تشخیص اجزای بدن انسان در تصاویر rgb-d با استفاده از ویژگی های الگوی تغییرات عمق و تفاضل مکانی عمق

تشخیص بخش‌های بدن انسان یکی از مهم ترین موضوعات پژوهش در دهه‌ی اخیر بوده است. این موضوع در حوزه‌هایی مانند تشخیص فعالیت‌، تشخیص حالت و سایر سامانه‌های مرتبط با فعالیت‌های حرکتی انسان، کاربرد گسترده ای دارد. هدف از سیستم تشخیص بخش‌های بدن انسان تعلق دادن هر پیکسل انسان به بخش‌های بدن می‌باشد. در تحقیقات اخیر نشان داده‌ شده است، استفاده از نقشه‌ی عمق می‌تواند نتایج حاصل تشخیص بخش های بدن را بهبود بخشد. در این پژوهش ویژگی‌های جدیدی براساس تفاوت پیکسلی عمق ارائه ‌شده است. ویژگی اول بر اساس تفاضل پیکسلی عمق بین پیکسل ورودی و همسایه های آن‌که بر اساس توزیع وزن دار حلقوی انتخاب شدند، تعیین شدند. ویژگی دوم  تفاوت ضرایب چندجمله‌ای برازش شده از پیکسل ورودی در مقیاس‌های مختلف می‌باشد که موجب ایجاد ویژگی ای مستقل از مقیاس می‌شود. برای دسته‌بندی پیکسل ها از جنگل تصمیم تصادفی استفاده ‌شده است. مقایسه نتایج روش پیشنهادی با روش‌های موجود نشان می‌دهد روش پیشنهادی توانسته است با دقت بیشتری اجزای مختلف بدن را تشخیص و تقسیم‌بندی کند.

Human body part detection in RGB-D image with pattern of depth difference and spatial depth difference features

Human body part detection has been an important research topic in the last decade. It is widely applicable in areas such as human activity recognition, pose detection and other applications related to human movements. The objective of a human body part detection system is to associate a body part to each human pixel. Recent studies show that applying depth maps significantly improves the results of body part detection. In this study, two new features based on pixel depth difference is proposed. First feature is based on pixelwise depth difference between the input pixel and neighbor pixels selected using a weighted circular distribution. The second feature is the difference between coefficients of polynomials fitted to neighbors of the input pixel at difference scales, making the feature invariant scaling. Random decision forest was used for pixel classification. Comparison of results with the state of the art methods reveal that the proposed method is able to distinguish and differentiate the various components of the body more accurately.