基于视觉的姿势识别：集成分类器与投票过滤器优化

本文探讨了基于视觉的人体姿势识别方法，特别关注一种融合了集成分类器和投票滤波器的技术。作者们针对在人机交互（HRI）中有效区分人体姿势这一关键任务，提出了一个改进的区域生长算法。他们结合了单高斯颜色模型，增强了算法在图像分割中的性能。实验结果显示，相较于传统的单高斯模型和区域生长算法，改进后的算法能更精确地获取完整的姿势信息，并能有效地剔除背景中的相似区域。 在姿势识别部分，研究者们意识到单纯依赖卷积神经网络（CNN）分类器可能无法达到理想的效果，因此他们创新性地提出了一种深度学习的CNN集成分类器。这种集成策略通过结合多个CNN模型的预测结果，提高了识别的准确性和鲁棒性，能够更好地应对复杂的姿态变化。 然而，为了进一步减少连续手势控制过程中的误判，作者引入了一个投票滤波器。这个滤波器在序列的识别结果中发挥作用，通过统计和整合每个时间步的分类概率，提高了整体决策的稳定性。通过与单一CNN分类器进行对比，集成分类器配合投票滤波器的方法显著提升了姿势识别的准确性和实时性。 本文的研究成果为视觉人体姿势识别领域提供了一种新颖且有效的解决方案，对于提升人机交互的精度和流畅度具有重要意义。通过改进的图像处理技术和智能的决策策略，本文的工作有望推动该领域的技术进步。