Распознавание позы человека на изображении с

Распознавание позы человека на изображении с помощью
скрытых марковских моделей
Коротенко Д.Ю.,
Научный руководитель: Гультяева Т.А., ассистент
НГТУ, Новосибирск
г. Новосибирск, [email protected]
Распознавание образов используется во многих областях человеческой деятельности: медицине, военном деле, геологии, и т.д. Одним из
методов теории распознавания образов, основанном на параметрическом оценивании распределений и максимизации функции правдоподобия, является построение скрытых марковских моделей (СММ).
Распознавание – это отнесение конкретного объекта, представленного значениями его свойств (признаков), к одному из фиксированного
перечня образов (классов) по определённому решающему правилу [1].
В данной работе рассматриваются СММ с дискретным пространством наблюдений  ( , A, B) . Матрица A – это матрица переходных
вероятностей скрытых состояний,  – вектор распределения вероятностей начального состояния, B – матрица распределения вероятностей
появления символов алфавита в текущем скрытом состоянии модели.
Для применения аппарата СММ к распознаванию образов необходимо произвести обучение модели – оценить её параметры по некоторому набору обучающих последовательностей (изображений).
Для оценки параметров модели  ( , A, B) , при известных последовательностях наблюдений O используется оптимизационный алгоритм
Баума-Велша [2], суть которого состоит в максимизации функции правдоподобия   arg max L(O |  ) . Таким образом, полученная модель

является ОМП-оценкой параметров исходной модели.
Так как данный алгоритм довольно сильно зависит от начального
приближения и может сходиться к локальному максимуму функции
правдоподобия, то используется также алгоритм поиска глобального
экстремума.
, O Nmax |  ] того, что последовательности O k , k  1, N max сгенерированы моделью  вычисляется с
1
2
Логарифм вероятности ln P[O , O ,
помощью forward- и backward-вероятностей. Здесь N max – количество
последовательностей наблюдений для оценки модели.
Так как происходит работа с изображениями, то для обучения СММ
необходимо извлечь наблюдения из изображения. Для этого в данной
работе выполнены предобработка изображения, выделение контура че-
ловека и извлечение наблюдений, путём сканирования полученного
контура. Для подавления шумов производилась бинаризация изображения. Алгоритм выделения контура основан на понятии связной области.
Далее производился обход выделенного контура, вдоль которого передвигалось сканирующее окно(СО) – прямоугольная геометрическая
область точек изображения, в пределах которой вычисляется элементарное наблюдение. В соответствии с выбранным направлением движения можно выделить несколько типов СО, различающихся положением
начальной точки (угла прямоугольника), соединяющейся с контуром. В
качестве наблюдаемых символов выбраны углы, которые представляют
собой сумму угла  (между горизонтальным направлением нижней
стороны сканирующего окна и контуром человека в пределах сканируемой области) и некоторой добавки, которая зависит от типа СО .
Для обучения и распознавания будем использовать СММ, имеющую
полносвязную марковскую цепь, с фиксированным начальным состоянием и дискретное пространство наблюдений. Поэтому полученные
последовательности углов, изменяющихся в диапазоне от 0 до 360 ,
дискретизируются на несколько групп.
В данной работе для обучения и тестирования системы распознавания использовалось 10 поз, для каждой из которых 5 обучающих, 15
тестовых изображений. Распознавание одного изображения заключается
в нахождении такой модели (соответствующей конкретной позе), что
вероятность того, что последовательность наблюдаемых символов (углов изображения) сгенерирована этой моделью, является максимальной.
Также в работе проведены исследования влияния параметров СММ
(количества скрытых состояний, ширины, высоты и перекрытия сканирующего окна, вида обучающих картинок) на процент верно распознанных изображений (тестовых и обучающих), время обработки изображений, распознавания и обучения. В результате исследований наиболее
высокий и стабильный процент распознавания тестовых изображений
был получен приблизительно 87%, обучающих – 99%. Таким образом,
можно сделать вывод, что аппарат скрытых марковских моделей возможно применять для распознавания поз человека.
Литература
1. Волошин, Г.Я. Методы распознавания образов [Электронный ресурс] : конспект
лекций по курсу "Распознавание образов" / Г.Я. Волошин ; редактор Ильин А.А.. –
Режим доступа: http://abc.vvsu.ru/Books/Metody_r/page0001.asp.
2. Баяковский, Ю. М. Анализ информации, содержащейся в изображении [Электронный ресурс]: материалы к лекциям по курсу компьютерной графики ВМиК
МГУ/– Режим доступа: http://www.graphicon.ru/oldgr/courses/cg/lectures/2006/.
3. Rabiner, L. R. A Tutorial on Hidden Markov Models and Selected Applications in
Speech Recognition / L. R. Rabiner // Proceedings of the IEEE. – IEEE, 1989. – vol. 77, no.
2. – С. 257-285.