[发明专利]一种基于视觉信息的人体姿态跟踪方法

摘要

本发明涉及一种基于视觉信息的人体姿态跟踪方法。其技术方案是：在训练阶段，根据训练数据中的真实三维人体姿态时序数据，采用高斯潜变量模型算法对人体姿态进行学习，得到人体姿态运动先验模型。在跟踪测试阶段，输入待测试的视频数据和视频数据中首帧三维人体姿态，利用在训练阶段学习到的人体姿态运动先验模型构建潜变量运动模型，使用潜变量运动模型来实现免疫粒子滤波算法中粒子更新步骤。本发明具有实用性强、准确性高和效率较高的特点。

主权项

1.一种基于视觉信息的人体姿态跟踪方法，其特征在于该方法的具体步骤为：第一步、确定人体运动先验模型根据待测试视频中人体运动类型，查找是否已建立相关的人体运动先验模型存在；如果已建立相关的人体运动先验模型，执行第三步；如未建立相关的人体运动先验模型，则进行第二步；第二步、训练人体运动先验模型训练数据Ψ由K帧人体真实姿态数据组成，训练数据Ψ为Ψ＝{X_i|i∈[1,K],X_i∈X^D}        (1)式(1)中：X_i表示第i帧人体姿态，X_i由人体所有关节点坐标组合而成，D为人体姿态原始空间维度，X^D表示人体姿态原始空间；先采用高斯过程潜变量模型算法对训练数据Ψ进行学习，得到人体姿态潜空间x^E和训练数据Ψ在人体姿态潜空间x^E中的映射变量集合ΔΔ＝{x_i|i∈[1,K],x_i∈x^E}        (2)式(2)中：x_i表示训练数据Ψ中的第i帧人体姿态X_i在人体姿态潜空间x^E中的映射，E表示人体姿态潜空间x^E的维度，E＜＜D；然后根据所述映射变量集合Δ建立一阶线性运动模型x_tx_t＝x_t-1+ω         (3)式(3)中：ω表示扰动量，ω服从均值为零的正态分布，正态分布方差是经验值，通过实验确定；第三步、测试人体姿态跟踪第3.1步：根据待测试数据的第一帧人体真实姿态初始化粒子集，生成粒子集合S_tSt={St,n}1N---(4)]]>式(4)中：N表示粒子数目，s_t,n表示第n个粒子，s_t,n＝{X_t,n,w_t,n}(5)式(5)中：X_t,n表示粒子状态变量，X_t,n为对t时刻人体姿态的一个假设,X_t,n∈X^D，w_t,n表示粒子权值，w_t,n为第t帧图像和粒子状态变量X_t,n的匹配程度；第3.2步：更新本帧粒子状态变量集合记本帧为t时刻粒子状态变量X_t,n预测：先将第n个粒子状态变量X_t-1,n映射到人体姿态潜空间x^E得到潜变量x_t-1,n，再根据第二步得到的一阶线性运动模型x_t＝x_t-1+ω和第t-1时刻潜变量x_t-1,n，估计第t时刻的潜变量x_t,n，然后将潜变量x_t,n映射回人体姿态原始空间X^D，得到更新后的第n个粒子状态变量X_t,n；姿态正确性检查：如果进行粒子状态变量预测后得到的粒子状态变量X_t,n对应非正常人体姿态，则重复上述粒子状态变量X_t,n预测过程，直至得到一个粒子状态变量X_t,n对应正常人体姿态；按照上述粒子状态变量预测和姿态正确性检查的方法，对粒子集合中每个粒子状态变量X_t，n进行更新，得到更新后的粒子状态变量集合第3.3步：计算更新后的粒子状态变量集合中每个粒子状态变量的粒子权值，并将粒子权值归一化，得到粒子集合第3.4步：对所述粒子集合免疫寻优，最后得到寻优后的粒子集合则第t帧人体姿态估计X^t=Σn=1Nwt,n*×Xt,n*;]]>第3.5步，处理下一帧的数据，重复第3.2～3.4步，直至整个待测试数据中所有帧处理完毕。