王彬菁

摘要：隨著國(guó)家和政府對(duì)網(wǎng)絡(luò)化程度的不斷推進(jìn)，社會(huì)各行業(yè)均以離不開(kāi)高新技術(shù)輔助開(kāi)展生產(chǎn)生活，其中目標(biāo)檢測(cè)和人臉識(shí)別的相關(guān)技術(shù)研究越來(lái)越熱，對(duì)于應(yīng)急突發(fā)狀況的防御處理有技術(shù)優(yōu)勢(shì)。然而，現(xiàn)如今在各項(xiàng)研究中針對(duì)任務(wù)區(qū)域內(nèi)的人體目標(biāo)的掃描監(jiān)控，是十分復(fù)雜的研究難題，現(xiàn)有的基于可見(jiàn)光圖像對(duì)物體進(jìn)行識(shí)別監(jiān)控的技術(shù)會(huì)受到光線強(qiáng)弱、物體放射特性等客觀因素的影響，從而降低目標(biāo)檢測(cè)的準(zhǔn)確度?；诖?，本文提出了一種基于三維點(diǎn)云數(shù)據(jù)的人體目標(biāo)檢測(cè)方法，利用深度傳感器對(duì)任務(wù)區(qū)域人體目標(biāo)進(jìn)行識(shí)別，從而保證設(shè)備監(jiān)控的穩(wěn)定性、安全性與智能性。在建立基本人體數(shù)據(jù)庫(kù)的基礎(chǔ)上，對(duì)獲取數(shù)據(jù)進(jìn)行預(yù)處理，通過(guò)人體標(biāo)繪法形成人體目標(biāo)投影輪廓特征庫(kù)，降噪后使用動(dòng)態(tài)時(shí)間歸整算法進(jìn)行人體目標(biāo)檢測(cè)。

關(guān)鍵詞：三維點(diǎn)云；地平面提取算法；DTW算法；目標(biāo)檢測(cè)

中圖分類(lèi)號(hào)：TP393 文獻(xiàn)標(biāo)識(shí)碼：A

文章編號(hào)：1009-3044（2019）11-0201-02

隨著社會(huì)經(jīng)濟(jì)的不斷發(fā)展進(jìn)步，社會(huì)各領(lǐng)域的矛盾日益增長(zhǎng)，為了保證社會(huì)穩(wěn)定，相關(guān)政府機(jī)構(gòu)也探索不同的監(jiān)控預(yù)測(cè)方法，及早將危機(jī)消滅在萌芽初期。因此也促使了目標(biāo)檢測(cè)技術(shù)的發(fā)展，比如鷹眼監(jiān)控等，對(duì)目標(biāo)區(qū)域的人體的識(shí)別與監(jiān)控是該技術(shù)的研究方向，目前也有大量的技術(shù)成果，比如基于可見(jiàn)光圖像對(duì)區(qū)域目標(biāo)進(jìn)行識(shí)別。但由于受到客觀復(fù)雜環(huán)境的干擾影響，對(duì)光線強(qiáng)弱對(duì)比和光源照射方向所產(chǎn)生的陰影，以及玻璃晶體造成的反光現(xiàn)象等會(huì)對(duì)特定區(qū)域的目標(biāo)的識(shí)別與監(jiān)控精度帶來(lái)影響。面對(duì)這項(xiàng)的研究問(wèn)題，本文提出一種基于三維點(diǎn)云的人體目標(biāo)檢測(cè)技術(shù)，該技術(shù)與雷達(dá)三點(diǎn)定位判斷物體的方法類(lèi)似，通過(guò)傳感器設(shè)備實(shí)現(xiàn)對(duì)物體三維數(shù)據(jù)的獲取，通過(guò)數(shù)據(jù)預(yù)處理方法，聚類(lèi)特征數(shù)據(jù)，分析出可以辨別人體特征的數(shù)據(jù)，使用人工繪制的方法提取投影輪廓的特征曲線建立基本人體數(shù)據(jù)庫(kù)。其中使用DWT（Dynamic Time Warping）動(dòng)態(tài)時(shí)間歸整算法實(shí)現(xiàn)對(duì)人體目標(biāo)投影輪廓特征曲線的匹配與人體目標(biāo)檢測(cè)?；谌S點(diǎn)云的目標(biāo)識(shí)別的相關(guān)研究主要集中在關(guān)于特征匹配的目標(biāo)檢測(cè)算法和基于DEM估計(jì)的目標(biāo)檢測(cè)算法，目前較為先進(jìn)的研究方法是基于激光雷達(dá)成像數(shù)據(jù)特的目標(biāo)檢測(cè)技術(shù)，大部分使用圖像處理方法，Chevalier[1]等人對(duì)旋轉(zhuǎn)圖像特征的處理算法進(jìn)行了改進(jìn)，使用主分量分析方法對(duì)三維點(diǎn)云數(shù)據(jù)中的有向向量進(jìn)行提取，采用K-MEAN算法對(duì)特征數(shù)據(jù)進(jìn)行建模。這些方法在研究過(guò)程中存在一些問(wèn)題：首先通過(guò)該方法獲得數(shù)據(jù)為網(wǎng)格數(shù)據(jù)，需要將距離數(shù)據(jù)轉(zhuǎn)變?yōu)槿S點(diǎn)數(shù)據(jù)，過(guò)程中增加時(shí)間復(fù)雜度；該類(lèi)方法對(duì)圖像的噪聲點(diǎn)以及雜波處理效果不好，造成數(shù)據(jù)缺失，具有一定魯棒性，使的該方法的應(yīng)用場(chǎng)景受局限。另外使用激光雷達(dá)獲得三維云數(shù)據(jù)，設(shè)備成本較高，數(shù)據(jù)使用效率降低。

1 人體目標(biāo)三維點(diǎn)云數(shù)據(jù)獲取

Kinect設(shè)備為人體目標(biāo)數(shù)據(jù)的采集提供了質(zhì)高價(jià)廉的工具，該設(shè)備由微軟公司研發(fā)的一種非接觸式的數(shù)據(jù)采集設(shè)備，由RGB攝像頭，紅外發(fā)射裝備，紅外攝像機(jī)等功能部件構(gòu)成，作為一種交互式傳感設(shè)備可以通過(guò)人類(lèi)移動(dòng)手勢(shì)感應(yīng)控制設(shè)備，方便人們截取目標(biāo)圖像數(shù)據(jù)。Kinect技術(shù)的功能種類(lèi)繁多，應(yīng)用場(chǎng)景廣泛，該技術(shù)通過(guò)計(jì)算感應(yīng)設(shè)備發(fā)出的紅外光時(shí)間與紅外光遇物體反射的時(shí)間之差和相位差換算成物體的距離[2]，從而獲取數(shù)據(jù)，再結(jié)合傳統(tǒng)的相機(jī)拍攝來(lái)呈現(xiàn)物體的三維輪廓圖像，從而獲取待識(shí)別人體目標(biāo)的三維點(diǎn)數(shù)據(jù)。Kinect在獲取三維點(diǎn)云數(shù)據(jù)的坐標(biāo)為（X，Y，Z），在測(cè)量空間中有一點(diǎn)K1，它到攝像頭的距離為d，依據(jù)公式d=Ktan（HD+L）-O， 計(jì)算出的H，D，L對(duì)應(yīng)著坐標(biāo)矢量（x，y，z），假設(shè)K點(diǎn)的圖像投影位置為（i，j）其中X=（i-C1）F1d；y=（i-C2）F2Kd；z=d。另外在獲得三維點(diǎn)數(shù)據(jù)的過(guò)程中要考慮可見(jiàn)光來(lái)源，以及可見(jiàn)光不同照射方向所產(chǎn)生陰影，逆光，背光的因素；另外還應(yīng)該考慮不同的工作環(huán)境，背景風(fēng)景等對(duì)數(shù)據(jù)采集的影響。在數(shù)據(jù)采集的過(guò)程中注意圖像噪聲點(diǎn)和數(shù)據(jù)空值等雜音的濾除。本文采用地平面提取算法和聚類(lèi)分析相結(jié)合的方法處理圖像中的數(shù)據(jù)空值，因此就涉及到對(duì)獲取的三維點(diǎn)云數(shù)據(jù)進(jìn)行優(yōu)化。

2 人體目標(biāo)三維點(diǎn)云數(shù)據(jù)的優(yōu)化

地平面提取算法是一類(lèi)過(guò)濾圖像橫向和垂直向量的數(shù)據(jù)過(guò)濾算法，其基本算法思想是通過(guò)M-estimator算法找到圖像的橫向平面數(shù)據(jù)，在過(guò)濾橫平面時(shí)需要以垂直法向量為參考向量，同理，在過(guò)濾垂直墻面時(shí)應(yīng)該以水平方向量為參考。然后通過(guò)MLESAC算法遴選出到平面和到垂直面小于特定距離的點(diǎn)，最后過(guò)濾掉這些平面數(shù)據(jù)和墻面數(shù)據(jù)。使用該算法可以最大程度的濾除掉圖像中的干擾點(diǎn)數(shù)據(jù)，但空間范圍內(nèi)依然分布著許多散亂的雜點(diǎn)，使用網(wǎng)格法濾除雜點(diǎn)數(shù)據(jù)，獲得人體目標(biāo)較為準(zhǔn)確的數(shù)據(jù)集。具體做法：

1）首先設(shè)定人體目標(biāo)網(wǎng)格的數(shù)據(jù)大小，刪除人體目標(biāo)網(wǎng)格之外的數(shù)據(jù)點(diǎn)，保留大部分人體目標(biāo)特征的數(shù)據(jù)。

2）將大于網(wǎng)格規(guī)格數(shù)的數(shù)據(jù)點(diǎn)用標(biāo)記序號(hào)的方式標(biāo)記出來(lái)，形成數(shù)據(jù)集合。

3）在為刪除雜點(diǎn)的原始數(shù)據(jù)中選擇出標(biāo)記過(guò)序號(hào)的數(shù)據(jù)點(diǎn)，并使用聚類(lèi)算法將這些數(shù)據(jù)存儲(chǔ)在一個(gè)新的矩陣類(lèi)中，作為進(jìn)一步過(guò)濾數(shù)據(jù)的原始數(shù)據(jù)集合。

通過(guò)以上方法可以對(duì)提取到的人體三維點(diǎn)云數(shù)據(jù)進(jìn)行數(shù)據(jù)清洗和優(yōu)化。為后期人體目標(biāo)檢測(cè)做準(zhǔn)備。

采用聚類(lèi)分類(lèi)方法將空間中關(guān)于人體目標(biāo)數(shù)據(jù)進(jìn)行劃分，利用相似性對(duì)比方法，將與樣本數(shù)據(jù)具有相似特征的人體目標(biāo)特征數(shù)據(jù)進(jìn)行聚類(lèi)分析，采用一類(lèi)聚類(lèi)方法，使用pdist，linkage，cluste函數(shù)綜合運(yùn)用，采用原始樣本數(shù)據(jù)矩陣X進(jìn)行數(shù)據(jù)聚類(lèi)，通過(guò)調(diào)節(jié)不同閾值大小實(shí)現(xiàn)人體數(shù)據(jù)特征的分類(lèi)與提取，建立人體數(shù)據(jù)特征數(shù)據(jù)庫(kù)。為后續(xù)的特征匹配做準(zhǔn)備。

3 人體目標(biāo)檢測(cè)

DWT算法是一種動(dòng)態(tài)時(shí)間規(guī)劃算法，該算法兼具距離計(jì)算和模版序列整合功能，對(duì)模版序列長(zhǎng)度，和時(shí)間間隔長(zhǎng)度獲得人體目標(biāo)的特征數(shù)據(jù)。目前使用最廣泛的領(lǐng)域是在語(yǔ)音識(shí)別系統(tǒng)中對(duì)孤立詞的辨別，在語(yǔ)音識(shí)別系統(tǒng)中可以很好地解決詞語(yǔ)發(fā)音長(zhǎng)短不同的問(wèn)題，對(duì)于特征匹配法偏差匹配有輔助作用，這也可以較好的解決人體不同姿勢(shì)說(shuō)產(chǎn)生的投影輪廓特征曲線發(fā)生方向偏差，準(zhǔn)確將人體目標(biāo)數(shù)據(jù)與特征數(shù)據(jù)集中的數(shù)據(jù)進(jìn)行匹配。假設(shè)參考模版為R={R（1），R（2）…R（n）}，待測(cè)試模版為T(mén)={T（1），T（2）…T（n）}，R（m）和T（n）內(nèi)存儲(chǔ)人體目標(biāo)的特征矢量，通過(guò)尋找模版匹配時(shí)的最小累計(jì)失真矢量來(lái)匹配人體投影輪廓的特征曲線，從而識(shí)別人體目標(biāo)。距離越趨近于0，表示兩組數(shù)據(jù)的相似程度越高，相反，相似程度越低，當(dāng)時(shí)失真距離大于1時(shí)，則該物體不是人體目標(biāo)。通過(guò)本算法對(duì)于目標(biāo)的檢測(cè)準(zhǔn)確率達(dá)到了98.5%，由于人體點(diǎn)云數(shù)據(jù)中有其他數(shù)據(jù)點(diǎn)對(duì)人體輪廓特征的識(shí)別有干擾，故該算法建立的模型依然有一定的誤差。誤差產(chǎn)生的原因應(yīng)該和聚類(lèi)閾值數(shù)有關(guān)?；贒WT距離的層次聚類(lèi)算法相較于傳統(tǒng)的聚類(lèi)方法效果更佳。，由于DWT 算法會(huì)產(chǎn)生出多層次的聚類(lèi)結(jié)果，每一層由于對(duì)應(yīng)閾值數(shù)選著的大小而產(chǎn)生不同的聚類(lèi)結(jié)果數(shù)，因此，需要我們合理的確定閾值數(shù)，避免產(chǎn)生不同高度的聚類(lèi)數(shù)，一般會(huì)根據(jù)檢測(cè)到的孤立序列數(shù)目的變化情況來(lái)確定合理的閾值。我們可以定義Dnd（x）為序列x和距離x最近的DTW距離，D0為孤立序列與非孤立序列之間距離的閾值，如果Dnd（x）>D0，則x稱為孤立序列，減小D0值時(shí)孤立序列的數(shù)目會(huì)增加，當(dāng)D0減小到一定值時(shí)，孤立序列的數(shù)目會(huì)急劇增加，ΔN0會(huì)出現(xiàn)峰值，說(shuō)明此段D0相似性序列較多，再繼續(xù)減小D0值，ΔN0值會(huì)下降。由于ΔN0值出現(xiàn)峰值表明在該孤立序列與非孤立序列 的距離增量情況下，孤立序列增長(zhǎng)最快，表明此時(shí)序列間 的相似性已較高，因此可選取ΔN0峰值前的 D0為層次聚 類(lèi)算法終止判斷閾值。假設(shè)算法在第i次循環(huán)時(shí)ΔN0值達(dá) 到第一個(gè)峰值，而程序在第 i+1次循環(huán)時(shí)才檢測(cè)到ΔN0值減小，此時(shí)D0已減小到第i+2次循環(huán)對(duì)應(yīng)的值，[3]由于判斷閾值為峰值前的i-1次循環(huán)時(shí)的D0值，故閾值的判定公式為：

Dstop=D0+3D0step （1）

閾值的大小會(huì)直接影響對(duì)相似數(shù)據(jù)的判定，從而影響目標(biāo)檢測(cè)的準(zhǔn)確性。因此該算法的的關(guān)鍵是判定合理的閾值空間。

4 結(jié)束語(yǔ)

論文主要圍繞著人體目標(biāo)識(shí)別算法展開(kāi)，通過(guò)Kinect設(shè)備采集物體額三維點(diǎn)數(shù)據(jù)，避免了由于物體反射，可見(jiàn)光源強(qiáng)度、方向不同形成物體陰影的問(wèn)題，提高是識(shí)別人體目標(biāo)的準(zhǔn)確度。另外還提出一些關(guān)于優(yōu)化人體三維目標(biāo)的算法，使用地平面提取算法過(guò)濾掉數(shù)據(jù)中情面與地面的數(shù)據(jù)點(diǎn)，去除可能造成數(shù)據(jù)雜點(diǎn)的冗余數(shù)據(jù)，從而進(jìn)一步提高數(shù)據(jù)的準(zhǔn)確性。為后面使用DWT算法查為后期人體目標(biāo)檢測(cè)提供有效數(shù)據(jù)集。在本文的研究過(guò)程中主要的研究難點(diǎn)是確定人體目標(biāo)的數(shù)據(jù)在三維原始樣本數(shù)據(jù)中的位置，通過(guò)實(shí)驗(yàn)發(fā)現(xiàn)影響數(shù)據(jù)準(zhǔn)確性的關(guān)鍵是閾值空間大小的判定也是研究應(yīng)該考慮的關(guān)鍵，其次有效提取人體目標(biāo)投影輪廓數(shù)據(jù)特征曲線并建立人體投影特征數(shù)據(jù)庫(kù)完成特征比對(duì)工作，這些都是本論文需要進(jìn)一步考慮的。未來(lái)期望能夠選著合適的閾值從而提高人體目標(biāo)的檢測(cè)準(zhǔn)確性并且進(jìn)一步優(yōu)化人體目標(biāo)檢測(cè)DWT算法，對(duì)DWT算法進(jìn)行優(yōu)化與改進(jìn)，降低算法實(shí)現(xiàn)的時(shí)間復(fù)雜度。

參考文獻(xiàn)：

[1]張小紅.機(jī)載激光雷達(dá)測(cè)量技術(shù)理論與方法[M].武漢：武漢大學(xué)出版社，2007.

[2]王洋.多線結(jié)構(gòu)光深度圖像獲取及其圖像處理的研究[D].哈爾濱理工大學(xué)，2005.

[3] 陶洋，鄧行，楊飛躍，等.基于DTW距離度量的層次聚類(lèi)算法[J].計(jì)算機(jī)工程與設(shè)計(jì)，2019，40（01）：116-121.

【通聯(lián)編輯：王力】