·40 智能系统学报 第6卷 式中：e是各个隐节点之间的连接的集合，而v则是 图3给出了对于一张样本图片中躯干的前景区 从隐节点到观测节点的连接的集合；中：(Z:IX)是单 域分割的结果，该图中四肢的颜色和躯干的颜色相 个节点似然度函数，在后续论述中简记为中：(X); 差不多，边缘特征区分度也不大，因此仅靠颜色进行 中(X:,X)是2个节点之间的势函数，主要表示2 分割时，有可能会包含部分四肢以及其他一些干扰 个部分之间的关系.为减少计算量，本文采用的贝叶 区域 斯网络中仅包括单个节点和2个节点的势函数，这 些函数的定义在第2节中介绍.在定义了上述后验 概率以及结构模型之后，姿态估计问题就化为估计 边缘分布P(X:IZ)的问题. 2特征描述 图3样本图片和对应的躯干前景区域 2.1单节点的似然度模型 Fig.3 Foreground regions for torso 各部分的似然度函数的定义如式(2)所示，其 区域特征定义如式(4)所示，其中T:表示一个 中四肢的似然度函数由边缘特征(X:)和前景区 部分的前景区域的模板6(X)表示前景区域F: 域特征f(X:)(见第2.1.2小节)组合而成.头部和 与平移和旋转到X:处的模板的匹配程度， 躯干的似然度函数由边缘特征、对称性特征(X:) (见第2.1.1小节)和前景区域特征组合而成。 f(X:)=>F:*TR(x-xy-y).(4) 中：(X)= 2.22个节点的势函数 exp(f(X:)+f(X)),i=2,3,…,9, 2个节点的势函数由结构似然度和皮肤特征对 应相乘得到. expf(X:)+f(X)-f(X)),i=1,10. (2) 2.2.1结构似然度 2.1.1边缘特征和对称性特征 本文采用的边缘特征如式(3)所示[9]，其中的 边缘1为对应于人的四肢的矩形的较长的2条边， 或者对应于头部和躯干的4条边.8.(x,y:)和 6,(x:y:)分别表示在(x,y:)处x方向和y方向的 边缘强度，￡m表示整条边缘1上边缘强度的最大 值，N表示整条边缘上的点的数目，是一个归一化 的量.这一特征既考虑了边缘的强度，又考虑了边缘 的方向性， f(X:) I (xi,Yi)sin 0:-,(x,yi)cos 0:1 ()1 Niom 图4结构模型及链接点的图示 (3) Fig.4 Structural model and joint points 对称性特征f(X:)通过计算第i部分左半和右 在单个部分的外观特征不明显的情况下，结构 半区域的颜色直方图的卡方距离(chi-square dis- 似然度是对2个部分的匹配程度进行评价的重要指 tance)得到. 标.结构似然度的定义如式(5)所示，它包含两部分 2.1.2前景区域特征 特征，一部分度量了相对位置的似然度，另一部分是 采用基于边缘的模板匹配算法16，可以得到一 相对朝向的似然度.其中J,表示第i部分到第j部 个较粗略的各部分状态的分布，记为I:(X:).以这一 分的链接点，J,表示第j部分到第i部分的链接点， 分布为重要性函数，通过置信传播蒙特卡洛算法的 σ：是通过样本训练得到的链接点的距离的方差.图 概率推理，可以得到一个新的分布P(X:IZ).将这 4是结构模型和链接点的图示，其中用三角形和圆 一分布对应到图像上，可以得到各个部分的颜色分 形标出了对应的链接点.相对朝向的似然度定义为 布的直方图，根据这一直方图对图像进行前景区域 2个部件的相对朝向在训练样本中出现的频率， 的分割.由于使用了重要性函数来进行采样，因此可 以避免对不重要状态的计算. 6黑y）. ,(5)