基于自适应SLIC的标准人体图像谱聚类分割和测量

发布时间：2020-09-16 11:59

　　图像分割作为模式识别与图像分析的基础,一直是数字图像处理和计算机视觉等领域中的挑战课题,具有重要的研究意义。现阶段已产生了众多的图像分割算法,其中一些算法也被应用到标准人体图像分割中,为三维人体重建、人体运动跟踪、虚拟试衣等领域的发展提供了理论支撑。本文在总结现有典型的图像分割算法基础上,针对不同背景下标准人体图像分割的难点,以及由于缺乏先验条件造成的人体特征点匹配不准确的问题,提出了一种新的标准人体图像分割算法。作为应用,将提取到的人体关键部位特征点进行三维数据拟合以得到较为真实的人体数据。主要研究工作如下:(1)针对简单线性迭代(SLIC)算法分割时需人为设定初始种子点的问题,提出一种自适应的SLIC分割算法。改进后的算法将图像分成多个极小区域,在每个区域内引入CV能量分割,使得算法较好地利用了图像的灰度信息,可以自动地设置初始种子点,使分割后的超像素块更贴合图像色块边缘。(2)为了避免复杂环境对人体图像分割精度的影响,引入人体模板标记图像中感兴趣的区域,并利用区域内模板信息改写相似函数,对其中的超像素块进行谱聚类,完成基于超像素块的谱聚类人体图像分割,提高图像分割精度。(3)针对传统ASM算法易出现局部拟合、迭代次数过多等问题,提出一种基于人体轮廓线的ASM特征点提取算法。改进的算法在人体轮廓线的基础上定义了一组模板基准点,通过基准点校准、点集校准、改变特征点搜索方向等方式提高人体正侧面特征点提取的精度和速度。经过以上步骤得到人体关键部位特征点后,利用BP神经网络学习人体多个部位间的关系。在采集的多组人体数据上,该神经网络实现了误差2厘米范围内的人体三维数据拟合。最后,本文对该研究内容进行了总结,并对今后工作进行了展望。
【学位单位】：浙江理工大学
【学位级别】：硕士
【学位年份】：2019
【中图分类】：TP391.41
【部分图文】：

图像处理算法,高斯滤波,处理算法,加权平均

论文基于自适应SLIC的集、传输和压缩的各个过程中，的高级图像处理算法产生较大的础的工作之一。由于噪声的种类同的噪声有不同的处理算法。总换域法。，高斯滤波法[22]为一种典型的去内的各个点进行加权平均后，将积的过程，因为图像属于二维信

基于自适应SLIC的标准人体图像谱聚类分割和测量

S-T网络

局部图,连接区,神经网络,分类器

经网络（Convolutional Neural Networks，CNN）作为一种前来被应用在多个领域，如图像分割、人脸识别、自然语言处结构一般分为三部分。第一部分是输入层，第二部分由 n 个成，第三部分是全连接的多层感知机分类器。最初的输入经高特征之后，只有最后一个特征被输入到分类器进行处理。都包含卷积层和子采样层，一般而言，CNN 会有 1 到 3 个特一层或者两层的全连接人工神经网络作为分类器。习下的 CNN 与普通的神经网络相比主要有两点区别，分别共享。个层之间采用的是局部连接的方式，即局部感受野，如图我们对外界的认知是从局部到全局的过程，图像之间的空间系较为紧密。因此，神经网络在学习时没必要对全局图像进局部图像，最后在更高层将局部信息综合起来即可大致得到

【相似文献】