人體發現演算法

1. 計算機視覺：隨機森林演算法在人體識別中的應用

摘 要

人體識別是計算機視覺領域的一大類熱點問題，其研究內容涵蓋了人體的監測與跟蹤、手勢識別、動作識別、人臉識別、性別識別和行為與事件識別等，有著非常廣泛的應用價值。隨機森林以它自身固有的特點和優良的分類效果在眾多的機器學習演算法中脫穎而出。隨機森林演算法的實質是一種樹預測器的組合，其中每一棵樹都依賴於一個隨機向量，森林中的所有的向量都是獨立同分布的。本文簡單介紹了隨機森林的原理，並對近幾年來隨機森林在姿勢識別和人臉識別中的應用進行討論。

1.人體識別概述

人體識別是計算機視覺領域的一大類熱點問題，其研究內容涵蓋了人體的監測與跟蹤、手勢識別、動作識別、人臉識別、性別識別和行為與事件識別等。其研究方法幾乎囊括了所有的模式識別問題的理論與技術，例如統計理論，變換理論，上下文相關性，分類與聚類，機器學習，模板匹配，濾波等。人體識別有著非常廣泛的應用價值。

絕大多數人臉識別演算法和人臉表情分析演算法在提取人臉特徵之前,需要根據人臉關鍵點的位置(如眼角,嘴角)進行人臉的幾何歸一化處理。即使在已知人臉粗略位置的情況下,人臉關鍵點精確定位仍然是一個很困難的問題,這主要由外界干擾和人臉本身的形變造成。

當前比較流行的演算法有：基於啟發式規則的方法、主成分分析(PCA)、獨立元分析(ICA)、基於K-L 變換、彈性圖匹配等。

2.隨機森林綜述

隨機森林顧名思義，使用隨機的方式建立一個森林，森林裡面有很多的決策樹組成，隨機森林的每一棵決策樹之間是沒有關聯的。在得到森林之後，當有一個新的輸入樣本進入的死後，就讓森林的每一棵決策樹分別進行一下判斷，看看這個樣本應該屬於哪一類（對於分類演算法），然後看看哪一類能被選擇最多，就預測這個樣本為那一類。

隨機森林是一種統計學習理論，其隨機有兩個方面：首先是在訓練的每一輪中，都是對原始樣本集有放回的抽取固定數目的樣本點，形成k個互不相同的樣本集。第二點是：對於每一個決策樹的建立是從總的屬性中隨機抽取一定量的屬性作分裂屬性集，這樣對於k個樹分類器均是不相同的。由隨機生成的k個決策樹組成了隨機森林。

對於每一個決策樹來講，其分裂屬性是不斷的選取具有最大信息增益的屬性進行排列。整個隨機森林建立後，最終的分類標准採用投票機製得到可能性最高的結果。

下圖是隨機森林構建的過程：

圖1 隨機森林構建過程

3.隨機森林在人體識別中的應用

3.1 隨機森林應用於姿勢識別

以[1]一文來討論，論文中所涉及到的人體識別過程主要分為兩步，首先是，身體部位標記：對於從單張景深圖像中對人體進行分段，並標記出關鍵節點。之後進行身體關節定位，將標記的各個人體部分重新映射到三維空間中，對關鍵節點形成高可靠的空間定位。

圖2 深度圖像-身體部位標記-關節投影

文的最主要貢獻在於將姿勢識別的問題轉化成了物體識別的問題，通過對身體不同部位的空間位置的確定來實現，做到了低計算消耗和高精確度。在身體部位標記的過程中，將問題轉化成了對每個像素的分類問題，對於每個像素點，從景深的角度來確定該點的局域梯度特徵。該特徵是點特徵與梯度特徵的良好結合。

舉個例子，對於不同點的相同屬性值的判別，如下圖，圖a中的兩個測量點的像素偏移間均具有較大的景深差，而圖b中的景深差則明顯很小。由此看出，不同位置像素點的特徵值是有明顯差別的，這就是分類的基礎。

圖3 景深圖像特質示例

文中對於決策樹的分裂屬性的選擇來說。由於某兩個像素點、某些圖像特徵選取的隨意性，將形成大量的備選劃分形式，選擇對於所有抽樣像素對於不同的分裂屬性劃分前後的信息熵增益進行比較，選取最大的一組ψ=(θ, τ)作為當前分裂節點。（信息增益與該圖像塊最終是否正確地分類相關，即圖像塊歸屬於正確的關鍵特徵點區域的概率。）

圖4 決策時分類說明

決策樹的建立後，某個葉子節點歸屬於特定關鍵特徵點區域的概率可以根據訓練圖像最終分類的情況統計得到，這就是隨機森林在實際檢測特徵點時的最重要依據。

在人體關節分類中，我們由形成的決策森林，來對每一個像素點的具體關節屬性進行判斷，並進行顏色分類。隨機森林這種基於大量樣本統計的方法能夠對由於光照、變性等造成的影響，實時地解決關鍵特徵點定位的問題。

如圖所示，是對於景深圖像處理後的結果展示。

圖5 姿勢識別處理結果

應該這樣說，這篇文章在演算法的層面對隨機森林沒有太大的貢獻。在劃分函數的形式上很簡單。這個團隊值得稱道的地方是通過計算機圖形學造出了大量的不同體型不同姿勢的各種人體圖像，用作訓練數據，這也是成為2011年CVPR Best Paper的重要原因。正是因為論文的成果運用於Kinect，在工業界有著巨大的作用，落實到了商用的硬體平台上，推動了隨機森林在計算機視覺、多媒體處理上的熱潮。

3.2 隨機森林應用於人臉識別

基於回歸森林的臉部特徵檢測通過分析臉部圖像塊來定位人臉的關鍵特徵點，在此基礎上條件回歸森林方法考慮了全局的臉部性質。對於[2]進行分析，這篇論文是2012年CVPR上的論文，本文考慮的是臉部朝向作為全局性質。其主要描述的問題是如何利用條件隨機森林，來確定面部10個關鍵特徵點的位置。與之前不同的是，在隨機森林的基礎上，加入了面部朝向的條件約束。

圖6 臉部10個特徵點

對於面部特徵標記的問題轉化成了對大量圖像塊的分類問題。類似於人體識別中的局域梯度特徵識別。本文中，對於每一個圖像塊來說，從灰度值、光照補償、相位變換等圖像特徵，以及該圖像塊中心與各個特徵點的距離來判斷圖像塊的位置特徵。在決策樹的分裂屬性確定過程，依然使用「最大信息熵增益」原則。

圖7 條件隨機森林演算法說明

文中提出了更進一步基於條件隨機森林的分類方法，即通過設定臉部朝向的約束對決策樹分類，在特徵檢測階段能夠根據臉部朝向選擇與之相關的決策樹進行回歸，提高准確率和降低消耗。此論文還對條件隨機森林，即如何通過臉部朝向對決策進行分類進行了說明，但這與隨機森林演算法沒有太大關系，這里就不再繼續討論了。隨機森林這種基於大量樣本統計的方法能夠對由於光照、變性等造成的影響，實時地解決關鍵特徵點定位的問題。

另一篇文章[3]對於臉部特徵標記，提出了精確度更高、成本更低的方法。即，基於結構化輸出的隨機森林的特徵標記方式。文中將面部劃分為20個特徵點，對於各個特徵點來說，不僅有獨立的圖像塊分類標記，還加入了例如，點4，對於其他嘴唇特徵點3,18,19的依賴關系的判斷。這樣的方法使特徵點標記准確率大大增加。

該方法依然是使用隨機森林的方法，有所不同的是引入了如式中所示的與依賴節點之間的關系。對於決策樹的建立依然是依賴信息熵增益原則來決定，葉子節點不僅能得到特徵的獨立劃分還會得到該特徵對依賴特徵的貢獻，最終特徵節點的判斷會綜合原始投票及空間約束。

圖8 臉部特徵標記

圖9 決策樹依賴關系

例如當對下圖中人臉特徵點進行分類時，使用簡單的隨機森林方法，經過判斷會將各個點進行標注，可以看到 紅色的點，標注出的鼻子特徵。如果利用依賴節點進行判斷，鼻子的點會被局限在其他鼻子特徵點的周圍，進行疊加後，得到了這個結果。顯然，對於此節點的判斷，利用結構輸出的方式，准確度更高了。

圖10 結構化輸出結果

4.隨機森林總結

大量的理論和實證研究都證明了RF具有很高的預測准確率，對異常值和雜訊具有很好的容忍度，且不容易出現過擬合。可以說，RF是一種自然的非線性建模工具，是目前數據挖掘演算法最熱門的前沿研究領域之一。具體來說，它有以下優點：

1.通過對許多分類器進行組合，它可以產生高准確度的分類器；

2.它可以處理大量的輸入變數；

3.它可以在決定類別時，評估變數的重要性；

4.在建造森林時，它可以在內部對於一般化後的誤差產生不偏差的估計；

5.它包含一個好方法可以估計遺失的資料，並且，如果有很大一部分的資料遺失，仍可以維持准確度。

6.它提供一個實驗方法，可以去偵測變數之間的相互作用；

7.學習過程是很快速的；

8.對異常值和雜訊具有很好的容忍度，且不容易出現過擬合；

隨機森林的缺點：

1.對於有不同級別的屬性的數據，級別劃分較多的屬性會對隨機森林產生更大的影響，所以隨機森林在這種數據上產出的屬性權值是不可信的；

2.單棵決策樹的預測效果很差：由於隨機選擇屬性，使得單棵決策樹的預測效果很差。

參考文獻：

[1] Shotton, J.; Fitzgibbon, A.; Cook, M.; Sharp, T.; Finocchio, M.; Moore, R.; Kipman, A.; Blake, A., 「Real-time human pose recognition in parts from single depth images,」Computer Vision and Pattern Recognition (CVPR), 2011 IEEE Conference on , vol., no., pp.1297,1304, 20-25 June 2011

[2] Dantone M, Gall J, Fanelli G, et al. Real-time facial feature detection using conditional regression forests[C]//Computer Vision and Pattern Recognition (CVPR), 2012 IEEE Conference on. IEEE, 2012: 2578-2585.

[3] Heng Yang, Ioannis Patras, 「Face Parts Localization Using Structured-output Regression Forests」, ACCV2012， Dajeon, Korea.

本文轉自：http://dataunion.org/12046.html，僅供學習交流

2. 人體行為識別有哪些演算法

人體行為識別前已有的方法主要分為三大類：基於模板的方法，基於概率統計的方法和基於語義的方法。
模板匹配是一種較早用在人體運動識別上的方法,將運動圖像序列轉化為一個或一組靜態的模板，通過將待識別樣本的模板與已知的模板進行匹配獲得識別結果。在行為識別中，基於模板匹配的演算法可以分為幀對幀匹配方法和融合匹配方法。主要方法有：運動能量圖像（MEI）和運動歷史圖像（MHI），基於輪廓的平均運動形狀（MMS）和基於運動前景的平均運動能量（AME）等。
概率統計方法進行運動識別是把運動的每一種靜態姿勢定義為一個狀態或者一個狀態的集合，通過網路的方式將這些狀態連接起來，狀態和狀態之間的切換採用概率來描述。主要有隱馬爾科夫模型HMM， 最大熵馬爾科夫模型（MEMM），條件隨機場（CRF）等。

3. 人體追蹤，人體追蹤

在很多交互場景中，機器需要通過識別人體位置的移動去實時追蹤活動中的人體，人體追蹤就可用於視頻中連續的追蹤人體的位置以及移動方向，用於實現對人體的跟隨。
同時人在移動過程中，可能會短暫被其他物體遮擋，使得圖像中人體圖像丟失，

閱面科技的人體識別演算法可以實現在跟蹤過程中短暫跟蹤中斷後恢復追蹤。

4. 人體標准體重計算公式

一、世衛計算方法：

男性：(身高cm－80)×70﹪=標准體重

女性：(身高cm－70)×60﹪=標准體重

標准體重正負10﹪為正常體重

標准體重正負10﹪~ 20﹪為體重過重或過輕

標准體重正負20﹪以上為肥胖或體重不足

超重計算公式

超重%=[（實際體重－理想體重）/（理想體重）]×100%

二、不同年齡演算法

標准體重法

標准體重（千克） = 年齡 x 8 + 8 （ 7 - 16 歲 ）

輕度肥胖：超過標准體重 20% - 30 %

中度肥胖：超過標准體重 30% - 50 %

重度肥胖：超過標准體重 50% 以上

BMI 法

體重指數 BMI = 體重（千克） / 身高（米）的平方即 kg/m2

年齡 BMI 值

年齡 正常超重輕度肥胖 中度肥胖重度肥胖

低於 6歲 15-18 18-

6- 11 歲 16-19 19-21 21-23 23-27 27-

三、簡單計算方法

1、計算方法一：

體質指數=體重（千克） ÷ 身高（米）的平方 kg/m^2

算式寫法： BMI = 體重 / （身高）^2

正常體重 ： 體重指數 = 18.5 - 25 （中國體質標准:正常范圍 18.5~23.9，超重24.0~27.9，肥胖≥28.0）

超重 ： 體重指數 = 25 - 30

輕度肥胖 ： 體重指數 > 30

中度肥胖 ： 體重指數 > 35

重度肥胖 ：體重指數 > 40

2、計算方法二：

標准體重=身高(m)×身高(m)×標准系數（女性20，男性22）

標准體重正負10﹪為正常體重

標准體重正負10﹪~ 20﹪為體重偏重或偏輕

標准體重正負20﹪以上為肥胖或體重不足

3、計算方法三：

標准體重（kg）=身高（cm）-105

例如，一個身高170厘米的男子，他的標准體重應該是：170（厘米）－105=65（千克）。凡是超過標准體重10%者為偏重，超過20%以上者為肥胖；低於標准體重10%者為偏瘦，低於20%以上者為消瘦。

注意：上述計算方法只適用於成年人。 對兒童，老年人，或者身高過於矮小的人士並不適用。

4、布洛卡公式：

身高在165厘米以下者：標准體重（kg）=身高（cm）-100

身高在165厘米以上者：標准體重（kg）=身高（cm）-110

5、適合亞洲人標准體重的計算公式：

日本京都大學桂教授在布洛卡公式的基礎上，提出了下列計算公式：

標准體重（kg）=[身高（cm）-100]×0.9

注意：這一公式的計算結果適合於亞洲人的具體情況。

6、專門針對以南北地區劃分的中國人的公式:

北方人理想體重（kg）=[身高（cm）-150]×0.6+50；

南方人理想體重（kg）=[身高（cm）-150]×0.6+48。

(4)人體發現演算法擴展閱讀：

標准體重是反映和衡量一個人健康狀況的重要標志之一。過胖和過瘦都不利於健康，也不會給人以健美感。不同體型的大量統計材料表明，反映正常體重較理想和簡單的指標，可用身高體重的關系來表示。

BMI指數（英文為Body Mass Index，簡稱BMI），是用體重千克數除以身高米數的平方得出的數字，是國際上常用的衡量人體胖瘦程度以及是否健康的一個標准。當我們需要比較及分析一個人的體重對於不同高度的人所帶來的健康影響時，BMI值是一個中立而可靠的指標。

5. 幾種人體運動檢測演算法的比較分析

引言人體運動分析是目前一個研究熱點,在智能安全監控系統、體育運動分析、醫療診斷等領域具有廣泛的應用前景。它主要涉及計算機視覺、模式識別、圖像處理以及人工智慧等領域,是跨學科的研究課題。其研究核心是從視頻中檢測和跟蹤人體,獲取人體運動數據,以此為基礎重建人體的三維運動,進而描述和理解人體運動。其中人體運動目標檢測的檢測效果直接影響後期的目標識別、跟蹤及行為理解等工作,因此運動人體檢測技術是計算機視頻圖像處理中最基礎、最關鍵的技術,對運動檢測演算法進一步研究具有深遠意義。人體運動檢測是指在輸入視頻圖像中確定運動人體的位置、尺度大小和姿態的過程[1]。目前採用比較多、比較經典的人體運動檢測方法有時間差分法、背景減除法、光流法等。筆者扼要闡述OGHMs法的理論依據,在現有演算法的基礎上,引入圖形學的腐蝕運算,應用於最後獲得的檢測結果,實驗證明腐蝕運算的引入使最終的運動檢測效果更好。同時對其他幾種常用的方法進行介紹和實際應用,根據得到的實驗結果,對這幾種方法以及OGHMs法進行分析和比較,並指出其優點和不足。所有的實驗都是