42 智能系统学报 第6卷 4实验结果与分析 200 ·基于形变模板的算法 -RSBPMC算法 当前进行静态图片的姿态估计算法研究的公共 160 数据集较少，只有文献[16]的作者提供了算法代码 期 120 和公开数据集，选择该数据集进行实验并与文献 [16]中的算法进行对比. 80L 与文献[16]一样，实验也采用前100张图片作 40f 为训练数据，对第101~170张图片进行测试.2种 算法的实验结果都是取边缘分布最大的状态，然后 10 20 304050 60 70 计算各个关节点的坐标差的均方误差.对每张图片， 图像标号 每次选择N=150个状态，共迭代4次，算法采用 图5本文算法与文献[16]算法的性能比较 Matlab实现.统计表明，本文算法处理一张图片平均 Fig.5 Comparison of the performance of our algo 耗时200s,而在同一台计算机上文献[16]的算法 rithm with the algorithm in refrence [16] 处理一张图片平均耗时2668，在计算时间上减少了 图6是RSBPMC算法与文献[16]中的算法的 25%.在算法精度上，图5给出了RSBPMC算法与 部分实验结果的对比图，其中奇数列是RSBPMC的 文献[16]的算法的估计关节点与标注关节点的均 实验结果，偶数列是文献[16]中的算法的实验结 方误差结果对比，2种算法在所有样本上的平均误 果.图6中的2和c2的左腿以及b2都错误地选择 差分别是24.3和49.8个像素，RSBPMC算法比文 了边缘特征较强的区域，b2的结果整体发生了较大 献[16]中的算法的估计精度平均提高了51.1%.此 偏移：d2和a4没有利用皮肤特征，所以有较多的肢 外还可以通过正确估计的部分数占总的部分数的百 体都出现了很大的偏差；b4既没有利用皮肤特征， 分比来评价一个算法的好坏.当一个部分的2个端 也没有利用对称性特征，因此实验结果与人的构型 点的估计位置与标定位置之间的距离均小于该部分 相去甚远；c4误差的主要原因是没有利用皮肤特征 的长度的一半时，则认为该部分的估计是正确的.按 以及受到草地边缘的干扰；d4的错误原因是其模型 照这一准则RSBPMC算法的正确率为57.4%，文献 受到中左腿和躯干的强边缘的影响.而本文提出的 [16]的算法的正确率为30.4%，因此按这一指标本 RSBPMC算法，由于考虑了人体对称性以及肤色均 文算法也大幅优于文献[16]的算法. 衡性等特征，采用了更合理的非树状约束模型，其检 测精度比较理想。 图6本文算法与文献[16]中的算法的实验结果对比 Fig.6 Comparison of experimental results of our algorithm and the algorithm of reference[16]