CN110530365B - 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 PDF

Info

Publication number
CN110530365B
CN110530365B CN201910715196.5A CN201910715196A CN110530365B CN 110530365 B CN110530365 B CN 110530365B CN 201910715196 A CN201910715196 A CN 201910715196A CN 110530365 B CN110530365 B CN 110530365B
Authority
CN
China
Prior art keywords
human body
joint
covariance
joint point
estimation method
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.)
Active
Application number
CN201910715196.5A
Other languages
English (en)
Other versions
CN110530365A (zh
Inventor
张文安
谢长值
贾晓凌
杨旭升
张洁
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Zhejiang University of Technology ZJUT
Original Assignee
Zhejiang University of Technology ZJUT
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Zhejiang University of Technology ZJUT filed Critical Zhejiang University of Technology ZJUT
Priority to CN201910715196.5A priority Critical patent/CN110530365B/zh
Publication of CN110530365A publication Critical patent/CN110530365A/zh
Application granted granted Critical
Publication of CN110530365B publication Critical patent/CN110530365B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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

一种基于自适应卡尔曼滤波的人体姿态估计方法
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
Figure BDA0002155149050000021
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
Figure BDA0002155149050000022
及其协方差
Figure BDA0002155149050000023
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
Figure BDA0002155149050000024
及其协方差
Figure BDA0002155149050000025
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
Figure BDA0002155149050000026
若
Figure BDA0002155149050000027
则执行步骤5)；若
Figure BDA0002155149050000028
则计算自适应因子
Figure BDA0002155149050000029
及更新后的残差协方差
Figure BDA00021551490500000210
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
Figure BDA00021551490500000211
并得到k时刻人体关节点i位置的估计值
Figure BDA00021551490500000212
及其协方差
Figure BDA00021551490500000213
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
Figure BDA0002155149050000031
为观测值与观测预测值之差。
所述步骤4)中，所述的
Figure BDA0002155149050000032
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，
Figure BDA0002155149050000033
所述步骤4)中，所述的预测值来代替估计值，即
Figure BDA0002155149050000034
Figure BDA0002155149050000035
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
Figure BDA0002155149050000041
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
Figure BDA0002155149050000042
及其协方差
Figure BDA0002155149050000043
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
Figure BDA0002155149050000044
及其协方差
Figure BDA0002155149050000045
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
Figure BDA0002155149050000046
若
Figure BDA0002155149050000047
则执行步骤5)；若
Figure BDA0002155149050000048
则计算自适应因子
Figure BDA0002155149050000049
及更新后的残差协方差
Figure BDA00021551490500000410
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
Figure BDA00021551490500000411
并得到k时刻人体关节点i位置的估计值
Figure BDA00021551490500000412
及其协方差
Figure BDA00021551490500000413
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：
Figure BDA0002155149050000051
Figure BDA0002155149050000052
其中，k为离散时间序列，人体关节点状态表示为
Figure BDA0002155149050000053
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
Figure BDA0002155149050000054
Figure BDA0002155149050000055
和
Figure BDA0002155149050000056
分别为k时刻i关节的x，y，z坐标信息，
Figure BDA0002155149050000057
为零均值协方差为
Figure BDA0002155149050000058
的高斯白噪声，传感器的量测信息为
Figure BDA0002155149050000059
Figure BDA00021551490500000510
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，
Figure BDA00021551490500000511
为零均值且协方差为
Figure BDA00021551490500000512
的高斯白噪声，
Figure BDA00021551490500000513
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
Figure BDA00021551490500000514
和
Figure BDA00021551490500000515
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
Figure BDA00021551490500000516
然后，计算人体关节点i位置信息的预测值
Figure BDA00021551490500000517
及其协方差
Figure BDA00021551490500000518
与残差
Figure BDA00021551490500000519
及其协方差
Figure BDA00021551490500000520
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
Figure BDA00021551490500000521
估计值
Figure BDA00021551490500000522
及其协方差
Figure BDA00021551490500000523
预测值及其协方差与残差及其协方差的计算公式如下：
Figure BDA00021551490500000524
Figure BDA00021551490500000525
Figure BDA0002155149050000061
Figure BDA0002155149050000062
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
Figure BDA0002155149050000063
若
Figure BDA0002155149050000064
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
Figure BDA0002155149050000065
则视为此时出现不确定性噪声，计算自适应因子
Figure BDA0002155149050000066
及更新残差协方差
Figure BDA0002155149050000067
Figure BDA0002155149050000068
Figure BDA0002155149050000069
Figure BDA00021551490500000610
其中，
Figure BDA00021551490500000611
为更新后的残差协方差。
Figure BDA00021551490500000612
为向量
Figure BDA00021551490500000613
的第r个元素，
Figure BDA00021551490500000614
为向量
Figure BDA00021551490500000615
的第r个元素，
Figure BDA00021551490500000616
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
Figure BDA00021551490500000617
并得到k时刻人体关节点i位置的估计值
Figure BDA00021551490500000618
及其协方差
Figure BDA00021551490500000619
Figure BDA00021551490500000620
Figure BDA00021551490500000621
Figure BDA00021551490500000622
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 (8)

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
Figure FDA0002936062340000011
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
Figure FDA0002936062340000012
及其协方差
Figure FDA0002936062340000013
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
Figure FDA0002936062340000014
及其协方差
Figure FDA0002936062340000015
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
Figure FDA0002936062340000016
若
Figure FDA0002936062340000017
则执行步骤5)；若
Figure FDA0002936062340000018
则计算自适应因子
Figure FDA0002936062340000019
及更新后的残差协方差
Figure FDA00029360623400000110
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
Figure FDA00029360623400000111
并得到k时刻人体关节点i位置的估计值
Figure FDA00029360623400000112
及其协方差
Figure FDA00029360623400000113
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：
Figure FDA00029360623400000114
Figure FDA00029360623400000115
其中，k为离散时间序列，人体关节点状态表示为
Figure FDA0002936062340000021
表示标号人体关节点的序号，人体各关节点状态信息
Figure FDA0002936062340000022
Figure FDA0002936062340000023
和
Figure FDA0002936062340000024
分别为k时刻i关节的x，y，z坐标信息，
Figure FDA0002936062340000025
为零均值协方差为
Figure FDA0002936062340000026
的高斯白噪声，传感器的量测信息为
Figure FDA0002936062340000027
Figure FDA0002936062340000028
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，
Figure FDA0002936062340000029
为零均值且协方差为
Figure FDA00029360623400000210
的高斯白噪声，
Figure FDA00029360623400000211
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
Figure FDA00029360623400000212
和
Figure FDA00029360623400000213
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：
Figure FDA00029360623400000214
Figure FDA00029360623400000215
Figure FDA00029360623400000216
Figure FDA00029360623400000217
所述步骤4)中，计算残差的马氏距离
Figure FDA00029360623400000218
若
Figure FDA00029360623400000219
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
Figure FDA00029360623400000220
则视为此时出现不确定性噪声，计算自适应因子
Figure FDA00029360623400000221
及更新残差协方差
Figure FDA00029360623400000222
Figure FDA00029360623400000223
Figure FDA0002936062340000031
Figure FDA0002936062340000032
其中，
Figure FDA0002936062340000033
为更新后的残差协方差，
Figure FDA0002936062340000034
为向量
Figure FDA0002936062340000035
的第r个元素，
Figure FDA0002936062340000036
为向量
Figure FDA0002936062340000037
的第r个元素，
Figure FDA0002936062340000038
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
Figure FDA0002936062340000039
并得到k时刻人体关节点i位置的估计值
Figure FDA00029360623400000310
及其协方差
Figure FDA00029360623400000311
Figure FDA00029360623400000312
Figure FDA00029360623400000313
Figure FDA00029360623400000314
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
Figure FDA0002936062340000041
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
Figure FDA0002936062340000042
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，
Figure FDA0002936062340000043
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
Figure FDA0002936062340000044
CN201910715196.5A 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 Active CN110530365B (zh)

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 CN110530365A (zh) 2019-12-03
CN110530365B true 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)

Families Citing this family (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110174907B (zh) * 2019-04-02 2023-03-31 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
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
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
CN115800271B (zh) * 2023-02-01 2023-05-23 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 (7)

* Cited by examiner, † Cited by third party
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
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

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9810767B1 (en) * 2015-06-16 2017-11-07 Michael Hamilton Location estimation system
CN109916407B (zh) * 2019-02-03 2023-03-31 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
CN109781099B (zh) * 2019-03-08 2020-10-30 兰州交通大学 一种自适应ukf算法的导航方法及系统

Patent Citations (7)

* Cited by examiner, † Cited by third party
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
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

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
Kinect关节数据处理算法及在机器人体感控制中的应用;张弛;《中国优秀硕士学位论文全文数据库 信息科技辑》;20190315(第03期);全文 *
Networked fusion kalman filtering with multiple uncertainties;Chen B , Zhang W , Hu G , et al;《Aerospace & Electronic Systems IEEE Transactions on》;20151231;全文 *
Using frequency analysis to improve the precision of human body posture algorithms based on Kalman filters;Alberto OlivaresJ. M. GórrizJ. RamírezG. Olivares;《Computers in Biology and Medicine》;20160531;全文 *
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;张鋆豪等;《第37届中国控制会议论文集》;20180725;全文 *

Also Published As

Publication number Publication date
CN110530365A (zh) 2019-12-03

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
CN106384093B (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
CN106127125B (zh) 基于人体行为特征的分布式dtw人体行为识别方法
CN113158459A (zh) 一种基于视觉和惯性信息融合的人体姿态估计方法
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
CN112131928B (zh) 一种rgb-d图像特征融合的人体姿态实时估计方法
Bonnet et al. Fast determination of the planar body segment inertial parameters using affordable sensors
CN101794387B (zh) 一种智能康复系统及运用该系统进行肢体运动跟踪的方法
CN114454174B (zh) 机械臂动作捕捉方法、介质、电子设备及系统
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
Beth et al. Characteristics in human motion–from acquisition to analysis
CN111222437A (zh) 一种基于多深度图像特征融合的人体姿态估计方法
CN113256789A (zh) 一种三维实时人体姿态重建方法
CN117224115A (zh) 一种基于图像测量人体四肢长骨与身高比例的方法及系统
Agarwal et al. Estimating human dynamics on-the-fly using monocular video for pose estimation
CN112102358B (zh) 一种无侵入动物行为特征观测方法
CN111767812B (zh) 跌倒检测方法、跌倒检测装置及存储装置
CN111242982A (zh) 一种基于渐进卡尔曼滤波的人体目标跟踪方法
CN113240044A (zh) 一种基于多Kinect的人体骨骼数据融合评价方法
CN113743341A (zh) 一种基于自适应模型的人体姿态实时估计方法
CN113836991A (zh) 动作识别系统、动作识别方法及存储介质
CN109948560B (zh) 融合骨骼识别和IFace-TLD的移动机器人目标跟踪系统
Zhang et al. A feature matching-based approach to deformation fields measurement from MR images of non-rigid object
CN118096890B (zh) 一种面向出舱航天员的6d位姿实时估计方法及装置

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