[发明专利]一种基于自适应卡尔曼滤波的人体姿态估计方法

权利要求书

1.一种基于自适应卡尔曼滤波的人体姿态估计方法，其特征在于：所述方法包括以下步骤：

步骤1)建立人体各关节点运动学和量测模型，给出过程噪声协方差、量测噪声协方差参数，以及人体各关节点位置信息的初始化状态

步骤2)根据人体关节点i的运动学和量测模型，计算k时刻人体关节点i位置信息的预测值及其协方差

步骤3)通过3D视觉传感器测得人体关节点i位置信息，并计算残差及其协方差

步骤4)通过人体关节点i位置信息的残差计算其马氏距离若则执行步骤5)；若则计算自适应因子及更新后的残差协方差否则，将用预测值来代替估计值；

步骤5)计算有关人体关节点i的卡尔曼滤波增益并得到k时刻人体关节点i位置的估计值及其协方差

重复执行步骤2)-5)对人体的25个关节点位置进行估计，得出k时刻的人体姿态估计；

所述步骤1)中，建立人体各关节点的状态空间模型，各关节点运动状态方程和传感器观测模型分别建立如下：

其中，k为离散时间序列，人体关节点状态表示为表示标号人体关节点的序号，人体各关节点状态信息和分别为k时刻i关节的x，y，z坐标信息，为零均值协方差为的高斯白噪声，传感器的量测信息为分别为k时刻i关节在视觉传感器相机坐标系下的x，y，z坐标量测值，为零均值且协方差为的高斯白噪声，为额外噪声，aδⁱ(β)为量测野值，其中α服从参数为p₁的伯努利分布，0＜p₁＜1，a为幅值较大的常数，δ(.)为单位脉冲函数，β服从参数为p₂的伯努利分布，0＜p₂＜1，人体各关节点的初始化状态和协方差分别为和且与各个噪声统计独立；

所述步骤2)和3)中，预测值及其协方差与残差及其协方差的计算公式如下：

所述步骤4)中，计算残差的马氏距离若则视为此时出现量测野值，对其进行剔除并用预测值来补偿估计值；若则视为此时出现不确定性噪声，计算自适应因子及更新残差协方差

其中，为更新后的残差协方差，为向量的第r个元素，为向量的第r个元素，为矩阵对角线上的第r个元素；

所述步骤5)中，计算有关人体关节点i的卡尔曼滤波增益并得到k时刻人体关节点i位置的估计值及其协方差

2.如权利要求1所述的基于自适应卡尔曼滤波的人体姿态估计方法，其特征在于：所述步骤1)中，所述的i表示人体关节点的序号，人体关节点包括头关节、椎关节、肩关节、肘关节、腕关节、手关节、髋关节、膝关节、踝关节和足关节。

3.如权利要求1或2所述的基于自适应卡尔曼滤波的人体姿态估计方法，其特征在于：所述步骤1)中，所述人体各关节点位置信息为在视觉传感器的相机坐标系下x，y，z坐标信息。

4.如权利要求1或2所述的基于自适应卡尔曼滤波的人体姿态估计方法，其特征在于：所述步骤2)中，所述的k为离散时间序列。

5.如权利要求1或2所述的基于自适应卡尔曼滤波的人体姿态估计方法，其特征在于：所述的步骤3)中，所述3D视觉传感器提供人体关节点3D位置信息输出的RGB-D传感器。

6.如权利要求1或2所述的基于自适应卡尔曼滤波的人体姿态估计方法，其特征在于：所述步骤3)中，所述残差为观测值与观测预测值之差。

7.如权利要求1或2所述的基于自适应卡尔曼滤波的人体姿态估计方法，其特征在于：所述步骤4)中，所述为置信界，其取值是依据所赋予的显著性水平α_o，α_d确定的，其中α_o＜α_d，

8.如权利要求1或2所述的基于自适应卡尔曼滤波的人体姿态估计方法，其特征在于：所述步骤4)中，所述的预测值来代替估计值，即