基于最大几何流向直方图的人体运动跟踪方法技术领域
本发明属于视频图像处理技术领域，主要涉及视频图像特征纹理表示方法，具体
是一种基于第二代条带波的最大几何流方向直方图的人体运动跟踪方法，用于视频人
体运动跟踪和三维姿势恢复。
背景技术
视频人体运动跟踪是近几十年内计算机视觉领域的重大热点之一，人物是核心的
内容，反映着图像的核心语义特征。相关技术已在运动捕获，人机交互，视频监控等
多领域获得了初步的应用，并具重大的应用前景。对视频人体运动跟踪的理解和解译
属于视频图像处理范畴，还涉及模式识别机器学习及信号处理等众多学科。基于图像
的三维人体运动恢复技术可以促进自然人机交互的发展：利用姿势，手势等和机器进行
互动。三维人体运动跟踪和姿势恢复一系列的研究是计算机视觉领域一个长期存在，
重要而距离彻底解决尚很遥远的问题。对人类来说，观看一幅图像时几乎可以瞬间理
解其中人物的姿态；然而对于计算机来说，这种理解需要克服重重困难，必需利用有
效的图像特征表征其中的人物运动状态以及图像纹理，轮廓等细节信息，变成可以处
理的模式作为计算机的输入识别信号接口。在运动跟踪过程中，需要将运动跟踪判定
方法和图像特征表示结合使用达到对二维视频人体的运动跟踪和三维姿势恢复。现有
的运动跟踪中后端使用的跟踪判定方法大致可分为基于对状态空间优化的产生式和
对数据学习然后概率推断的判别式。前端的图像特征表示方法大致可以分为基于全局
特征点方法和基于局部字码表的特征表示方法，全局特征包括如梯度直方特征HOG、
层级化特征HMAX，而局部特征包括形状上下文Shape Context、及尺度不变性特征
点SIFT的方法等。
目前已经有很多成熟的图像特征表示方法被运用到人体特征表示和运动跟踪中。
但是大部分描述人体的图像特征表示方法是基于轮廓和边缘信息的，在理论上不严
格，对于静止的单幅图像可以一定程度的表现图像的大致内容，而对于连续的有轻微
变化的图像序列，很难较好地刻画图像内部信息。同时在此类基于边缘的方法中还面
临一个主要问题，图像局部快变经常不能对应于沿边缘曲线的不连续性跳跃，一方面
导致封闭边界的灰度不连续性的模糊，另一方面刻画出的纹理变化不沿几何曲线聚
集。最终结果是无法准确有效表示图像中的几何纹理走向，不能全面刻画人在其中的
姿态和特征信息，对于后期的运动跟踪和恢复产生了模糊性和歧义性。
发明内容
本发明的目的在于克服上述已有技术的不足，利用条带波准确反映图像几何方向
的细微变化和内部纹理走向，并且自适应寻找最佳几何流方向进行多尺度分析，提出
了一种基于最大几何流方向直方图的人体运动跟踪方法，以提高图像特征提取的精确
度，反映连续单幅图像的相关性和细微的差异性来增进计算机算法的可辨识性，提高
特征的表征能力同时减少对相似图像描绘的歧义，并且在图像数据分布当前情况下，
通过学习具备先验知识的数据库进行准确的姿态估计。
为实现本发明目的，本发明技术方案，包括如下步骤：
(1)将输入待处理训练及测试视频图像集转换为连续单幅序列图，识别一个主要
人体目标并提取出含有人体的矩形框图，统一图像大小将每幅图转换为近似于人体运
动比例的192*64像素的初始图像，作为之后处理的训练样本图像，当图像中有一个运
动人体时，选择该运动人体作为目标，当有多个运动人体时，选择一个需要的主要人
体目标；
(2)对每个训练样本图像进行二维离散正交小波变换并得到图像子带信息，小波
变换的层数为L＝1；
(3)对小波变换后的训练样本图像，根据四叉树划分和自底向上融合法则分割，
得到最佳的条带波子块，各分割区域大小最小为4*4图像子块，算提取各个图像区域
的条带波方向；
(4)使用一维离散变换，按最佳条带波方向投影误差值从小到大重排步骤(2)中得
到的图像子带信息，得到变换后信号fθ。
(5)计算变换后信号fθ的量化值的量化系数Q(x)，此处量化值完全由量化系
数Q(x)构成，计算公式为：
Q ( x ) = 0 | x | ≤ T sign ( x ) · ( q + 0.5 ) · T qT ≤ | x | ≤ ( q + 1 ) T ]]>
其中，x为信号fθ的系数，Q(x)为量化值的量化系数，T为量化阈值，且q∈Z，
q为常量参数，Z是整数域；
(6)对量化后各图像子块实施Bandelet化，得到Bandelet系数，同时计算出每个
图像子块上的最佳几何流方向，并将Bandelet系数按原始二维图像方式排列成矩阵形
式；
(7)对图像划分成横向纵向均为4等分的网格，每个格子分9等分，按方向统计
在各方向Bandelet系数强度的投票信息，构成最大几何流向直方图统计特征；
(8)以最大几何流向直方图统计特征，进行人体运动姿势的机器学习跟踪，对输
入视频图像进行包括20个关节点的空间三维运动姿势的估计，将估计的三维运动姿
势数据恢复成图像形式的关节点骨架，完成视频图像的人体运动跟踪。
本发明的技术思路是：从视频图像序列中提取含有一个主要人体的图像部位，然
后对该图像部位进行二维小波多尺度变换，通过四叉树剖分和CART自底向上融合构
造出沿几何流方向弯曲的小波函数，在最终得到的剖分图中确定每个子块的最佳方
向，并在其上做正交投影，将二维函数转化为一维函数。最终在图像所划分出的多个
固定大小区域内，沿每方向20度，共9等分方向统计最大几何流值的方向分布，最
终构建直方图作为图像统计特征。将训练数据库得到的图像统计特征与相应训练数据
的三维姿势通过双高斯模型的跟踪判定方法进行一种回归映射函数的学习，利用学习
到的映射函数对新的视频图像序列进行人体运动的跟踪和相应的三维姿势恢复。
本发明的实现还在于，步骤(3)中对最佳几何流的条带波特征的提取步骤包括
有：
3.1对于初始图像中宽度为L的子块S，计算其最佳几何流方向，最佳方向通过
优化一个拉格朗日罚函数L0(S)确定：
L ( f θ , R ) = | | f θ - f ~ θ | | 2 + λ * T 2 ( R g + R b ) ]]>
右边第一项为逼近均方误差，第二项λ*T2(Rg+Rb)为计算复杂度的惩
罚项，式中，fθ为真实最佳基函数，为估计值，λ为罚比例因子，计算中取经验
值，T为量化阈值，R是比特数大小，Rg是通过熵编码处理最佳几何流参数d所需的
比特数大小，Rb是量化编码{Q(t)}所需的比特数的大小。本发明通过拉格朗日罚函数
的计算可以获得估计的几何流方向和真实的几何流方向的逼近。
3.2令L＝2L，对每个L×L的方块，仍然标记为S，计算最佳的几何流方向和相
应的拉格朗日函数值L(s)，L是一个图像子块的宽度，为最佳几何方向提取计算中的
一个变量，此处S也是一个变化的值。
3.3对每个尺寸为L×L大小的条带波块S，它的四个孩子标记为(S1，S2，S3，S4)，
计算这四个孩子作为叶节点联合在一起的拉格朗日函数值：
L ~ ( S ) = L 0 ( S 1 ) + L 0 ( S 2 ) + L 0 ( S 3 ) + L 0 ( S 4 ) + L 0 ( S ) + λ · T 2 ]]>
3.4令 L 0 ( S ) = min { L ( S ) , L ~ ( S ) } . ]]>
3.5重复步骤(3.2)-(3.4)，进行循环迭代，直到L达到最大分割尺度，L0(S)即
为最终的四叉树分割结果，同时还可以得到各图像区域块的最佳几何流方向。
本发明采用的最佳几何流的条带波方向特征的提取优势在于，能够自适应定位寻
找图像子块中局部的纹理信息和几何方向，不需要过多的人工参数调整或者干预，从
而勾画出整体图像的内部以及外部几何结构，构成进一步计算直方图统计特征的基本
要素。
本发明的实现还在于，步骤(4)中重排步骤(2)得到的图像子带信息的步骤包括有：
4.1将每一子块内所有的点按照最佳几何流方向投影误差值从小到大排序，可以
得到一个L2长度大小的排序索引。
4.2将子块内的二维离散小波变换后的系数按索引重排序，得到一个一维信号
fd。该信号仅表示一个向量数据，不代表函数内容。
4.3将fd进行一维离散小波变换，得到变换后信号fθ。该信号仅表示一个向量数
据，不代表函数内容。
本发明采用的重排采样信息的优势在于，能够加快计算速度，提高运算时的搜索
能力，减少计算时间。
本发明的实现还在于，步骤(7)中最大几何流向直方图统计投票的步骤包括有：
7.1将图像划分成4*4区域的图像块，记录每个块中的主要几何流方向，以及相
应的系数强度大小。
7.2将每个图像块按每方向20度，共9等分方向划分，统计投票几何流方向落
在各方向区间的数值和系数强度，计算整幅图像的直方图分布情况。
本发明采用的几何流直方图统计方法的优势在于，能够计算图像区域的整体几何
特征方向性分布，减少局部特征的误匹配或不匹配同时增强特征表示的鲁棒性，而且
特征本身是稀疏的。
本发明的实现还在于，步骤(8)中人体运动姿势的机器学习跟踪和三维姿势恢
复的步骤包括有：
8.1利用高斯过程学习训练图像最大几何流向直方图特征X＝{x1，x2，...xn}和X所对
应三维姿势坐标点数据Y＝{y1，y2，...yn}的映射关系；再利用该过程学习到核函数的相
应参数确定特征空间至姿势状态空间的映射关系
8.2对于待处理测试人体运动图像序列，按步骤(1)至(7)提取相应直方图特征
X′＝{x′1，x′2，...，x′n}，根据学习到的映射关系f，求解测试样本所对应的三维人体运动
姿势数据Y′＝{y′1，y′2，...，y′n}。
8.3由得到三维人体运动跟踪的结果Y′＝{y′1，y′2，...，y′n}，准确恢复输入二维视频
的三维人体运动，包含20个关节点坐标值的空间三维运动姿势，将估计到的三维运
动姿势数据恢复成空间内图像形式的关节点骨架。
本发明采用的机器学习方法进行的跟踪和三维姿势恢复的步骤优势在于，能通过
学习先验知识，提高算法的归纳能力，最终对于后期的快速运动跟踪和三维姿势恢复
构成重要的先验条件和必须组成部分。
本发明与现有技术相比具有以下优点：
(1)本发明不需要对视频图像序列中的人体运动区域进行背景剪除，比传统的特
征提取方法能更加节省计算机资源和时间复杂度。
(2)在本发明中使用的最大几何流向直方图表示方法能够通过几何流准确表示图
像的人体姿势方向性统计信息，根据几何流的统计描述可以避免传统基于边缘的，或
基于轮廓的图像表示方法产生的表述歧义性(前后肢体的相互遮挡关系和景深距离关
系)缺陷，几何流特征能区分连续图像帧的人体运动模式和姿态的细微差异，为后期
得到更精确的三维运动跟踪恢复结果建立必要的先决条件。
(3)本发明提取的图像特征信息较传统的图像描述方法维度低而且稀疏，对于学
习训练部分能有效缩减数据计算量，为实时跟踪的目标奠定基础。
附图说明
图1是本发明的算法实现流程图；
图2是本发明的特征提取方法示意图；
图3是原始数据库处理后提取带背景的一个人体图像的各种运动序列视频图与
本发明恢复的三维姿势对应图；
图4是本发明算法与现有方法HOG对图3a中的人物行走运动连续序列跟踪的
三维关节点平均误差值的对比直方图；
图5是本发明对国际Humaneva数据库中人物运动姿态的连续帧视频图像截图；
图6是本发明对国际Humaneva数据库中图5所示人物相应运动姿态三维恢复结
果的对应图。
具体实施方式
对视频人体运动跟踪的理解和解译属于视频图像处理范畴，还涉及模式识别机器
学习及信号处理等众多技术领域。基于图像的三维人体运动恢复技术可以促进自然人
机交互的发展：利用姿势，手势等和机器进行互动。
实施例1
本发明是一种基于最大几何流向直方图的人体运动跟踪方法，主要对视频人体运
动图像特征进行前期处理，并通过机器学习的模型对取得图像特征表示学习映射关
系，从而对当前的视频人体运动数据估计其相应的三维姿势。参照图1，本发明的具
体实施过程如下：
(1)将输入待处理训练及测试视频图像集转换为连续单幅序列图，根据图像内容，
判断需要识别的主要人体目标，提取出含有人体的矩形框体，统一将每幅图像大小转
换为近似于人体运动比例的192*64像素的初始图像，作为之后处理的训练样本。因为
本发明不需对原始图像进行背景剪除等预处理，因而节省了计算资源并缩小时间复杂
度。
(2)对每个训练样本图像进行二维离散正交小波变换得到图像子带信息，正交小
波变换的层数为L＝1。
(3)对小波变换后的图像，根据四叉树划分和自底向上融合法则进行分割，得到
最佳的条带波子块，并提取最佳几何流的条带波方向，具体步骤如下：
3.1对于图像中宽度为L的子块S，计算其最佳几何流方向，最佳方向通过优化
一个拉格朗日罚函数L0(S)确定：
L ( f θ , R ) = | | f θ - f ~ θ | | 2 + λ * T 2 ( R g + R b ) ]]>
右边第一项为逼近均方误差，第二项λ*T2(Rg+Rb)为计算复杂度的惩
罚项。其中，fθ为真实最佳基函数，为估计值，fθ，通过实验计算获得。λ为
罚比例因子，计算中取经验值3/28，T为量化阈值取15，R是比特数大小，Rg是通
过熵编码处理最佳几何流参数d所需的比特数大小由计算取得，Rb是量化编码{Q(t)}
所需的比特数的大小由计算确定。子块大小L最小为4。
3.2令L＝2L，对每个L×L的方块，仍然记为S，计算最佳的几何流方向和相应的
拉格朗日函数值L(S)。L是一个图像子块的宽度，为最佳几何方向提取计算中的一个
变量，此处S也是一个变化的值。
3.3对每个尺寸为L×L大小的条带波块S，它的四个孩子标记为(S1，S2，S3，S4)，
计算这四个孩子作为叶节点联合在一起的拉格朗日函数值：
L ~ ( S ) = L 0 ( S 1 ) + L 0 ( S 2 ) + L 0 ( S 3 ) + L 0 ( S 4 ) + L 0 ( S ) + λ · T 2 ]]>
3.4令 L 0 ( S ) = min { L ( S ) , L ~ ( S ) } . ]]>
3.5重复步骤(3.2)-(3.4)，直到L达到最大分割尺度，子块大小L最大值是算法
自适应计算得到，理论值不超过图像宽度。L0(S)即为最终的四叉树分割结果，同时
得到固定大子块的最佳几何流方向。
(4)使用一维离散变换，各分割区域内按几何流方向与最佳方向投影误差值从小
到大重排步骤(2)中得到的图像子带信息，得到变换后信号fθ，其具体步骤如下：
4.1将每一子块内所有的点按照最佳几何流投影方向误差值从小到大排序，得到
一个L2长度大小的排序索引。
4.2将子块内的二维离散小波变换后的系数按索引重排序，得到一个一维信号
fd。
4.3将fd进行一维离散小波变换，得到变换后信号fθ。
(5)计算变换后信号fθ的量化值的量化系数Q(x)，此处量化值完全由量化
系数Q(x)构成，计算公式为：
Q ( x ) = 0 | x | ≤ T sign ( x ) · ( q + 0.5 ) · T qT ≤ | x | ≤ ( q + 1 ) T ]]>
其中，x为信号fθ的系数，Q(x)为量化值的量化系数，T为量化阈值，且q∈Z，
q为常量参数，Z是整数域；
(6)将所得的相对应于每个子块最佳几何流方向d的小波系数存储在一个与子块
大小S相同的二维矩阵中，即为条带波系数矩阵。本发明使用的第二代条带波特征，
因为几何流能够反应图像中的变化趋势，所以能够准确表示变化复杂的人体结构和形
状信息，也就是表现了视频图像中的纹理信息，减少了视频图像轮廓易出现的边缘模
糊。
(7)将每个4*4大小图像块区域分为9个方向，统计几何流的系数强度在各个量
化方向的分布，将该直方图特征作为最后特征，每个统计特征大小为144维，该统计
特征作为图像表述。见图2，图2左侧示意了图像中站立的人物。右上方显示了加框
部位人物肩膀部位的几何流的大致走向，其右下方所示的是9个方向几何流信息的示
意图，并无实质对应关系。相对而言，直方图统计的方法使得本发明使用了很低的维
度来描述视频图像特征和整体的纹理分布信息，优化了前期算法和总体处理方案，对
于后期学习部分降低了计算量，节省了运算时间。
(8)以最大几何流直方图特征，进行人体运动姿势的机器学习跟踪，对输入的视
频图像进行三维姿势恢复，将估计到的三维运动姿势数据恢复成图像形式的关节点骨
架。具体步骤如下：
8.1利用高斯过程学习训练图像最大几何流向直方图特征X＝{x1，x2，...xn}和X所对
应三维姿势坐标点数据Y＝{y1，y2，...yn}的映射关系。再利用该过程学习到核函数的相应
参数确定特征空间至姿势状态空间的映射关系f表示为：
8.2对于待处理测试人体运动图像序列，同样按步骤(2)-(7)提取相应最大几
何流向直方图特征X′＝{x′1，x′2，...，x′n}。根据学习到的映射关系f，求解测试样本所对应
的三维人体运动姿势数据Y′＝{y′1，y′2，...，y′n}。本发明提取的图像特征信息较传统的图像
描述方法维度低而且稀疏，对于学习训练部分能有效缩减数据计算量，为实时跟踪的
目标奠定基础。
8.3由得到视频人体运动跟踪的结果Y′＝{y′1，y′2，...，y′n}的数据共60维，能够准确恢
复相对应的人体运动，包含20个关节点坐标值的空间三维运动姿势，并将估计到的
三维运动姿势数据恢复成图像形式的关节点骨架，见图3及图6。
本发明利用条带波准确反映图像几何方向的细微变化和内部纹理走向，并且自适
应寻找最佳几何流方向进行多尺度分析，提出了一种基于最大几何流方向直方图的人
体运动跟踪方法，以提高图像特征提取的精确度，反映连续单幅图像的相关性和细微
的差异性来增进计算机算法的可辨识性，提高特征的表征能力同时减少对相似图像描
绘的歧义，比传统的特征提取方法能更加节省计算资源和时间复杂度。并且在图像数
据分布当前情况下，通过学习具备先验知识的数据库进行准确的姿态估计，得到更鲁
棒的三维人体运动跟踪结果。还由于本发明提取的图像特征信息较传统的图像描述方
法维度很低，对于学习训练部分能有效缩减时间和数据计算量，也为未来的实时人体
运动跟踪奠定基础。
实施例2
基于最大几何流向直方图的人体运动跟踪方法同实施例1，其中步骤三中拉格朗
日函数求取最佳值的λ为罚比例因子，计算中取值2/35，T为量化阈值取10，Rg是
通过熵编码处理最佳几何流参数d所需的比特数大小由计算取得，Rb是量化编码
{Q(t)}所需的比特数的大小由计算确定。
在本发明中使用的最大几何流向直方图表示方法能够通过几何流准确表示图像
的人体姿势方向性统计信息，根据几何流的统计描述可以避免传统基于边缘的，或基
于轮廓的图像表示方法产生的表述歧义性，如前后肢体的相互遮挡关系和景深距离关
系的缺陷，几何流特征能区分连续图像帧的人体运动模式和姿态的细微差异等，为后
期得到更精确的三维运动跟踪恢复结果建立必要条件。
另外，在步骤(8)中采用的学习回归方法采用双高斯过程或最近邻算法予以实现。
同样能够取得与实施例1较为一致的，边缘清晰的特征提取，尤其能反映运动状态下
的文理信息。
实施例3
基于最大几何流向直方图的人体运动跟踪方法同实施例1-2，采用仿真的方法对本
发明进行验证。
(一)实验条件设置
本发明中运动图像划分类别，分别在公认的HUMANEVA运动视频序列数据库的
不同的子类别上进行了验证。采用Matlab 7.0环境进行仿真编程，采用机器为奔腾酷
睿p6500主机，带4G内存，160G硬盘。
图3中上图为原始图像，下图为恢复三维姿势图；其中图3a是序列第一截图，
其中图3b是序列第二截图，其中图3c是序列第三截图，其中图3d是序列第四截图，
其中图3e是序列第四截图如图3(a)-3(e)所示，3(a)为“行走”的视频序列图像，一
个女性角色在红色地毯上平行于摄像机视角方向进行环形步态行走，原始图像大小为
640*480，经步骤一处理后每幅含人体图像大小为192*64，它包括正对摄像机和背对
摄像机的帧图像段。其中图3a是序列第一截图，女性角色正向走过镜头；其中图3b
是序列第二截图，男性角色走过远离镜头；其中图3c是序列第三截图，男性角色左
侧身行走；其中图3d是序列第四截图，男性角色正面拳击；一般图像特征提取方法
很难对视觉正逆二相性及肢体遮挡模糊细节精确勾勒，对于上述测试图像也是如此。
(二)仿真内容及结果
用现有的经典方法HOG描述子特征以及本发明方法对图2a所示“行走”人体运
动视频图像进行仿真实验，其三维运动姿势的20个人体关节点估计的平均错误(估
计值与真实值)误差直方图如图4。图4为采用HOG与本发明的平均运动估计误差
结果对比表，横坐标表示不同的机器学习模型如双高斯(TGP)，最近邻双高斯
(TGPKNN)，最近邻(WKNN)，高斯(GP)。纵坐标表示三维空间位置平均20个人体关节
点运动跟踪估计误差，单位：毫米(mm)。最好情况的平均误差值分别为：HOG：28.376
mm本文方法MGH：25.10mm。
图4中误差值由估计值与真实数据的20个关节点欧氏距离差异计算得出。图中
纵坐标是单位mm，横坐标是各种机器学习模型，TGP是双高斯模型，TGPKNN是
带近邻的双高斯，WKNN是近邻加权回归，GP是高斯过程，误差越低效果越好。HOG
描述子平均运动跟踪比较稳定，但是相对而本发明方法由于存在对于几何流细节方向
的提取以及直方图的统计，图像表征能力相对之前基于边缘和轮廓的有较大的提高，
这也是符合实际基于学习的人体运动跟踪特征纹理的描述能力的需要的。本发明方法
针对目前国际上公认数据库(HUMANEVA)进行训练测试，实验取得了优良的结果，
在各种学习模型下准确度和误差值均超越了比较试验中的经典的方法。同时，本发明
所需计算资源因数据维度较低也得以节省。
实施例4
基于最大几何流向直方图的图像特征表示和人体运动跟踪方法同实施例1-2，采
用仿真的方法对本发明进行验证。
(一)实验条件设置
本发明中运动图像划分类别取为“慢跑”，在公认的运动视频序列数据库的某个
S3的子类别上进行了验证。采用matlab环境进行仿真编程。
如图5分别表示“慢跑”的测试视频序列图像，图5(a)-5(j)是视频截图序列。
为一个男性角色在红色地毯上面对摄像机视角，伸进于摄像机方向进行的往复圆圈跑
步运动姿势，原始图像大小为640×480，经步骤一处理后每幅图像大小为192*64，
由于7-16帧每帧的动作幅度差异较小，普通提取轮廓的方法很难分辨手部，脚部关
节运动的细节动作内容。
本发明中所用训练样本数对应于具体的运动姿势：“慢跑”训练样本n＝400，每
一类采用高斯回归时平滑核参数σ＝0.4，采用双高斯回归时双高斯输入核函数参数
kin＝0.3，输出核函数参数kout＝2.4×1e-6。K近邻聚类样本点个数为100。
(二)仿真内容及结果
用本发明的方法对图5连续的人体视频运动图像序列进行运动跟踪和三维恢复
仿真实验，其跟踪结果如图6所示。其中图6图6(a)-6(j)是训练视频截图5恢复出
的相应三维姿势图，分别与图5(a)-5(j)相对应，为“慢跑”的运动跟踪三维结果。
从图6(a)-6(j)可以看出，本发明方法的结果中肢体的动作的准确性得到了很好改
善，同时，人体的轮廓也得到了较为准确的定位，由得到视频人体运动跟踪的结果，
绘制相对应的三维运动恢复姿势在视觉上效果同样良好。
本发明通过输入待处理原始视频图像，提取运动人体部位框图；对图像进行二维
多尺度小波变换；利用四叉树划分和自底向上融合法则寻找最佳几何流方向；对量化
后的最佳几何流方向信号做一维小波变换，重组为二维形式，得到条带波系数矩阵；
计算各个图像区域9个方向的最大几何流方向投票信息，提取该直方图统计特征作为
最终图像特征表示；由机器学习的回归过程学习得到图像特征到三维运动数据的映射
关系，利用该映射关系对新的训练视频图像准确估计其三维运动姿态。
本发明在进一步降低图像特征维数的复杂度的同时，提高了特征的表征能力，并
能够在待测试图像数据分布当前情况下，通过学习到的先验知识进行准确的三维姿态
估计，在很大程度上减小了计算机图像表示和视觉识别的模糊歧义现象。本发明具有
对视频人体运动跟踪恢复快速、结果精确的优点，该技术可以进一步用于人体目标识
别，检测和三维姿势重建。
综上，本发明主要解决现有特征提取方法在人体轮廓和边缘表述的模糊性，不能
反映特征内在几何结构与纹理模式等缺陷，提供了可靠的人体运动姿势跟踪和三维恢
复方法。本发明计算快速，结果精确，加强了图像特征鲁棒性，可用于人体目标识别，
检测和姿势重建。