《表1 人体步态检测算法在0°、45°和90°方向分割效果》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《多层语义融合CNN的步态人体语义分割》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

注:斜体表示最优结果。

从图9可以看出，图9（b）背景差分得到的人体图噪声比较少，但是人体非常不完整。图9（c）高斯模型法得到的人体图噪声在图9（b）（c）（d）三者中最多，人体的完整度也高于背景差分图，不足之处在于上半部分存在背景更新时一直遗留的大块噪声，主要表现在头部后方，这是由于人体在背景中相对移动的距离较短。图9（d）是通过CodeBook算法得到的人体图，相对图9（b）（c） 而言，其步态轮廓比前两者更完整，噪声介于图9（b）（c） 之间，不足之处是对太阳照射下的人体阴影难以削减，可以看到大片阴影。图9（e）为FCN-8S模型的图像语义分割，对人体全局信息把握不错，但对细节处理不足。图9（f）为COB模型的图像语义分割，分割出的人体轮廓存在缺失，其中手、鞋和脸部存在严重缺失。图9（g）为图像语义分割DConv模型，较图9（e）（f） 两种图像语义分割模型更细致一些，整体和细节都分割得不错，但是出现了断层和断裂，在原图RGB中可以看出断裂处是地板砖的黑色缝隙，该缝隙造成了算法误分割，误将其当做了遮挡物。图9（h）是本文提出的RPGNet人体分割算法，对细节和全局信息处理很精确，轮廓完整度较前6种大，误分割概率比前6种小，很好地处理了“远小近大”、人体相对背景移动缓慢问题。表1是50个样本的7种人体运动检测算法在0°、45°和90°方向的分割效果。