基于SIFT算法的人体姿态估计研究

摘 要：本文主要介绍了SIFT算法结合人体姿态估计的应用，在人体学习运动的过程中，系统实时捕捉用户动作，利用火柴人进行用户动作模拟。通过对比各个训练动作的特征，对用户的错误动作进行提示，并给出合理建议。

关键词：SIFT;人体姿态估计;神经网络

一、简介

近年来在生活的各个方面，或多或少都有人工智能的体现。除了生活必要方面，互联网软件的发展也有助于人们的精神文明建设和培养。利用软件对用户运动的监测也逐渐兴起。

二、研究背景

在软件中，针对用户体验角度而言，传统的运动方式一般是用户结合教学视频进行学习。用户打开感兴趣的模块，点击想要学习的课程，便可以进行学习。这种教学模式一定程度上虽然已经较为方便，但其局限性在于用户不能看到自己的学习情况，动作正误等，对于其学习效果就不能得到保证。

如果在学习过程中，系统可以捕捉用户学习视频，并进行分析，进而提示用户动作情况、错误信息等，便有利于用户对自己的动作及时进行矫正。站在用户的角度，这种学习模式很大程度上满足了用户的需求，学习软件亦可以更加智能，对用户的历史学习数据进行分析，找出用户学习特点，根据其个人情况，提出个性化建议等。

三、算法分析与实现

对于捕捉到的用户学习视频，应剔除背景，想人体模型提取出来，并且寻找出人体各个关键部位，从而进行相对位置分析。

（一）视频预处理

对于摄像头录制的视频，应当先分割成若干图片，分割是按照帧进行处理。对于每一张图片，结合人体大致形状，将背景素材剔除。这样，便于后期对人体关键点的提取。

（二）关键点提取

对于剔除背景后的图片，应当提取人体关键部位。结合SIFT算法，将每个点表示为八维向量，每个点的八维向量顺序不同、模长不同，便可以作为唯一标识符。八维向量模型如图1

（三）神经网络训练

对于所提取的人体部位数据，可能会存在较大的误差。所以将图片数据放入卷积神经网络，进行迭代训练。在网络学习过程中调用激活函数，增强模型的鲁棒性;使得模型不过分依赖所给数据，从而具有更广泛的应用范围。

（四）人体动作火柴人模拟

对于提取出来的关键点，结合人体关键身体部位，进行火柴人模拟。一方面，方便用户清晰看到自己动作的框架，可以及時发现错误;另一方面，系统根据各个身体部位的位置关系，找出一系列的典型错误，经过串行的判断条件，得出当前动作的错误个数与种类，从而对用户动作进行打分，给出合理的改进建议。

四、结语

在实际应用场景中，系统录制用户动作进行分析，很大程度上方便了用户的学习过程。对于用户学习动作错误情况提示，不仅可以采用界面文字提示，也可以采用语音提示的方式，让用户感受到“私人教练”的体验，达到边学习边反馈的功能。

参考文献

[1]张庆辉，万晨霞，秦淑英，卞山峰.基于卷积神经网络的道路目标检测算法[J].计算机工程与设计，2019，40（07）：2052-2058.

[2]张闯，杨咸兆，徐齐全，陈苏婷.基于SIFT特征的哈希快速检索与图像匹配[J].现代电子技术，2019，42（12）：127-131.

[3]冯健颖.基于卷积神经网络的人体姿态估计研究[D].哈尔滨工业大学，2018.

作者简介：

李婷婷（1997～）本科，研究方向为软件工程。