申请公布日2018.12.18(21)申请号201810582283.3(22)申请日2018.06.07(71)申请人西安理工大学地址710048陕西省西安市金花南路5号(72)发明人王林董楠(74)专利代理机构西安弘理专利事务所61214代理人王欢(51)Int.Cl.G06K9/00(2006.01)G06K9/46(2006.01)G06K9/62(2006.01)权利要求书4页说明书10页附图2页(54)发明名称一种基于深度学习的人体轮廓提取方法(57)摘要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。CN109033945ACN109033945A权利要求书1/4页1.一种基于深度学习的人体轮廓提取方法，其特征在于，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。2.根据权利要求1所述的一种基于深度学习的人体轮廓提取方法，其特征在于，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：式(1)中，Ψu,v为二维Gabor滤波器，u，v分别为Gabor核的方向和尺度，其中u为0，pi/4，pi/2，3*pi/4，pi，5*pi/4，6*pi/4或7*pi/4，ku,v用于控制高斯窗口的宽度大小,z＝(x,y)为空间位置坐标,σ＝2π为高斯窗口的宽度与波长大小之比,i为虚数单位；其中，震荡部分的方向及波长大小ku,v为：v式(2)中，滤波器采样频率为kv＝kmax/F，kmax＝π/2为最大采样频率，为间隔因子，用于限制频率中和函数，为滤波器的方向选择性；步骤1.2，将原始图像I(x,y)与步骤1.1获得的二维Gabor滤波器进行卷积操作，提取原始图像在(x,y)处的Gabor特征Gu,v(x,y)，即得到8个方向的Gabor纹理特征：Gu,v(x,y)＝I(x,y)*Ψu,v(3)。3.根据权利要求1所述的一种基于深度学习的人体轮廓提取方法，其特征在于，步骤2具体按照以下步骤实施：步骤2.1，通过对RGB三通道设置权重参数完成原始图像的灰度处理，RGB三通道参数设置表达式为：Gray＝R*0.299+G*0.587+B*0.114步骤2.2，利用二维高斯函数的一阶导数对经步骤2.1处理后的灰度图像进行处理，其中，二维高斯函数的表达式为：式(4)中，δ＝1.4为平滑参数，δ越大时平滑处理效果越明显；再使用3*3高斯卷积核对原始图像的3*3区域进行平滑处理，其中，高斯卷积核为：2CN109033945A权利要求书2/4页步骤2.3，在经步骤2.2处理后的灰度图像中寻找灰度强度变化最强的位置，对灰度图像使用Sobel算子计算水平方向x和竖直方向y的一阶导数Zx与Zy，得到边界梯度幅值|Z|和方向β：其中，Sobel算子在横坐标x和纵坐标y方向为：步骤2.4，将步骤2.3得到的边界梯度幅值|Z|等分成四个梯度区域，每个梯度区域对应坐标轴z的一个象限，再对每个区域中的所有点按顺序沿其梯度方向β逐个进行计算，将每个点的梯度幅值|Z|大小与其相邻的两个点进行比较，若该点大于前后两点则保留，若该点小于前后两点则置为零，从而对经步骤2.3处理后的灰度图像进行了非极大值抑制操作细化边缘，消除非边缘噪点；步骤2.5，设置高阈值为经步骤2.4处理后的灰度图像的整体灰度级分布的70％，低阈值为高阈值的1/2，若经步骤2.4处理的点的灰度值大于高阈值，则像素值置为255，若经步骤2.4处理的点的灰度值小于低阈值，则像素值置为0，若经步骤2.4处理的点的灰度值介于高阈值与低阈值之间则考察临近的8像素值