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 ·41… 2.2.2皮肤特征 示，将图像中的每个位置都作为一个状态，带来了很 通常利用皮肤信息的方式是直接计算单个部分 大的计算量.文献[9]则采用蒙特卡洛算法来对这 所覆盖区域的皮肤似然度9]，也即统计当前肢体所 一积分进行近似计算.我们认为颜色特征以及由此 覆盖区域内每个像素的皮肤似然度的均值.这种处 得到的前景区域分割是一种比较稳定的特征，因此 理方法有2个问题.首先，不同样本中同一部分的皮 结合区域分割与置信蒙特卡洛采样(belief propaga~ 肤区域的范围差异很大.一些样本中某个部分完全 tion Monte Carlo,BPMC)算法[91，提出基于区域分 暴露因而皮肤区域较大，而另外一些样本中同样的 割的置信蒙特卡洛采样(region segmentation belief 部分皮肤区域很小.其次，皮肤区域特征的变化区间 propagation Monte Carlo,RSBPMC)算法. 也很大 RSBPMC算法的基本步骤如下（下文用sR=,代表 为了解决这2个问题，采用皮肤似然度的相对 从1：中采样得到的X:的样本，注意式(9)和式(10)可 强度关系来对皮肤区域似然度进行约束.首先计算 分别看作式(7)和式(8)在离散状态下的近似). 单个部分的皮肤似然度，采用皮肤像素似然度分布 1)按照重要性函数I(X),从状态空间中采集 模型计算该部分覆盖区域内每个点是皮肤的似 样本{s} 然度，然后对整个部分取平均，即可得到X:对应的 状态是皮肤的可能性P(X:),采用式(6)所示的 2)重新计算权重：对每个s1以及每个j∈ 势函数来表达皮肤特征，利用了如下部分之间的皮 N(),定义： 肤似然度的关系：头部与左大臂、头部与右大臂，头 ω知=G(sR)/1.(s), 部与躯干.当i为左大臂、右大臂或者躯干，j为头部 G(s41)=∑[π*中，(s)* 时，选择前者似然度小于后者的样本，即认为左右上 臂及躯干的区域是皮肤的可能性均应该小于头部 (s,s)Πω]. (9) 的.若i和j的顺序与上述相反，则选择前者似然度 3)计算每个样本的概率：按照各样本传递的信息 大于后者的样本. 对ω0JeN(i)进行概率归一化，公式如式(10)： m=(s)o。 (10) 1,Pa(X:）<phn（X）, i=1,2,3,j=10; 4)计算前景区域. (X,X)={1,P(X)>p(X), (6 5)重新计算特征，按照步骤2)~3)进行推理. 6)迭代：kk+1,进行迭代 i=10,j=1,2,3; 0. 其他 7)输出推理结果： P(XlZ)~{s,π}0= 3基于区域分割的置信蒙特卡洛采样 式中：s=s,π=π，推理结果中概率最大的 状态就是该算法的估计状态。 算法 在RSBPMC算法中，重要性函数的选择对于算 置信传播算法是在概率图模型中进行概率推 法能够较快采样到正确的样本很重要.文献[9]的 理，即由式(1)得到边缘分布P(X:1Z)的一种算法， 主要目的是分析足球运动员的姿态，在这些图片中 计算公式如式(7)和式(8)所示，更详细的论述可参 4个下半肢体（小腿和小臂）的皮肤区域是暴露的. 考文献[18].在理想状况下，置信传播算法中的状 在处理过程中，利用人脸检测算法检测出人脸，利用 态假设为连续的，传递的信息通过积分计算，从X 皮肤信息检测出4个下半肢体，然后利用顺序检测 到X:传递的信息如式(7)所示。 的方法找到4个上半肢体和躯干，这种算法比较简 mg(X)= 单和直观，但对处理的图片有较强的限制.我们用文 [(X)(x,)m()], (7) 献[16]中的基于边缘的模板匹配算法作为初始化 keNG)li 算法，避免了对着装的限制. P(XIZ)x中(X)Πm(X). (8) 在概率推理方面，文献[4,16]均假设了树状模 由式(7)可以看出，该算法中信息m的计算需 型.文献[19]指出，对于非树状的概率图模型，采用 要对所有可能的状态进行积分.而对一般的函数积 有环的置信传播算法往往可以保证收敛.由于本文 分无法得到解析解，因此需要对状态进行离散化，并 采用了蒙特卡洛采样，状态数大大减少，因此可以采 将积分转化为求和.文献[16]采用离散的状态表 用非树状的概率图模型，同时还能保证识别的效率