37、实时3D人体姿态估计：Haarlets与旋转不变性技术解析

实时3D人体姿态估计：Haarlets与旋转不变性技术解析

1. Haarlets简介

在实时目标检测和分类任务中，计算变换T可能会消耗大量的计算资源，尤其是当存在许多ANMM特征向量时。为了提高系统速度，可以使用Haarlets来近似分类器中的变换T。Haarlets是一种计算速度快的特征，在实时目标检测和分类中非常受欢迎。ANMM近似方法为选择或训练Haarlets提供了一种新的强大方法，特别是在3D情况下，现有方法由于候选Haarlets数量众多而失效，而该方法可以从完整的候选集中训练3D Haarlets。

2. 3D Haarlets

• 3D积分图像（积分体积） ：积分图像和Haarlets的概念可以扩展到三维。3D积分图像，即积分体积，定义为：
  [ii(x, y, z) = \sum_{x’\leq x,y’\leq y,z’\leq z} i(x’, y’, z’)]
  使用积分体积，任何矩形框的和都可以通过八次数组引用计算得出。例如，对于图中灰色长方体的体素和，如果A、B、C、D、E、F、G和H是所示位置的积分体积值，则该和可以计算为((B + C + E + H) - (A + D + F + G))。
• 3D Haarlet集合 ：基于积分体积，可以构建类似于2D Haarlets的体积盒特征。提出的3D Haarlet集合中，前15个特征是原始2D Haarlets在三个方向上的拉伸版本，最后2个是真正的3D中心环绕特征。

3. Haarlets训练