第1期 肖锋，等：基于区域分割和蒙特卡洛采样的静态图片人体姿态估计 ·39· 采用数据驱动的马尔可夫链蒙特卡洛算法(data 表示第i部分的中心的横坐标，y:表示纵坐标，0：表 driven Markov chain Monte Carlo,DDMCMC),对人 示倾角.图1给出了样本上的标注， 的三维结构进行建模，能够从静态图片中估计出人 的三维姿态，但是其参数设定很复杂，状态维度很 高.文献[9]通过蒙特卡洛采样来减少状态数目，利 用人脸信息和肤色信息来选择初始状态.文献[10] 采用多特征融合的方法来提高DDMCMC算法的精 度和效率.文献[11]采用人检测和人脸检测来逐步 减小搜索的状态空间，而文献[12]提出了2种在 DDMCMC框架下加速状态转移的策略.文献[13]采 用全连接的网络结构来刻画人的结构，对前期检测 的要求较高，只能用在外观特征较显著的图片中.文 献[14]预先利用人的检测得到人体的大致区域，然 后结合形状模型进行更加细致的分割，最后通过轮 廓形状分类的方法得到人的姿态.文献[15]定义了 新的“姿态块”的特征，这些姿态块能够给出其所在 图1人体模型及样本上的标注 的较大部分的3-D状态信息，因此可以通过分类的 Fig.1 Human model and sample annotation 方法得到整体的姿态估计.文献[16]采用边缘特征 1.2非树状概率图模型 与区域特征相结合的方法来提高姿态估计的精度， 本文采用如图2所示的非树状贝叶斯网络作为 不需要借助其他算法进行初始的检测，取得了较好 姿态估计用的概率图模型.这一模型与视觉上直立 的效果。 的人体的连接关系是基本对应的，其中每个圆圈代 本文提出了一种新的静态图片的估计姿态算 表对应人体各部分的隐节点，每个方框代表与其相 法.首先建立人体各部分关系的非树状贝叶斯网络， 对应的隐节点的观测信息.图中X1为躯干的参数 利用边缘模板匹配得到各部分的初始分布，提取边 化表示，也即躯干的位置和朝向，Z,表示躯于所对 缘特征、皮肤特征和对称性特征等特征，采用置信传 应的图像特征，X。为头部的参数化表示，其余四肢 播蒙特卡洛算法进行推理得到新的边缘分布.然后 的对应关系可对照图1和图2得到.与文献[4,9] 利用得到的新的边缘分布来进行区域分割，对分割 中的概率图模型不同，发现头部和左右上胳膊之间 得到的前景区域提取区域相关特征，再次利用置信 的联系更为紧密，因此在图2中头部和左右上胳膊 传播蒙特卡洛算法得到新的近似边缘分布.这样反 之间也有连接，这使得整个概率图模型的结构不再 复进行迭代，在迭代多次之后就能达到一个比较理 是树状结构.该贝叶斯网络的联合概率的表示式如 想的姿态估计结果.与已有相关工作相比，本文的主 式(1). 要创新如下：1)采用非树状的概率图模型，可以利 用空间结构上不相邻的部分的约束；2)针对人体特 点引入一些新的描述特征，包括相对皮肤比例、对称 性等特征，能够更好地刻画人体特点；3)采用蒙特 卡洛采样来进行概率推理，减少了计算量，所用时间 更短 1人体姿态模型 1.1人体姿态的参数化表示 Z. Z. 我们将姿态估计问题抽象为一个贝叶斯估计问 图2姿态估计的概率图模型 题，即通过图像特征的观测来推理对应的隐状态，因 Fig.2 Graphical models for pose estimation 此首先需要将人的姿态表示为参数化的状态.在状 态表示上，选择用矩形框来表示人体每个部分的形 P(X1Z)=Π(X,X)Πb(ZIX) 状及其在图像平面所占据的区域，用三维向量X三 (x,y,0)来表示每个部分的隐状态.其中元素 (1)