人体图像数据是一类重要的数据,具有多样性丰富、标签复杂且标注难度大的特点。在实际应用中,利用图像生成方法扩充人体图像数据已经成为一种趋势。然而,目前的人体图像数据增强算法或是所扩充图像数据的外观多样性不足,或是没有考虑到所扩充图像数据的姿态多样性,或是使用条件苛刻,并不能满足实际任务的需要。针对现有人体图像数据增强算法不能同时兼顾简便性、有效性及多样性的问题,本文引入与或图(AOG)模型的概念,研究了AOG在人体图像数据增强领域的应用。本文的工作主要从以下几个方面展开:(1)提出了一种基于AOG的人体图像数据增强算法。该算法利用AOG构建人体图像表示模型,利用组合重构采样扩充人体图像数据。其中,在AOG的构建中,将人体图像分解为外观和姿态两部分,使用一个人体外观AOG对人体图像的外观多样性进行表示,使用一个人体骨架AOG对人体图像的姿态多样性进行表示,得益于AOG的组合重构性质,人体外观AOG和人体骨架AOG能从有限的数据中进行学习,并产生更多的人体外观样本和三维人体姿态样本。最后基于构建的人体外观AOG和人体骨架AOG,通过组合人体外观样本和三维人体姿态样本生成新的人体图像,实现人体图像数据增强。(2)构建了人体外观AOG。在现有基于AOG的人体表示模型中,短语结构语法和属性语法被用于描述人体外观,但现有短语结构语法和属性语法的结构并不适用于人体图像数据增强。本文通过对现有文献中的短语结构语法和属性语法进行改进与整合,给出了人体外观AOG。该模型使用无背景组件像素块作为图像模板,采用参考人体运动结构的分解层次,更适用于人体图像数据增强任务。为了保证人体外观AOG的使用简便性,又提出了一种配套的学习方法,允许从普通人体图像数据中进行学习。此外,本文还给出了一种属性约束的采样方法,可以生成不同属性约束等级的人体外观样本。(3)构建了人体骨架AOG。在现有基于AOG的人体表示模型中,依赖语法被用于描述人体姿态,但现有描述二维人体姿态的依赖语法并不适用于人体图像数据增强。本文通过对现有文献中的依赖语法进行改进,给出了人体骨架AOG。该模型描述的是三维人体姿态样本空间,且所描述三维人体姿态的有效范围和概率分布与AOG的概率模型相关联,更适用于人体图像数据增强任务。为了保证人体骨架AOG的使用简便性,又提出了一种配套的学习方法,允许从二维人体姿态数据集中进行学习。此外,本文还给出了一种相应的采样方法,用于生成三维人体姿态样本。(4)确定了组合人体外观样本和三维人体姿态样本生成人体图像的方法。本文参考现有人体图像生成方法,给出了一种基于人体外观和三维人体姿态的人体图像生成方法。该方法先组合人体外观样本和三维人体姿态样本构建一个伪三维人体模型,再对伪三维人体模型进行透视投影,接着使用平面几何变形方法调整投影结果,最后添加背景生成人体图像。在INRIA数据集中,本文算法仅以12张真实图像扩充训练得到的SVM分类器的准确率达到了89.7425%,比241张真实图像训练得到的准确率高了7.8153%;在OTB100数据集中,本文算法使用一张图像样本扩充训练得到的SVM分类器,对同类图像样本的分类准确率达到了91.0714%。所以本文算法所生成人体图像样本在训练图像数据不足时能有效提高所训练图像分类器的性能。