CN110530365A - 一种基于自适应卡尔曼滤波的人体姿态估计方法 - Google Patents
一种基于自适应卡尔曼滤波的人体姿态估计方法 Download PDFInfo
- Publication number
- CN110530365A CN110530365A CN201910715196.5A CN201910715196A CN110530365A CN 110530365 A CN110530365 A CN 110530365A CN 201910715196 A CN201910715196 A CN 201910715196A CN 110530365 A CN110530365 A CN 110530365A
- Authority
- CN
- China
- Prior art keywords
- human body
- joint point
- covariance
- kalman filter
- noise
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 29
- 230000003044 adaptive effect Effects 0.000 title claims abstract description 19
- 238000005259 measurement Methods 0.000 claims abstract description 21
- 238000001914 filtration Methods 0.000 claims description 15
- 230000006978 adaptation Effects 0.000 claims description 3
- 238000009826 distribution Methods 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 2
- 210000002310 elbow joint Anatomy 0.000 claims description 2
- 239000011159 matrix material Substances 0.000 claims description 2
- 210000000323 shoulder joint Anatomy 0.000 claims description 2
- 210000003857 wrist joint Anatomy 0.000 claims description 2
- 210000001503 joint Anatomy 0.000 claims 1
- 238000012360 testing method Methods 0.000 abstract description 2
- 238000012545 processing Methods 0.000 description 3
- 238000005457 optimization Methods 0.000 description 2
- 230000002411 adverse Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 210000000707 wrist Anatomy 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C11/00—Photogrammetry or videogrammetry, e.g. stereogrammetry; Photographic surveying
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/20—Instruments for performing navigational calculations
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Multimedia (AREA)
- Length Measuring Devices By Optical Means (AREA)
- Image Analysis (AREA)
- Navigation (AREA)
Abstract
一种基于自适应卡尔曼滤波的人体姿态估计方法，该方法提出一种自适应卡尔曼滤波算法，能够处理包含复杂噪声的人体姿态量测信息问题。该方法采用了假设检验的方式，对量测信息中存在的野值和不确定性噪声分别进行了判断以及处理。本发明提供一种基于自适应卡尔曼滤波的人体姿态估计方法，增强了量测噪声的鲁棒性，有效地提高了人体姿态估计的精度。
Description
技术领域
本发明属于人体姿态估计领域，尤其是一种基于自适应卡尔曼滤波的人体姿态估计方法。
背景技术
目前，视觉传感器的使用随处可见，在生物特征识别、物品的形状识别等方面都有着重要的应用价值。随着传感器、人工智能等技术的不断发展，3D视觉传感器的应用范围越来越广，其在人体姿态捕捉中也成了一种重要传感器设备。基于3D视觉的人体姿态估计作为计算机视觉的一个研究重点，已经在人机协作、体育竞技、动画影视制作以及医疗康复等领域发挥了重要的作用。
然而，3D视觉传感器获取的人体骨骼点坐标信息通常是包含复杂噪声的，比如高斯噪声、非高斯噪声、野值等，因此会涉及到量测信息的优化问题。卡尔曼滤波算法是一种有效的线性估计方法，也是一种最优滤波器，可将其应用于人体姿态信息的优化。对于传统的卡尔曼滤波算法，其噪声统计特性受限于服从高斯分布假设，致使量测信息中存在的不确定性噪声，野值等噪声无法得到有效减弱。为了避免此类问题，需要对量测信息中的野值以及不确定性噪声进行处理。在目前以3D视觉来估计人体姿态的方法中，还未能有效解决以增强量测噪声的鲁棒性来提高人体姿态估计准确性的问题。
发明内容
在人体关节点坐标信息估计中，为了克服由于人体自遮挡、运动突变、场景动态变化等因素对人体姿态估计造成的不利影响，本发明提供一种基于自适应卡尔曼滤波的人体姿态估计方法，采用假设检验的方式引入自适应因子，对包含高斯噪声、不确定性噪声以及野值的量测信息进行一系列处理，有效地提高了人体姿态估计的精确度。
本发明解决其技术问题所采用的技术方案是：
一种基于自适应卡尔曼滤波的人体姿态估计方法，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，以及人体关节点i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。
进一步，所述步骤1)中，所述的i表示人体关节点的序号，人体关节点包括肩部、肘部和腕部关节点。
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。
所述步骤2)中，所述的k为离散时间序列。
更进一步，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。
所述步骤3)中，所述的残差为观测值与观测预测值之差。
所述步骤4)中，所述的为置信界，其取值是依据所赋予的显著性水平αo，αd确定的，其中αo＜αd，
所述步骤4)中，所述的预测值来代替估计值，即 本发明的有益效果主要表现在：提出了一种基于自适应卡尔曼滤波的人体姿态估计方法。该方法采用了假设检验的方式，对量测信息中存在的野值和不确定性噪声分别进行了判断以及处理。通过对复杂噪声的分类与处理，增强了量测噪声的鲁棒性，有效地提高了人体姿态估计的精度。
附图说明
图1是3D视觉传感器捕捉到的人体各关节点示意图。
图2是人体各关节点姿态估计流程图。
具体实施方式
下面结合附图对本发明做进一步描述。
参照图1和图2，一种基于自适应卡尔曼滤波的人体姿态估计方法，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，以及人体关节点i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。
如图1所示，视觉传感器可识别人体的整个骨骼框架，包括肩部、肘部、腕部等25个人体关节点，其描述了视觉传感器所捕捉到的人体各关节点以及各关节点的标号。人体各关节点的姿态估计流程图如图2所示。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i＝1,2,...,25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(0＜p1＜1)的伯努利分布，a为幅值较大的常数，δ(.)为单位脉冲函数，β服从参数为p2(0＜p2＜1)的伯努利分布。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。
对人体各关节点的状态估计采用了自适应卡尔曼滤波方法。以人体关节点i为例，首先，初始化各个参数，并给出人体关节点i的初始化状态然后，计算人体关节点i位置信息的预测值及其协方差与残差及其协方差其次，进行野值以及不确定性噪声的判断，对两种噪声分别进行处理；最后计算人体关节点i的卡尔曼滤波增益估计值及其协方差预测值及其协方差与残差及其协方差的计算公式如下：
野值与不确定性噪声的判断以及处理方式说明，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。
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
重复执行公式3)-12)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。
Claims (9)
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。
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，人体关节点包括肩部、肘部和腕部关节点。
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：在所述步骤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αo，αd确定的，其中αo＜αd，
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
9.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，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i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(0＜p1＜1)的伯努利分布，a为幅值较大的常数，δ(.)为单位脉冲函数，β服从参数为p2(0＜p2＜1)的伯努利分布，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
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910715196.5A CN110530365B (zh) | 2019-08-05 | 2019-08-05 | 一种基于自适应卡尔曼滤波的人体姿态估计方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910715196.5A CN110530365B (zh) | 2019-08-05 | 2019-08-05 | 一种基于自适应卡尔曼滤波的人体姿态估计方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110530365A true CN110530365A (zh) | 2019-12-03 |
| CN110530365B CN110530365B (zh) | 2021-05-18 |
Family
ID=68661334
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910715196.5A Active CN110530365B (zh) | 2019-08-05 | 2019-08-05 | 一种基于自适应卡尔曼滤波的人体姿态估计方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110530365B (zh) |
Cited By (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110174907A (zh) * | 2019-04-02 | 2019-08-27 | 诺力智能装备股份有限公司 | 一种基于自适应卡尔曼滤波的人体目标跟随方法 |
| CN111191627A (zh) * | 2020-01-06 | 2020-05-22 | 浙江工业大学 | 一种多视点下提高动态手势动作识别准确率的方法 |
| CN111222437A (zh) * | 2019-12-31 | 2020-06-02 | 浙江工业大学 | 一种基于多深度图像特征融合的人体姿态估计方法 |
| CN111242982A (zh) * | 2020-01-02 | 2020-06-05 | 浙江工业大学 | 一种基于渐进卡尔曼滤波的人体目标跟踪方法 |
| CN111241936A (zh) * | 2019-12-31 | 2020-06-05 | 浙江工业大学 | 一种基于深度和彩色图像特征融合的人体姿态估计方法 |
| CN111539352A (zh) * | 2020-04-27 | 2020-08-14 | 支付宝(杭州)信息技术有限公司 | 一种判断人体关节运动方向的方法及系统 |
| CN113158459A (zh) * | 2021-04-20 | 2021-07-23 | 浙江工业大学 | 一种基于视觉和惯性信息融合的人体姿态估计方法 |
| CN114034303A (zh) * | 2021-11-11 | 2022-02-11 | 华南农业大学 | 一种基于卡尔曼滤波的移动目标物定位方法、装置 |
| CN115050055A (zh) * | 2022-07-06 | 2022-09-13 | 电子科技大学 | 一种基于卡尔曼滤波的人体骨架序列构建方法 |
| CN115800271A (zh) * | 2023-02-01 | 2023-03-14 | 国网天津市电力公司城东供电分公司 | 基于自适应卡尔曼滤波的配电系统参数修正方法及系统 |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101251895A (zh) * | 2008-03-13 | 2008-08-27 | 上海交通大学 | 基于高斯混合模型的人体跟踪方法 |
| CN102252676A (zh) * | 2011-05-06 | 2011-11-23 | 微迈森惯性技术开发（北京）有限公司 | 运动姿态数据获取、人体运动姿态追踪方法及相关设备 |
| CN104931049A (zh) * | 2015-06-05 | 2015-09-23 | 北京信息科技大学 | 一种基于运动分类的行人自主定位方法 |
| CN106500695A (zh) * | 2017-01-05 | 2017-03-15 | 大连理工大学 | 一种基于自适应扩展卡尔曼滤波的人体姿态识别方法 |
| US9687180B1 (en) * | 2015-03-03 | 2017-06-27 | Yotta Navigation Corporation | Intelligent human motion systems and methods |
| US20180067191A1 (en) * | 2015-06-16 | 2018-03-08 | Michael Hamilton | Location Estimation System |
| CN108680162A (zh) * | 2018-04-20 | 2018-10-19 | 浙江工业大学 | 一种基于渐进无迹卡尔曼滤波的人体目标跟踪方法 |
| CN109186594A (zh) * | 2018-09-20 | 2019-01-11 | 鎏玥（上海）科技有限公司 | 利用惯性传感器和深度摄像头传感器获取运动数据的方法 |
| CN109781099A (zh) * | 2019-03-08 | 2019-05-21 | 兰州交通大学 | 一种自适应ukf算法的导航方法及系统 |
| CN109916407A (zh) * | 2019-02-03 | 2019-06-21 | 河南科技大学 | 基于自适应卡尔曼滤波器的室内移动机器人组合定位方法 |
-
2019
- 2019-08-05 CN CN201910715196.5A patent/CN110530365B/zh active Active
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101251895A (zh) * | 2008-03-13 | 2008-08-27 | 上海交通大学 | 基于高斯混合模型的人体跟踪方法 |
| CN102252676A (zh) * | 2011-05-06 | 2011-11-23 | 微迈森惯性技术开发（北京）有限公司 | 运动姿态数据获取、人体运动姿态追踪方法及相关设备 |
| US9687180B1 (en) * | 2015-03-03 | 2017-06-27 | Yotta Navigation Corporation | Intelligent human motion systems and methods |
| CN104931049A (zh) * | 2015-06-05 | 2015-09-23 | 北京信息科技大学 | 一种基于运动分类的行人自主定位方法 |
| US20180067191A1 (en) * | 2015-06-16 | 2018-03-08 | Michael Hamilton | Location Estimation System |
| CN106500695A (zh) * | 2017-01-05 | 2017-03-15 | 大连理工大学 | 一种基于自适应扩展卡尔曼滤波的人体姿态识别方法 |
| CN108680162A (zh) * | 2018-04-20 | 2018-10-19 | 浙江工业大学 | 一种基于渐进无迹卡尔曼滤波的人体目标跟踪方法 |
| CN109186594A (zh) * | 2018-09-20 | 2019-01-11 | 鎏玥（上海）科技有限公司 | 利用惯性传感器和深度摄像头传感器获取运动数据的方法 |
| CN109916407A (zh) * | 2019-02-03 | 2019-06-21 | 河南科技大学 | 基于自适应卡尔曼滤波器的室内移动机器人组合定位方法 |
| CN109781099A (zh) * | 2019-03-08 | 2019-05-21 | 兰州交通大学 | 一种自适应ukf算法的导航方法及系统 |
Non-Patent Citations (4)
| Title |
|---|
| ALBERTO OLIVARESJ. M. GÓRRIZJ. RAMÍREZG. OLIVARES: "Using frequency analysis to improve the precision of human body posture algorithms based on Kalman filters", 《COMPUTERS IN BIOLOGY AND MEDICINE》 * |
| CHEN B , ZHANG W , HU G , ET AL: "Networked fusion kalman filtering with multiple uncertainties", 《AEROSPACE & ELECTRONIC SYSTEMS IEEE TRANSACTIONS ON》 * |
| 张弛: "Kinect关节数据处理算法及在机器人体感控制中的应用", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
| 张鋆豪等: "基于自适应无迹卡尔曼滤波和单目视觉的运动刚体位姿估计", 《第37届中国控制会议论文集》 * |
Cited By (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110174907A (zh) * | 2019-04-02 | 2019-08-27 | 诺力智能装备股份有限公司 | 一种基于自适应卡尔曼滤波的人体目标跟随方法 |
| CN111222437A (zh) * | 2019-12-31 | 2020-06-02 | 浙江工业大学 | 一种基于多深度图像特征融合的人体姿态估计方法 |
| CN111241936A (zh) * | 2019-12-31 | 2020-06-05 | 浙江工业大学 | 一种基于深度和彩色图像特征融合的人体姿态估计方法 |
| CN111242982A (zh) * | 2020-01-02 | 2020-06-05 | 浙江工业大学 | 一种基于渐进卡尔曼滤波的人体目标跟踪方法 |
| CN111191627A (zh) * | 2020-01-06 | 2020-05-22 | 浙江工业大学 | 一种多视点下提高动态手势动作识别准确率的方法 |
| CN111191627B (zh) * | 2020-01-06 | 2022-02-11 | 浙江工业大学 | 一种多视点下提高动态手势动作识别准确率的方法 |
| CN111539352A (zh) * | 2020-04-27 | 2020-08-14 | 支付宝(杭州)信息技术有限公司 | 一种判断人体关节运动方向的方法及系统 |
| CN113158459A (zh) * | 2021-04-20 | 2021-07-23 | 浙江工业大学 | 一种基于视觉和惯性信息融合的人体姿态估计方法 |
| CN114034303A (zh) * | 2021-11-11 | 2022-02-11 | 华南农业大学 | 一种基于卡尔曼滤波的移动目标物定位方法、装置 |
| CN115050055A (zh) * | 2022-07-06 | 2022-09-13 | 电子科技大学 | 一种基于卡尔曼滤波的人体骨架序列构建方法 |
| CN115050055B (zh) * | 2022-07-06 | 2024-04-30 | 电子科技大学 | 一种基于卡尔曼滤波的人体骨架序列构建方法 |
| CN115800271A (zh) * | 2023-02-01 | 2023-03-14 | 国网天津市电力公司城东供电分公司 | 基于自适应卡尔曼滤波的配电系统参数修正方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110530365B (zh) | 2021-05-18 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110530365B (zh) | 一种基于自适应卡尔曼滤波的人体姿态估计方法 | |
| CN109344882B (zh) | 基于卷积神经网络的机器人控制目标位姿识别方法 | |
| CN111784770A (zh) | 基于shot和icp算法的无序抓取中的三维姿态估计方法 | |
| CN106127125B (zh) | 基于人体行为特征的分布式dtw人体行为识别方法 | |
| CN106384093A (zh) | 一种基于降噪自动编码器和粒子滤波的人体动作识别方法 | |
| CN113158459A (zh) | 一种基于视觉和惯性信息融合的人体姿态估计方法 | |
| CN110463376B (zh) | 一种插机方法及插机设备 | |
| CN114973417A (zh) | 一种基于神经网络与卡尔曼滤波的人体姿态估计方法 | |
| CN114454174B (zh) | 机械臂动作捕捉方法、介质、电子设备及系统 | |
| CN112131928B (zh) | 一种rgb-d图像特征融合的人体姿态实时估计方法 | |
| CN116381753B (zh) | Gnss/ins组合导航系统在gnss中断时的神经网络辅助导航方法 | |
| CN113910218B (zh) | 一种基于运动学与深度神经网络融合的机器人标定方法和装置 | |
| CN110490933A (zh) | 基于单点ransac的非线性状态空间中心差分滤波器方法 | |
| CN113420590B (zh) | 弱纹理环境下的机器人定位方法、装置、设备及介质 | |
| CN111241936A (zh) | 一种基于深度和彩色图像特征融合的人体姿态估计方法 | |
| CN115050095A (zh) | 一种基于高斯过程回归和渐进滤波的人体姿态预测方法 | |
| Taghirad et al. | Robust solution to three-dimensional pose estimation using composite extended Kalman observer and Kalman filter | |
| CN106097277B (zh) | 一种基于视觉测量的绳索物质点跟踪方法 | |
| CN109544632B (zh) | 一种基于层次主题模型的语义slam对象关联方法 | |
| CN111222437A (zh) | 一种基于多深度图像特征融合的人体姿态估计方法 | |
| CN114764830A (zh) | 一种基于四元数ekf和未标定手眼系统的物体位姿估算方法 | |
| Agarwal et al. | Estimating human dynamics on-the-fly using monocular video for pose estimation | |
| Bonnet et al. | Toward an affordable and user-friendly visual motion capture system | |
| Gandhi et al. | Skeleton-based adaptive visual servoing for control of robotic manipulators in configuration space | |
| CN112102358B (zh) | 一种无侵入动物行为特征观测方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |