TELKOM NIKA Indonesia n  Journal of  Electrical En gineering   Vol.12, No.5, May 2014, pp . 3521 ~ 35 2 8   DOI: http://dx.doi.org/10.11591/telkomni ka.v12i5.3539          3521     Re cei v ed  Jun e  18, 2013; Revi sed  De ce m ber 11, 201 3; Acce pted  De cem ber 3 1 ,  2013    A Coarse-to-Fine Human Body Segmentation Method  in Video      Yingna Deng *, Wenqing  Wang   Xi ’a n Univ ersit y  of Posts and  T e lecommunic a tions,   We i g uo  R o ad , X i ’ a n ,  C h i n a ,  86 -0 29 -8 81 66 461   *Corres p o ndi n g  author, e-ma i l :den g y in gn a@ 126.com       A b st r a ct     Hu ma n bo dy precis e seg m e n tation is d i fficult bec a u se of inter-occl usi on  w hen there are  multi p l e   hu ma n b odi es  in vi de o. A c oarse-to-fi ne s e g m e n tati o n   meth od  is pr o pose d . In co a r se seg m entati on,  hu ma n sha pe  mo de ls are  us ed to g e t hu ma n ’ s p o sitio n  a n d  coars e  reg i o n . T he hu man  mo de ls w i th va riant  scale  an d  post u re  are  constr ucted w i th  he a d , torso,  and  l egs. F o r  eac h  hu ma n  body,  i t s corresp on di ng   hu ma n sha pe  mo de l is obt ai ned  by mod e l  match i n g , and  by w h ich hu man p o sitio n  is  obtai ne d rou g h l y.   Hu ma n prec is e cont our is  o b tain ed  in fi ne  seg m e n tati o n  by curv e ev ol ution w i th  initi a l co ntour  obt ain e d   from coars e  seg m e n tatio n . Experi m ent re sults s how  that the propose d  meth o d  cou l d  segment hu man   obj ect precise l y.       Ke y w ords : Hu ma n sha pe  mo del, lev e l set, b a yesi an  mod e l,  segmentati on          Copy right  ©  2014 In stitu t e o f  Ad van ced  En g i n eerin g and  Scien ce. All  rig h t s reser ve d .       1. Introduc tion  Cro w d p r e c ise segm entati on is impo rta n t fo r human tracking a nd reco gnition. Howeve r,  whe n  there a r e multiple pe destri a n s , hu man obje c t p r eci s e  segm e n tation is difficult be cau s e  of  inter-occlu s io n.The mo del s which hu m an bo dy  se g m entation b a s ed  on  coul d  be cl assified  into   dynamic mo del a nd  app eara n ce m o d e l. Dynam i c  model s  a r e  made up of obje c t’s  m o ving   spe ed, directi on and  othe r dynamic fe a t ures [1 , 2].  Appea ran c e  model s are  made u p  of color,  sha pe, p o siti on a nd oth e r  featu r e s   which  re pre s e n t obje c t's a ppea ran c e.  Elgammald   and  Rama nan  used color  and  positio n information to co n s tru c t obje c t  model s un der the assum p tion   of obje c t ente r ing the  cam e ra vie w  lon e l y [3, 4]. and  in this  con d ition, ea ch o b je ct’s  regio n  was  obtaine d by   ke rnel  de nsity estimation .  Zhe m odifi ed Elga mmal d ’s m e thod,  and  used E M   evolution fo r  human  segm entation [5].   Wu  and S a p p  mad e  up  h u man  body p a rt cl assifications  with boo sting  algorithm [6,  7]. Lu emplo y ed a coa r se  to fine method to seg m e n t human bo dy  from photo s  [8].  Huma n shap e model s co ud provide p o sition, a r ea,  postu re, an d som e  othe r rou gh  informatio n; it mean s that based on h u m an  shape  model s, hum an obje c t co u l d be se gme n ted  roug hly. Ho wever, getting  pre c ise conto u r of ea ch   ob ject is  ne ce ssary for h u ma n obje c t preci s e   segm entation .  In this pap er, a  metho d  ba sed  on  b o th hum an  shape  mod e l  and l e vel  set  is  prop osed. Hu man obje c ts'  numbe r, rou g h   a r ea   an d  shape  mo dels are o b taine d  thro ugh  initi a l  segm entation ,  then o n  th e ba si s of i n itial s egme n tation, ea ch  obje c t’s pre c ise  conto u r i s   obtaine d by curve evolutio n usin g level set.      2. Coars e  Segmenta tion  Bas e d on Hu man Shape  Model   2.1.  O v er v i e w  o f  the  M e thod   Huma n b ody  is m ade  up  of  hea d, tarso,  arm s  a nd l e g s , an d the  hu man  sha pe  chang es  regul arly, as  sho w n in  Fig u re 1  and Fi g u re 2. So, 7  human  sh ape  model s with  different po st ure   are consturct ed  cons isting of ellipses   to  simulate  hu man walki ng  inclu d ing  3 front views an d 4  side vie w s, a s  sh own in Figure 3.   Suppo se th e  obje c t re gio n  dete c ted  b y  bac kg rou n d  su btra ction  is d enote d   as I,  θ  is   human  shap e mod e l, th e be st seg m entation  re sult  could  b e  obtain ed  by estimatin g  the   maximum of posterior probability,  as shown in Equation (1).  Evaluation Warning : The document was created with Spire.PDF for Python.
                               ISSN: 23 02-4 0 46                     TELKOM NI KA  Vol. 12, No. 5, May 2014:  3521 – 35 28   3522 * ar g m ax ( | ) Θ θ P θ I θ                                                                       (1)           Whe r e  θ ={ n ,{ M 1 , M 2 ,…, M n }},  n  is the  numbe r of  h u man  obje c t s ,  M  i s  the  huma n  mo del  para m eter, d e fined  a s   M ={ h , height , l }, an d ea ch fa ctor  pre s ent s he a d  po sition, hu man h e ight a n d   human p o se sep a rately.   Bas ed on Bayes i an theory , we k n ow that,     (| ) ( | ) ( ) P θ IP I θ P θ                                                                            (2)            Whe r e  P ( θ ) i s  the  object prior  probability,  P ( I | θ ) is th e simil a rity of  model  and  fo reg r ou nd  regi on.  Suppo se ea ch obje c t app eara n ces  with equal p r io r pr ob ability, the  segm entat i on  re sult  is  θ *  whi c h maximi ze the  simila rity  P ( I | θ ).        Figure 1.   Side  Vie w  o f  H u ma n  Wa lk ing                     Figure 2.   Fro n t View of Hu man Walkin g           2.2 Head Candidates   2.2.1. Get He ad Candidate Region  w i th Region Se arch  For a  poi nt h  in fore gro und , let it as the  uppe r left corner to  build  a  re ctangl e wit h  heig h t  o f  o b j ec t a n d  w i d t h  o f  1 / 3   h e i g h t. Se c t ion  2 . 3  d e sc r i be s  ho w  to   g e t th e  h e i g h t  of h u m a n   s h ape    Fi g ure 3. Human Pose Models            Evaluation Warning : The document was created with Spire.PDF for Python.
TELKOM NIKA   ISSN:  2302-4 046     A Coarse -to-Fine Hum an  Body Segm e n tation Metho d  in Video (Yi ngna  Den g )  3523 model. Th e p r oba bility of head  can d idat e point  r ( h ) i s  the propo rtio n of pixels i n   foreg r ou nd a nd  the rect angle,  that is:    () ob j re c S rh S                                                                                                                                       (3)       Based  on E q uation  (3),  ob ject he ad  ca n d idate s  could  be o b taine d   by setting  a t h re shol d   T , as shown i n  Figure 4(c). Howe ver, the head  ca ndi dates with hi gh probab iliti e s  are not all  true  head  candid a t es, so o b ject  edg e an d h e ad  sho u lde r   matchin g  i s  a p plied to  elimi n ate mo st of t he  false candi da tes [9].    2.2.2. Edge Bas e d He ad  Shoulder Ma tching   The h ead  sh oulde r  sha p e  is alm o st  u n ch ang ed  while hu man i s   walki n g,  so a h ead  sho u lde r  mo del is  co nstructed to  eval uate the h e a d  ca ndid a tes,  as  sho w n i n  Figure 4. Fo r a  point h  in  ed ge ima ge, th e si milarity b e twee n it  a n d  the  hea d   should er  mod e l is defin ed  as  follows :     00 g () (, , ) ( ) ( ) m v Ph Gvv δ nv n v N                                                                                              ( 4 )              Whe r e  v   i s  t he ne are s t p o int of edg e i m age to th e  head  sh ould e r  mod e l in th e  dire ction th at the   tes t  line points  to,    v 0  i s  th e inter s e c rion  of  te stline  a nd h ead  sho u lder  mo del  contour,   G ( v , v 0 , δ )  is a  Ga ussian  model,  n 0  ( v )  is th e no rmal  dire ction  of p o int  v ,   and   n m ( v )   i s  the  di rectio n of   test   line wh ere p o i nt  v  is ,  N  is the numb e r of  test lines in h ead shoul der  model.   The metho d  of get head candid a te s i s  shown in Figu r e  5.      Figur e 4. Hea d  Shoulde r M odel                                  ( a )                                            ( b )                                          ( c )                                                                                          ( f )                                         ( e )                                           ( d )     Figure 5. The Process of Getti ng Head Candidates. (a)  a video  fr ame, (b) object region, (c)  probability of  head candidate, (d) object  edge image, (e) head shoul der model, (f) head  candidates  ( b l ack  p oints ) .         Tes t   line  Evaluation Warning : The document was created with Spire.PDF for Python.
                               ISSN: 23 02-4 046                     TELKOM NI KA  Vol. 12, No. 5, May 2014:  3521 – 35 28   3524 2.3. Human  Shape Mode l Height Esti mation   2.3.1. Foot Point Estimati on  The hei ght o f  object in i m age i s  relat ed to the di stance  betwee n  obje c t an d  came ra  optical  cente r , so, the hu man mod e l height  could  be estimate d from the h ead point  h  by  estimating th e foot point under the a s su mption  that all the human s are all ad ult, that is:    11      g fh fh x x yH y                                                                                              (5)     Whe r e  H  is t he hom ograp hy matrix betwee n  the pla nes  of feet a nd hea ds a r e  located, a n d  it  coul d be  esti mated  with le ast squa re s  method [1 0]. ( x f , y f ) i s  the  e s timated fo ot point coo r din a te,  and ( x h , y h ) i s  the head p o in t coordi nate.     2.3.2. Homo grap y  Matrix Estimation   Homo graphy  matrix  con n e ct h u man  h ead f r om fo o t  points.  Give n  n (>=4 ) h e a d  poi nts  and their  co rresp ondi ng fo ot points  12 (, ) ii mm ,the homog ra phy  matrix  H  co ul d be estimate d .    Let  12 3 456 78 1      ,, ,, ,, hh h Hh h h hh , and it  coul d be writt en as a vect or 1 2 34 56 7 8 1 ( , ,, ,, , , , ) h h hh hh h h h  ,  given a   pair of m a tch i ng p o ints 11 1 [, , 1 ] T mx y and   22 2 [, , 1 ] T mx y , 2 li nea r  eq uation s  a bout  h  co uld  be   obtaine d, as  sho w n in Equ a tion (6 ) and  Equation (7).     11 2 1 2 1 2 ( , , 1 ,0 ,0 ,0 , , )  x yx x x y h x                                                                    (6)     11 2 1 2 1 2 ( 0 ,0 ,0 , , , 1 , , )  x yy x y y h y                                                                    (7)     There are 8 u n kn own num bers in  H , so  4 pairs of matchin g  point s are ne ede d to get  H ,  besi d e s , the matchin g  poi nts sh ould n o t  be coline a r.     2.4. Similarity   bet w e e n O b ject Region  and Shape  Model   Whe n  shap e  model  cove rs obj ect  regi on, the  simil a rity betwee n  imag e  I  an d sh ape   model    is defined a s  Equat ion (8 ).    10 1 0 01 01 () (| )  λ N λ N PI θ α e           (8)                                                                                                                                                                                                                                      whe r e  α is  a co nstant i ndep e ndent of  .  N 10  is the  num b e r of  pixels t hat are in  obj ect regio n   but not in  sh ape mo del,  N 01  is the num ber of  pixels  that are i n  sh ape mo del b u t not in obj e c t   regio n . λ 10  is a coefficient de p ende nt on the  prob ability  that a pixel is i n  obje c t regi o n  but not in  sha pe m odel,  and λ 01  is a  coe fficient de pen dent o n  the  p r oba bility that a pixel  is no t in obj ect   regio n  but in sha pe mod e l.    2.5. Human  Shape Mode l Matching   Suppo se th e r e  are   N s h ead  ca ndid a tes  obtain ed  from  se ction  2.2, the  tru e  obj ect   numbe r  n  me et the conditi on of  n ≤ N s.  The solut i o n   θ *  whi c h m a ximized  the p r obability  P ( I | θ ) is   obtaine d by iteration.   For a he ad candid a te poin t  h, the pose l in  object mo del is obtai ne d by Equation  (9).     17 : () ar g m a x ( ) , Fj Mj jj j S Pl S lP l                                                            (9)      Whe r e  S M  is  model a r ea,  S F  is foregrou nd are a  cove red by the model.  Evaluation Warning : The document was created with Spire.PDF for Python.
TELKOM NIKA   ISSN:  2302-4 046     A Coarse -to-Fine Hum an  Body Segm e n tation Metho d  in Video (Yi ngna  Den g )  3525 The ste p s of finding  solutio n   θ * whi c h m a ximized p o st erio rs a r e a s  follows:   (1) Initialization ， let  θ *={ N s,{ M 1 , M 2 ,…, M Ns }}, M i ={ h i, heig h t i , l i }, the similarity between   model an d ob ject regi on  P ( I | θ *) co uld be  comp uted through Equ a tio n  (8).   (2)  For all the Ns head candi d a tes, put off the cu rrent obj ect  t （ t =1, 2 , … , N s ）， let * ,  cur t θθ θ  1, tt M , c o mpute the s i milarity  P ( I | θ cur ) agai n.   (3) If  P ( I | θ cur ) > P ( I | θ *), let  θ * ＝ θ cur , els e ， ke ep  θ * un ch an ged, and retu rn to step (3).          3. Fine Segmenta tion Based on Lev e l Set  3.1.  O v er v i e w  o f  the  M e thod   The contou r   is initialize d   based on th e  coa r se area  of each  obje c t obtaine d from initial  segm entation ,  and the pre c ise re gion i s  obtained th rough  cu rve e v olution with  level set, that is  let  N -1 level sets  to ac hieve  N  regi on s segmentatio n.  Suppo se th e  image i s   sep a rated  into  N  regio n s by  N -1 cu rve s  with out re gion  overlap, l e t  the ith evolu t ion curve i s  expre s sed   as   (, ) , [ 1 , . . . 1 ] ur i γ st i N ,whe re  arc  len g th  [0 , 1 ] s ,  t  is  evolution tim e , the clo s e  curve set expressed  as  1 1 (, ) : [ 0 , 1 ]  ur N i i γ st co ul d se parate th e image  Ω   into  R  regi on s, as sho w n i n  Equation (1 0).     11 2 1 2 1 1 2 1 12 1 , , . .., ... , ... , ...  u u ru u ru u ru u ru u r uuuu r u u ru u r uuuu r NN cc c c c c NN γγ γ γ γ γ γ γ γ R R R R R R RR R R RR R                   (10 )                                                                                   Whe r e u u r i γ R  and  uu r i c γ R  indicate in sid e  and  outsi d e  re gion  se p a rately, zero  level set s  nu mber  N -1 i s   human o b je cts numb e r o b tained fro m  ini t ial segme n ta tion in this pa per.     3.2. Realiza t i on of Huma n  Bod y  Segmenta tion  w i th Lev e l Set  Suppo se the i m age is  2 : IR  , the energy is defi ned a s :    (, ) ( , ) ( ) ( )  rr r u r RE C i E γ uE γ uE γ E γ                                                              (11 )                     Whe r e:     1 12 1 12 11 2 1 2 1 22 2 12 ... ... ( , ) ( () ) ( () ) . . . ( ( ) )     ur c cc c cc c c γ γγ γ N γγ γγ γ γ γ γ N Ri R n RR R R R RR R R R R E γ u λ Ix u d x λ Ix u d x λ Ix u d x      (12)                                                                                                                                                               1 1 () r r i N E γ i E γμ ds                                                                                 (13 )      1 2 1 () ( | | 1 ) 2  ur ur N C ii i v E γγ dx                                                                        (14 )                      Whe r e     , 1 , ... , 1 , , 1 , .. .,  ru r iR i γγ iN u u iN is the   pixel average  value, , 1 , 2 , ... , i λ iN  is  wei ght  value, and μ  is weig ht value above 0.   So, the huma n  obje c t pre c i s e segme n tation is to find the minimum  energy (, ) r E γ u .   Suppo se th e  ze ro  level  set acco rdin g  to t he  regi on  en circled  by  evolution  cu rve  sets  ,1 , . . . , 1  ur i γ iN  is  { ( , ) 0, 1 , 2, . . . , 1 }  i xy i N , and the level set functi on is defin ed  as follo ws:   ( , ) 0        ( ) ( , ) 0        ( ) (, ) 0         ( )    r r r i i i i i i xy x I n s i d e γ xy x γ x y x O ut s i de γ                                                                      (15)               Suppo se H(x) is Heavi s ide  functi on, an d it is defined a s  follows:   Evaluation Warning : The document was created with Spire.PDF for Python.
                               ISSN: 23 02-4 046                     TELKOM NI KA  Vol. 12, No. 5, May 2014:  3521 – 35 28   3526 1,  0 () 0,  0 if x Hx if x                                                                            (16 )          The re gion in dicative fun c tions a r e defin ed as follo ws:    1 1 2 2 1 12 1 1 12 1 1 () [1 ( ) ] ( ) ... ... [ 1 ( ) ]     r r r rr r c cc c N N R R γ R R γ R γ N Ri R γ R γ R γ i χχ H χχ χ HH χχ χ χ H                                         (17 )     So, the curve  evolution eq uation coul d  be expre s sed  by Equation (18 ) .      (( ) ) ( , ) ( ) (( ) ) ( , ) ( ) .. . ( ( ) ) ( , ) ( )                         u rr r u rr r u rr r 1 1 1 2 2 1 11 11 1 2 2 2 22 22 2 2 2 1 11 11 1 Φ Φ Φ N R R N NN RN N N Ix u μ k γ xt v γ k t Ix u μ k γ xt v γ k t Ix u μ k γ xt v γ k t                           (18)                                Whe r e   i R u is the  averag e valu e of region e n c ircled by curve  i , and  () i x   is d e fined a s :            11 2 1 1 1 1 ( , ) 0 (, ) 0 (, ) 0 22 1 1 22 ( , ) 0 (, ) 0 (, ) 0 2 (, ) 0 2 (, ) 0 Φ () ( ( ) ) () ( ( ) ) () () . . .             ( ( ) ) ( ) ( ) .. . ( ) ( )             + ( ( ) ) ii i i i N i x t xt xt iN N Ni iR x t R x t x t Rx t Rx t xI x u χ xI x u χ x χ x Ix u χ x χ x χ x χ x Ix u χ    ( , ) 0 (, ) 0 (, ) 0 22 1 ( ) ( ) . . . ( ) ( )                                                                                             xt xt xt iN N x χ x χ x χ x     (19)    Whe r e (, ) i xt χ sat i sf ie s ：                   if              if          (, ) 0 (, ) 0 (( , ) ) ( , ) 0 1 ( (, ) ) (, ) 0 i i xt i i xt i i χ Hx t x t χ Hx t x t                                                   (20)      3.3. Cro w d  S e gmentation  Step  w i th L e v e l Set  The crowd se gmentation steps are as follows:  (1)  Level set initialization  Suppose there are  N  hum an shape mo dels, for each object, the  initial curve is  a circle   which let the center of obje c t model as cent er point, and let one tenth of human shape model a s   radius. So, th e ith  level set  is defined as Equation (21):  (2)  Update the le vel sets based on Equation  (18) sequenti a lly.  (3)  If  the evolu t io n is unfinished, return to step 2.                                                  (, 0 ) 0 ( , ) (, 0 ) 0 ( , ) (, 0 ) 0 ( , ) ii i ii i ii i x i f d x ce nte r r a dius x i f d x c e n t er r a di us x if d x cen t er r a dius                                                     (21)       4. Results and Analy s is   In order to te st the effectiveness of pr o posed metho d , videos of CAVIAR and Campu s   are tested  se parately. Campus i s  a vid eo sho o t by  the authors th emselves, as  shown  in Figu re 6- 7. CAVIAR is  an open video database, and the experim ental results as shown in Figure 8-9.    Evaluation Warning : The document was created with Spire.PDF for Python.
TELKOM NIKA   ISSN:  2302-4 046     A Coar se -to- Fine Hum an  Body Segm e n tation Metho d  in Video (Yi ngna  Den g )   3527   (a)     (b)     (c)     (d)     Figure 6. Object segmentation re sult of  Campus1 frame 720#. (a)  shows the original video  frame.  (b) sho w s the object models obtai ned. (c) shows the object region  segmented by  level set. (d)  shows the segmentation re sult of reference [3]        (a)     (b)     (c)     (d)     Figure 7. Object Segmentation  Result of  Campus1 Fra m e 725#.  (a) shows the original video  frame. (b) shows the  object  models obtained. (c) sho w s the obj ect region segme n ted by  level  set. (d) shows the segmentati on result o f  reference [3]               (a)     (b)     (c)     (d)     Figure 8. Object Segment ation Result of  CAVIAR  Sho p Assistant2Cor Fram e 231 #. (a) shows the  original video  frame. (b) shows the object m odels. (c) shows the obj ect region se gmented by  level set (d) shows the seg m entat ion result of reference [3]        (a)     (b)     (c)     (d)     Figure 9. Object Segment ation Result of  CAVIAR  Sho p Assistant3Cor Fram e 171 #. (a) shows the  original video  frame, (b) shows the object m odels, (c) shows the obj ect region se gmented by  level set, (d) shows the segment ation result of reference [3]      In order to tes t  the  accura cy  of proposed  method, we  define t he ac cura cy rate as follows:    tur e ob j N r N                                                                                                 (22)      Evaluation Warning : The document was created with Spire.PDF for Python.
                               ISSN: 23 02-4 046                     TELKOM NI KA  Vol. 12, No. 5, May 2014:  3521 – 35 28   3528 Where  N ture   is the pixel number of being s egmented correctly for all objects, and  N obj  is  the pixel  number of all  objects. Table 1 shows the accura cy rate.      Table 1. Human Object Segmentation Accuracy Rate  Metho d  Accurac y   rate   Prop osed  meth o d  in this  pape r   85.6 %   Metho d  in  Ref e re nce[3]   74.2 %       The propo sed  method coul d segment  crowd obje c t precisely, howe v er, when the  color  of  human varie s  frequently, the method is not suitabl e as well. So, a method tolerate to color   variation should be researched in the fu ture.      5. Conclusio n   When there  a r e multiple hu man objects,  it is  difficult to  segment ea ch body pre c isely.  A   coarse-to-fine  segmentatio n met hod is  proposed in t h is pape r. In  coarse segm entation  step,  a   Bayesian estimation based  object initial  segment ation was done by  shape model  matching, from  which, human ’s position, height, and posture are  obtained roughly. In  fine segmentation step,  the   precise regio n  of each object was obtai ned through  curve evolution with level  set. Experime n tal  results  show that the proposed meth od could  se gment cro w d  object pre c isely. For curve  evolution of e a ch obje c t, it  is expressed  by onl y one level set, so when there  a r e some  different  colors in obje c t cloth, the segmentat ion result is not sa tisfied, so,  mu ltiple level sets for one object   could be considered in the future.      Ackno w l e dg ements  Project supp orted by the  ShaanXi Province  Education Departme nt Project (11JK0990)  and National Science Foun dation of Chin a (61100165 )      Referenc es   [1]  R Ya ng, Q Z h en g.  Mu lti- movi ng pe op le det e c tio n   fro m  bi no cul a r  s e q u e n c e s.  Intern ati o n a l  Conf er enc e   on Ac o u stic, S p e e c h  a nd S i g n a l  Pro c ess i ng.  Hon g  K o n g .2 0 03 V o l. 2:2 97- 3 00.   [2]  JG Brosto w ,  R Cipolla.  Un sup e r vi se d  Ba yesi an  De te cti on o f  In dep en den t Mo tion  in  Cro w d s .  IE EE  Com put er S o c i et y C o nfer enc e  o n  C o m put er  Visi o n  a n d  P a ttern  R e co g n iti o n. N e w   Yo rk.  2 0 0 6 ;  1: 5 9 4 - 60 1.   [3]  AM El gamm a l,  LS D a v i s.  Pr ob ab il istic fr a m ew ork for  se g m ent in g p e o p l e u n d e r Occ l u s io n.  T he 8t h   IEEE Conference on Computer Vision. Vancouver. 2001;  2:145- 152.   [4]  D R a m a n an,   DA F o rs yth.   Fi nd in g an d tracki ng   pe op le  from  th e bo ttom   up .  IEEE  C onf ere n c e   o n   Com put er Vi si o n  a nd P a tter n   Rec o g n it io n. M a d i so n. 2 0 0 3 ; 2 :  467 -4 74.   [5]  Z  Li n, SD  Lar r y ,  D Doermann, et.al.  An in te ra cti v e  ap p r oa ch  to  po se -assi s ted  and  ap pe a r a n ce -b ased  se gmen ta tion  of h u ma n s .  W o r ksho p   on Int e ra ctive  Com put er  Visi on.  Ri o d e  Jan e i r o. Br azi l .  20 07, 1-8   [6]  W u  Bo, Ram  Nev a ti a. Det e c t ion  an d track i ng of mu lti p l e ,  parti al l y   occ l u d e d  hu ma ns b y  B a yes i a n   comb i nati o n of  ed ge let  b a se d  part  det ecto rs .  Intern ati o na l Jour n a l of  C o mput er  V i si on.  20 07;  27 (2):   2 4 7 - 266  [7]  B Sapp, A T o shev, B T a skar.  C a scad ed  mode l s  fo r  a r ti cu la te d  po se  e s timati o n . E u ro p e a n  Co nfer en ce   on C o m put er V i si on. H e r a kl io n .  201 0; 2:  40 6.   [8]  H L u , G F ang,  X S h a o ,  X L i . S egm ent in g h u m an fr om p hot o i m ag es b a s ed  o n  a c oar se –to-f i ne sc h e me.   IEEE T r ansact i ons  on s y stem s, man,  and c y ber net ions –P ar t B: Cy bere ntic s. 2012; 42( 3 ):  889-899.  [9]  Zhao T ao, Ram Nev a tia. B a yesian  hum an s egm ent at ion in  cro w ded sit uat ions. IEEE Com put er Soc i et y  Co nfer en ce  on  Com put er Vi si o n  a nd P a tter n   Rec o g n it io n.M a d i so n. 2 0 0 3 ; 2 :  459 -4 66.   [10]   Z he LS Dav i s,   D  D o e rma nn, D  D e me nth o n .  H i e r archi c a l  pa rt-temp l a t e  ma tchi ng   for  huma n  de te cti on  an d se g m ent ati on.  T he 1 1 th I n tern ati o n a l  Co n f ere n ce  on  Co mput er Vi si on.  Ri o d e  Ja ne ir o. 20 07; 1 - 8.   [11]   AR M ans o u ri,  A Mit i ch e,  C  Vaz q u e z. M u lti r e g i o n  com petit io n: A  l e v e l s e t  e x te ns i on  of r e g i o n   comp etit io n to  mult ip le r e g i o n  ima ge  pa rtiti o ni ng.  Co mput e r  Visi o n  a nd I m ag e U n d e rst a n d i n g . 2 006 ;  10 1(3 ) :1 37- 15 0 .   Evaluation Warning : The document was created with Spire.PDF for Python.