基于自适应SLIC的标准人体图像谱聚类分割和测量

摘要

图像分割作为模式识别与图像分析的基础，一直是数字图像处理和计算机视觉等领域中的挑战课题，具有重要的研究意义。现阶段已产生了众多的图像分割算法，其中一些算法也被应用到标准人体图像分割中，为三维人体重建、人体运动跟踪、虚拟试衣等领域的发展提供了理论支撑。 本文在总结现有典型的图像分割算法基础上，针对不同背景下标准人体图像分割的难点，以及由于缺乏先验条件造成的人体特征点匹配不准确的问题，提出了一种新的标准人体图像分割算法。作为应用，将提取到的人体关键部位特征点进行三维数据拟合以得到较为真实的人体数据。主要研究工作如下: (1)针对简单线性迭代(SLIC)算法分割时需人为设定初始种子点的问题，提出一种自适应的SLIC分割算法。改进后的算法将图像分成多个极小区域，在每个区域内引入CV能量分割，使得算法较好地利用了图像的灰度信息，可以自动地设置初始种子点，使分割后的超像素块更贴合图像色块边缘。 (2)为了避免复杂环境对人体图像分割精度的影响，引入人体模板标记图像中感兴趣的区域，并利用区域内模板信息改写相似函数，对其中的超像素块进行谱聚类，完成基于超像素块的谱聚类人体图像分割，提高图像分割精度。 (3)针对传统ASM算法易出现局部拟合、迭代次数过多等问题，提出一种基于人体轮廓线的ASM特征点提取算法。改进的算法在人体轮廓线的基础上定义了一组模板基准点，通过基准点校准、点集校准、改变特征点搜索方向等方式提高人体正侧面特征点提取的精度和速度。 经过以上步骤得到人体关键部位特征点后，利用BP神经网络学习人体多个部位间的关系。在采集的多组人体数据上，该神经网络实现了误差2厘米范围内的人体三维数据拟合。 最后，本文对该研究内容进行了总结，并对今后工作进行了展望。

目录

声明

摘要

1．1研究背景与意义

1．2研究现状

1．2．1图像分割研究现状

1．2．2人体三维数据拟合研究现状

1．3论文主要工作及结构安排

1．3．1论文主要工作

1．3．2论文结构安排

2．1．1彩色图像去光照

2．1．2图像的灰度化

2．1．3图像去噪

2．2图像分割算法

2．2．1基于像素聚类的分割方法

2．2．2基于图论的分割方法

2．2．3基于深度学习框架的分割方法

2．3数据拟合算法

2．3．1人体各部位轮廓近似曲线

2．3．2最小二乘法回归分析

2．3．3 BP神经网络

2．4本章小结

第三章人体图像分割和特征点提取

3．1自适应SLIC算法超像素块分割

3．1．1 SLIC算法的不足

3．1．2自适应SLIC算法

3．1．3实验比较及结果分析

3．2基于融合人体模板的谱聚类图像分割

3．2．1制作人体平均模板

3．2．2融合人体模板的谱聚类分割

3．2．3实验比较及结果分析

3．3基于人体轮廓线的ASM特征点提取

3．3．1传统ASM特征点提取算法

3．3．2传统ASM算法的不足

3．3．3改进的ASM搜索策略

3．3．4实验比较及结果分析

3．4本章小结

4．1人体尺寸拟合

4．1．1获取人体二维体型数据

4．1．2使用回归方程进行三维数据拟合

4．1．3使用BP神经网络进行三维数据拟合

4．2实验结果与分析

4．3本章小结

5．1研究工作总结

5．2研究工作展望

参考文献

致谢

附录