在康复理疗系统中基于人体部位的多人检测跟踪方法

在康复理疗系统中基于人体部位的多人检测跟踪方法
李海军
【摘要】针对在当前康复理疗系统中人体跟踪存在的问题，需要实时观测被监视场景中的运动目标，分析描述他们的行为，通过对人体行为的理解和判断，才能得到相应的结论并做出相应的决策。

提出一种基于人体部位的支持向量机分类器的方法，实现人体跟踪。

这种方法能够捕捉在人体姿态和背景变化时的人体关节部位，利用训练的人体部位模型能够在人相互遮挡时正确检测人体部位。

在检测阶段，选择一个人体部位子集，最大限度地提高检测概率，大大提高了在多人场景中的检测性能。

在跟踪阶段，利用SVM分类器实现人体的有效跟踪。

实验表明该方法能够在人体相互遮挡情况下，正确检测和跟踪人体。

%In view of the problems that exist in human body tracking in the present rehabilitation physiotherapy system,it needs real-time observation of the moving target in the scene under monitoring,analyze and describe their behaviors.Only by understanding and judgment of human body behaviors can people obtain corresponding conclusions and make corresponding decisions.The paper proposes an SVMclassifier method based on human body parts to realize human body tracking.The method can capture human body joints when human posture or background changes.By referring to the trained human body model it can correctly detect human body parts even when they block each other. In the detection stage,it selects a human body part subset to ultimately improve the detection probability,so that it greatly enhances its detection performance in scenes where there are multiple people.In the tracking stage,it utilizes SVM classifier to realize effective
human body tracking.Experiment show the method can correctly detect and track human bodies when they block each other.
【期刊名称】《计算机应用与软件》
【年(卷),期】2014(000)004
【总页数】3页(P173-174,204)
【关键词】支持向量机;人体部位;人体跟踪
【作者】李海军
【作者单位】德州学院计算机系山东德州 253023
【正文语种】中文
【中图分类】TP391
0 引言
针对我国目前受伤人员在治疗过程中的康复理疗现状，提出采用多媒体技术构造人体活动检测系统，用于医院、诊所和家庭。

实时检测和记录受伤人员理疗时的坐、站姿势，或上、下肢等运动姿势的声音和图像信息，为医务人员实施治疗提供准确的辅助信息，同时可以用来指导伤员进行自我康复理疗活动。

目前，在多人场景中正确跟踪人体已经成为当今研究的热点问题，在视频监控系统中，如何正确跟踪多人给我们带来了挑战。

首先，跟踪的目标在形态上经常发生变化，不利于我们用统一的建模来跟踪目标;在场景中，经常发生目标不停地离开监控的视野和进入监控视野;目标经常出现多人相互遮挡的情况，给人体跟踪带来了困难。

近几年，特别是在智能交通系统等领域，对多目标跟踪已经成为一个重要的课题。

许多研究者通过视频监控设备对实时视频流进行捕捉，大多数的方法是基于背景减除法来进行检测和跟踪，但却难以解决人体遮挡、阴影、光照带来的问题。

在本文中提出利用基于部位的支持向量机方法来进行人体检测和跟踪［1－3］。

1 基于部分的可变形模型
本文提出利用基于身体部位的可变形模型进行人体检测，首先把人体划分成几个部分，对每一部分进行检测评分，最后通过部分得分得出整个人体模型的检测得分。

假设H是图像的HOG特征，P(x，y)表示一个指定的位置，在P位置的检测得分由公式得出:
b是偏置项，n是人体划分部位总数，s(pi)是第i部位的检测得分，它由下面的公式算出:
Fpi是局部滤波器，Ø(H，pi)表示在身体部位pi处的子窗口的向量，(dx，dy)是本部位和它下一个预测位置的位移量，Ød(dx，dy)=(dx，dy)代表变形特征，dpi 指定了不变形特征的系数。

可以利用划分的身体每一部位的检测得分来推断每一部位是否产生遮挡的信息，而不是利用身体各部位的得分总和来判断。

图1 人体基于部位的划分示图
2 数据链接
许多在线跟踪是根据前一帧的目标轨迹来判断当前帧中的目标轨迹的，而没有对未来轨迹进行预测。

为了满足当前目标跟踪的需要，在数据链表中利用了一阶马尔可夫模型，为运动轨迹创建了一个关联矩阵M，然后去选择一个最大的与之匹配的关联矩阵MM，重复这个过程直到没有与之匹配的矩阵为止。

该检测不与任何现有的轨迹进行关联，而是用来初始化一个新的潜在的轨迹，一旦一个潜在的轨迹大于某个阈值，就对它进行初始化。

另一方面，当检测到一个新的相关的轨迹，我们
更新所有的状态变量，即，位置，尺度，速度。

当没有检测相关矩阵时那就是目标存在着遮挡或漏检，我们使用卡尔曼滤波跟踪当前区域的人体头部，因为在人多时头部是最容易检测到的一个部位，这种方法适用于拥挤场面的人体检测。

3 线性SVM分类器的应用
如果检测到一个被遮挡的人体和与它相关联的一个轨迹，分类器将会由于噪声被更新，从而使分类器的性能下降。

因此，我们提出一个处理遮挡的合理方法，在一个检测窗中，被遮挡块由于它的负内积影响到线性SVM分类器，我们利用这种方法根据低的分类器得分推断出人体部位的哪一部分产生了遮挡。

假设被检测的特征向量x是由与人体部位相对应的N个子向量组成:x=(s1，s2，…，sn)。

那么线性SVM分类器的决策函数定义如下:
xk是支持向量，w是所有支持向量的权值和。

把w可分解成n个子向量w=(w1，w2，…，wn)，β 是各部分子集合的和:β =∑βi，每一分离部分的贡献值是由下式
表示:
我们能够得到人体各部分的评分，具有负值的部分就是被遮挡的部分，因此我们利用从身体各部分提取的特征来更新分类器。

这样被遮挡部分就不会被包含在更新的分类器中。

跟踪效果如图2、图3。

图2 单人视频中的人体跟踪效果
图3 多目标跟踪图
4 结语
在本文中，提出的基于部位模型并结合SVM方法实现了多人跟踪。

在视频捕捉中该方法通过对人体进行划分，能够得到丰富的信息，对于目标产生的遮挡和人体外观的变化具有很强的鲁棒性;在分类器的训练中，利用了数据关联的方法，通过对
各部分的综合评分进行了遮挡的判断，并利用分值大小确定了分类器的更新。

实验表明，本文研究的多人体跟踪方法能够达到正确检测和跟踪目标的目的。

参考文献
［1］王琳，寇英信，于雷，等.基于概率数据关联与粒子滤波的多目标跟踪算法［J］.系统仿真学报，2011，23(11):2449-2454.
［2］刘涛，赵巨峰.基于卡尔曼滤波的红外图像增强算法［J］.浙江大学学报:工学版，2012，46(8):1534-1539.
［3］汤义，刘伟铭，柏柯嘉.基于数据关联矩阵的多目标跟踪算法［J］.计算机工程，2010，34(5):158-161.
［4］李璟，刘怀愚，洪留荣.改进的道路背景提取和更新算法［J］.计算机应用，2010，30(5):1266-1269.
［5］刘怀愚，李璟，洪留荣.基于多特征融合的运动车辆阴影消除方法［J］.计算机工程，2011，37(13):156-159.
［6］Benfold B，Reid I.Stable multi-target tracking in real time surveillance video［C］//CVPR，2011.
［7］Breitenstein M，Reichlin F.tracking-by-detection using a detector confidence particle filter［C］//ICCV，2009.
［8］Dinh T B，Vo N，Medioni G.Context tracker:Exploring supporters and distracters in unconstrained environments［C］//CVPR，2011.
［9］Felzenszwalb P，Girshick R，McAllester D，et al.Object detection with discriminatively trained part based models［C］//PAMI，2010.。