1.1 研究背景及目的

人体关节点定位是计算机视觉领域的热点研究问题，其通过实时地估计预测人体的运动姿态来达到监控，娱乐等目的。随着计算机软硬件技术的发展，在游戏、监控等领域都得到了更为广泛的应用。2010年，微软利用一种新的图像格式——深度图像对人体进行关节点定位并取得了良好的预测效果。但由于深度图像需要使用专用的传感器获取——微软使用了专门研制的Kinect传感器——基于深度图像的定位方法具有一定的局限性。因此，开发一种基于传统的可见光图像的人体特征点定位方法，可以有效降低设备成本，提升算法的普适性。

人体关节点定位技术可以为人体动作识别、异常行为检测等技术提供有价值的数据，可以应用在监控系统、视频分析、智能机器人、人机交互等许多领域，具有非常广阔的应用市场：

1. 智能监控系统：将视频分析模块添加到传统的监控系统中，经过计算机快速的数据处理，可以提取出视频中人的信息，正确迅速地判断监控画面的异常情况，并快速发出警报。

2. 人机交互：随着计算机使用人群的不断增长和分专业人群的增加，人机交互的方式应该越来越符合人们的生活习惯。人机交互方式的发展方向就是体感技术，人体特征点定位可以为用户动作识别提供很好的基础。

1.2 国内外的研究现状分析

目前，国内外研究主要集中在利用深度图像进行人体关节定位的方法。

刘国翌等使用深度图像的轮廓和边界特征建立目标函数，这种组合特征大大提高了关节点定位的准确性。Youding 等设计头—颈部—躯干模板通过深度图像的概率推导方法，探测身体部件位置。Zhu 等首先利用身体约束粗略地标记出深度图像中的各个主要部件，再在部件的大致位置上进行ICP 搜索来定位关节点的具体位置。Evangelos等利用监督学习方法训练出Jointboost分类器，然后通过分类器学习得到的模型来标记出不同人、物的各个部件。Christian 使用 Dijkstra 算法寻找人体的各个角点，然后利用局部形状描述对这些点进行识别，同时估计出它们的角度，得出关于身体各部件的位置信息。Jamie 等利用深度图像中的局域梯度特征，学习得到随机森林分类器。由于使用了身体部件这个中介表示，把难度较大的姿态估计问题转换成了一个简单的像素分类问题。

现有研究少有以传统可见光图像为基础的定位方法，主要问题在于传统2D图像难以提取人体的轮廓，同时由于遮挡问题，相较于深度图像更难实现高精度的特征点识别与定位。

2. 研究的基本内容与方案

2.1 基本内容