CN110781803B - 一种基于扩展卡尔曼滤波器的人体姿态识别方法 - Google Patents

一种基于扩展卡尔曼滤波器的人体姿态识别方法 Download PDF

Info

Publication number
CN110781803B
CN110781803B CN201911011849.8A CN201911011849A CN110781803B CN 110781803 B CN110781803 B CN 110781803B CN 201911011849 A CN201911011849 A CN 201911011849A CN 110781803 B CN110781803 B CN 110781803B
Authority
CN
China
Prior art keywords
human body
body posture
image data
gesture
extended kalman
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
CN201911011849.8A
Other languages
English (en)
Other versions
CN110781803A (zh
Inventor
张宏伟
张小虎
杨夏
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.)
Sun Yat Sen University
Original Assignee
Sun Yat Sen University
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 Sun Yat Sen University filed Critical Sun Yat Sen University
Priority to CN201911011849.8A priority Critical patent/CN110781803B/zh
Publication of CN110781803A publication Critical patent/CN110781803A/zh
Application granted granted Critical
Publication of CN110781803B publication Critical patent/CN110781803B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/20—Movements or behaviour, e.g. gesture recognition
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Social Psychology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Multimedia (AREA)
  • Psychiatry (AREA)
  • Probability & Statistics with Applications (AREA)
  • General Health & Medical Sciences (AREA)
  • Human Computer Interaction (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Image Analysis (AREA)

Abstract

本发明提供了一种基于扩展卡尔曼滤波器的人体姿态识别方法，其包括获取一张人体姿态背景图像并对获取的人体姿态背景图像进行数据解码，利用有限状态机方法进行人体姿态背景图像数据的提取，得到人体姿态背景图像数据；按照一定周期连续采集人体姿态图像并对人体姿态图像进行数据解码，利用有限状态机方法进行人体姿态图像数据的提取，得到人体姿态图像数据；提取人体姿态背景图像数据的亮度Y和色度Cb以及人体姿态图像数据的亮度YS和色度Cbs，得到前景图像为|Cb‑Cbs|，对前景图像进行二值化，得到二值化处理后的人体姿态图像；对二值化处理后的人体姿态图像通过扩展卡尔曼滤波器进行姿态解算，识别人体姿态。本发明能够人体运动过程中的姿态。

Description

一种基于扩展卡尔曼滤波器的人体姿态识别方法
技术领域
本发明涉及人体姿态识别技术领域，具体而言，涉及一种基于扩展卡尔曼滤波器的人体姿态识别方法。
背景技术
随着计算机视觉技术的不断发展和智能系统的需求不断提高，人们对视频和图像的分析技术要求越来越高，其中通过高清视频或图像对人体的姿态识别研究是十分重要的一项发展应用。人体姿态识别具有广阔的应用前景，比如智能监控、人体运动分析、医疗监护以及家居等领域，尤其是在智能监控中能够代替人眼进行更为复杂的检测和判断，在无人的场合如家庭住所、敬老院、幼儿园等或者对安全要求高的场合如银行、边境等的监控中具有十分重要的作用。
经过大量的检索发现一些典型的现有技术，比如专利申请号为201710006776.8的中国发明专利提出了一种基于自适应扩展卡尔曼滤波的人体姿态识别方法，该方法分为两个部分，模型设计和参数设计。模型设计中，利用四元数可反映人体肢体运动角度的特点，通过惯性传感器采集人体运动的角速度、加速度和周边磁场强度，基于自适应扩展卡尔曼滤波方法进行姿态解算，求得姿态四元数。参数设计中，通过理论分析和实验方法确定了过程噪声协方差矩阵、测量噪声协方差矩阵的取值，以及状态初始值和状态协方差矩阵初始值，使自适应扩展卡尔曼滤波方法可以持续迭代进行，从而不断实时识别人体运动姿态。
又如专利申请号为201810988873.6的中国发明专利提供了一种基于人体姿态的动作识别方法及装置，其中的方法包括：通过改进的限幅滤波算法得到的滤波后的骨骼数据，通过改进的角度计算方法获得角度特征，对分好类的角度特征基于逻辑回归进行训练，得到训练后的分类器，再通过分类器得到对人体静态姿势的识别结果，最后根据静态姿势的识别结果采用倒序法识别出人体的动作。该发明实现了提升识别速度和提高识别准确性的技术效果。
又如专利申请号为201810710454.6提出了一种救援环境中的人体检测以及姿态识别方法，该方法通过摄像头采集救援现场实时图像信息并传输到服务器中，服务器首先截取视频帧，使用均值滤波进行一次实时去雾处理。接着，使用去雾图像完成人体检测的相关计算从而检测出人体区域。最后，针对每个人体图像，完成姿态识别的相关计算检测出人体关键点和姿态向量，并且通过人体框的宽高比与人体姿态向量来完成姿态判断。该发明可以工作于环境恶劣的救援现场。
可见，如何对人体姿态进行识别，其实际应用中的亟待处理的实际问题还有很多未提出具体的解决方案。
发明内容
为了克服现有技术的不足提供了一种基于扩展卡尔曼粒子滤波器的人体姿态识别方法，本发明的具体技术方案如下：
一种基于扩展卡尔曼滤波器的人体姿态识别方法，其特征在于，包括以下步骤：
获取一张人体姿态背景图像并对获取的人体姿态背景图像进行数据解码，利用有限状态机方法进行人体姿态背景图像数据的提取，得到人体姿态背景图像数据；
按照一定周期连续采集人体姿态图像并对人体姿态图像进行数据解码，利用有限状态机方法进行人体姿态图像数据的提取，得到人体姿态图像数据；
提取人体姿态背景图像数据的亮度Y和色度Cb以及人体姿态图像数据的亮度YS和色度Cbs，得到前景图像为|Cb-Cbs|，对前景图像进行二值化，得到二值化处理后的人体姿态图像；
对二值化处理后的人体姿态图像通过扩展卡尔曼滤波器进行姿态解算，识别人体姿态。
可选的，所述扩展卡尔曼滤波器包括以下步骤：
步骤1，在k＝0时，初始化粒子，并给出初始位置x0和协方差p0；
步骤2，在k＝1时，利用公式xk＝fk(xk-1)+vk-1和zk＝hk(xk)+ek计算粒子传递值x1和z1；
步骤3，确定修正先验概率
Figure GDA0004056553470000031
的中心点；
步骤4，序贯重要性采样，采样粒子集
Figure GDA0004056553470000032
并预测目标轨迹
Figure GDA0004056553470000033
利用公式
Figure GDA0004056553470000034
和
Figure GDA0004056553470000035
计算修正的权值并归一化；
步骤5，重采样，根据重要性权值
Figure GDA0004056553470000036
的大小分别增多或减少
Figure GDA0004056553470000037
根据修正先验概率
Figure GDA0004056553470000038
以近似得到N个随机样本
Figure GDA0004056553470000039
步骤6，用粒子更新后验概率，对下一个粒子重复步骤2至5；
步骤7，利用公式
Figure GDA00040565534700000310
和
Figure GDA00040565534700000311
分别计算后验概率及滤波输出，并更新时间k，其中，式中Ns表示粒子数目。
可选的，在步骤2中，公式xk＝fk(xk-1)+vk-1和zk＝hk(xk)+ek的约束条件为p(ek)＝0,
Figure GDA0004056553470000041
可选的，在步骤3中，确定修正先验概率
Figure GDA0004056553470000042
的中心点的方法包括如下步骤：
3a,选择障碍函数
Figure GDA0004056553470000043
建立目标函数，以满足约束条件p(ek)＝0,
Figure GDA0004056553470000044
并建立增广目标函数
Figure GDA0004056553470000045
并将该增广目标函数记为fo；
3b,给出阈值ε，其中0≦ε≦1；
3c，利用公式
Figure GDA0004056553470000046
计算搜索方向，其中di表示搜索方向；
3d，利用进退法计算步长；
3e，利用公式
Figure GDA0004056553470000047
和
Figure GDA0004056553470000048
迭代计算中心点，其中α*是步长；
3f,计算先验误差，判断先验误差是否小于等于阈值ε，如果是，则退出卡尔曼粒子滤波器。
本发明所取得的有益效果包括：
1、通过采集人体姿态的背景图像以及人体姿态图像，进行数据提取和处理后，利用扩展卡尔曼滤波器可以识别人体运动过程中的姿态；
2、通过遍历内部可行区域来搜索全局最优解，将采样粒子限制在高似然概率的可行域内，从而构建出更接近于真实的后验概率分布，其估计性能要优于现有的传统粒子滤波算法，能够适应非线性非高斯模型假设下的系统状态估计问题；
3、扩展卡尔曼的滤波性能相比无迹粒子滤波提高了精度，而运行时间优于无迹粒子滤波，其在非线性较强的运动阶段的跟踪精度更好，由于本发明所述算法考虑了约束信息，故而提高了跟踪准确性。
4、由于滤波器利用遍历的搜索梯度信息，计算收敛速度更快，能够快速、准确地求出全局最优解。
附图说明
从以下结合附图的描述可以进一步理解本发明，将重点放在示出实施例的原理上。
图1是本发明实施例之一中的一种基于扩展卡尔曼滤波器的人体姿态识别方法的流程示意图；
图2是本发明实施例之一中的扩展卡尔曼滤波器算法的流程示意图；
图3是本发明实施例中的确定修正先验概率的中心点的流程示意图；
图4为一次独立实验条件下得到的不同粒子滤波算法的状态估计；
图5为不同粒子滤波算法的均方根估计误差。
具体实施方式
为了使得本发明的目的、技术方案及优点更加清楚明白，以下结合其实施例，对本发明进行进一步详细说明；应当理解，此处所描述的具体实施例仅用于解释本发明，并不用于限定本发明。对于本领域技术人员而言，在查阅以下详细描述之后，本实施例的其它系统、方法和/或特征将变得显而易见。旨在所有此类附加的系统、方法、特征和优点都包括在本说明书内、包括在本发明的范围内，并且受所附权利要求书的保护。在以下详细描述描述了所公开的实施例的另外的特征，并且这些特征根据以下将详细描述将是显而易见的。
本发明实施例的附图中相同或相似的标号对应相同或相似的部件；在本发明的描述中，需要理解的是，若有术语“上”、“下”、“左”、“右”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或组件必须具有特定的方位、以特定的方位构造和操作，因此附图中描述位置关系的用语仅用于示例性说明，不能理解为对本专利的限制，对于本领域的普通技术人员而言，可以根据具体情况理解上述术语的具体含义。
本发明为一种基于扩展卡尔曼粒子滤波器算法，根据图1-5所示讲述以下实施例：
实施例一：
滤波是根据传感器获得的目标观测数据对目标状态进行估计。对于线性动态系统，卡尔曼滤波器提供最优递归最小二乘解，但对于非线性系统，其滤波性能下降。非线性滤波在统计信号处理、金融、目标跟踪及卫星导航、态势估计等领域有着广泛的应用。为了解决复杂系统中的非线性滤波问题，研究者们提出了大量改进的卡尔曼滤波器算法，其中扩展卡尔曼滤波器，基本思想是通过泰勒级数一阶线性化非线性测量函数，忽略了高阶信息，通常滤波精度不高，强非线性时导致发散。无迹卡尔曼滤波同过选择一些高斯点来近似非线性分布，可以将精度提高到三阶，但是对于非高斯分布不太适用。
针对非线性机动系统中目标跟踪估计的不确定性问题，本发明在贝叶斯估计框架下，引入约束控制扩展卡尔曼滤波器产生重要性密度函数，基于凸优化理论，设计状态约束条件并将约束信息有效地融入目标函数的构建，修正滤波算法的预测和更新过程，通过遍历内部可行区域来搜索全局最优解，将采样粒子限制在高似然概率的可行域内，从而构建出更接近于真实的后验概率分布，仿真结果表明扩展卡尔曼粒子滤波器的估计性能要优于现有的传统粒子滤波算法，且该方法能够适应非线性非高斯模型假设下的系统状态估计问题。
请参照图1以及图2，一种基于扩展卡尔曼滤波器的人体姿态识别方法，包括以下步骤：
获取一张人体姿态背景图像并对获取的人体姿态背景图像进行数据解码，利用有限状态机方法进行人体姿态背景图像数据的提取，得到人体姿态背景图像数据；
按照一定周期连续采集人体姿态图像并对人体姿态图像进行数据解码，利用有限状态机方法进行人体姿态图像数据的提取，得到人体姿态图像数据；
提取人体姿态背景图像数据的亮度Y和色度Cb以及人体姿态图像数据的亮度YS和色度Cbs，得到前景图像为|Cb-Cbs|，对前景图像进行二值化，得到二值化处理后的人体姿态图像；
其中，对前景图像进行二值化的阈值为10.
对二值化处理后的人体姿态图像通过扩展卡尔曼滤波器进行姿态解算，识别人体姿态。
前景图像提取：目前的目标检测算法有很多，但大多算法都是基于背景建模的方法，下面介绍几种常用算法的优缺点。
(1)背景减除法：背景减除法能准确的检测到运动目标，但它对环境的突变或光线的变化比较敏感。
(2)帧间差分法：差分法虽然算法简单，检测速度快，但在检测过程中如果目标的运动速度变化比较快时会使目标检测出现空洞或漏检，这对检测结果的影响很大。
(3)光流法：光流场法虽然对被检测的环境、光线和目标的运动速度要求不高，但此方法的计算量非常大，要在特定的硬件系统支持下才能使用。
由于要对视频数据进行实时处理，因此光流法和背景建模等大部分算法都不适合使用，虽然这些算法检测效果较好，但需要的计算量非常大，一般都需要PC机来完成，而且也无法短时间内计算出识别结果，同时这些算法也不利于用FPAG进行加速运算。因此此次设计使用改进的背景减除法作为前景提取算法。通常的背景减除法，一般使用RGB三个通道中的一个或多个，也有使用灰度或亮度的，虽然使用这些通道计算方便，但RGB三个通道、灰度及亮度对光照都非常敏感，而且处理后的图像除了目标，阴影也会被检测出来，而YCbCr颜色模型中的Cb和Cr两个通道对光照不敏感，同时选择适当的阈值可以去除阴影的影响，在实现这些的同时，也能将图像二值化，这些处理都可以随着视频数据的输入在FPGA中同时进行，极大的节省数据处理的时间。
本实施例通过采集人体姿态的背景图像以及人体姿态图像，进行数据提取和处理后，利用扩展卡尔曼滤波器可以识别人体运动过程中的姿态。
进一步地，所述扩展卡尔曼滤波器包括以下步骤，包括以下步骤：
步骤1，在k＝0时，初始化粒子，并给出初始位置x0和协方差p0；
步骤2，在k＝1时，利用公式xk＝fk(xk-1)+vk-1和zk＝hk(xk)+ek计算粒子传递值x1和z1；
步骤3，确定修正先验概率
Figure GDA0004056553470000091
的中心点；
步骤4，序贯重要性采样，采样粒子集
Figure GDA0004056553470000092
并预测目标轨迹
Figure GDA0004056553470000093
利用公式
Figure GDA0004056553470000094
和
Figure GDA0004056553470000095
计算修正的权值并归一化；
步骤5，重采样，根据重要性权值
Figure GDA0004056553470000096
的大小分别增多或减少
Figure GDA0004056553470000097
根据修正先验概率
Figure GDA0004056553470000098
以近似得到N个随机样本
Figure GDA0004056553470000099
步骤6，用粒子更新后验概率，对下一个粒子重复步骤2至5；
步骤7，利用公式
Figure GDA00040565534700000910
和
Figure GDA00040565534700000911
分别计算后验概率及滤波输出，并更新时间k，其中，式中Ns表示粒子数目。
对于一个典型的目标跟踪问题，目标动态系统的运动模型及观测模型可以用线性时不变离散系统的一阶差分方程描述，其公式如下：
xk＝fk(xk-1)+vk-1(1)
zk＝hk(xk)+ek(2)
在公式(1)和(2)的基础上，增加约束条件为：p(ek)＝0,
Figure GDA00040565534700000912
结合公式(1)和(2)以及约束条件，则满足约束条件的可行域
Figure GDA00040565534700000913
表示为：
Figure GDA00040565534700000914
该约束条件只影响目标的位置信息，因此可以利用数值优化的方法来得到目标状态后验概率的最大化，利用先验约束信息选择粒子传播到下一时刻。
满足约束条件的修正先验概率为
Figure GDA0004056553470000101
其中pg(·)是指示函数，其满足一下式子：
Figure GDA0004056553470000102
以修正先验概率为基础，通过贝叶斯公式，用先验概率和似然函数计算得出目标状态的后验概率为
Figure GDA0004056553470000103
在计算出后验概率之后，接下来即可近似地求解修正先验概率，即可行域的中心
Figure GDA0004056553470000104
首先，选择障碍函数
Figure GDA0004056553470000105
以满足约束条件p(ek)＝0,
Figure GDA0004056553470000106
于是满足修正先验概率的求解问题就可以转化成为求解序列无约束优化子问题，即建立如下的增广目标函数，
Figure GDA0004056553470000107
并将该增广目标函数记为fo。
将增广目标函数的最优解的解析表达式求出来，然后对罚参数γ→0取极限，得到极小点。在这个过程中，保持每一个迭代点xk是可行域
Figure GDA0004056553470000108
的内点，对于不满足约束区域
Figure GDA0004056553470000109
的点，当迭代点靠近边界时，增广目标函数值骤然增大，以示“惩罚”，并阻止迭代点穿越边界。
假设
Figure GDA00040565534700001010
已经选择，以拟牛顿法求解公式
Figure GDA00040565534700001011
通过一部迭代得到近似解为
Figure GDA00040565534700001012
其中α*是步长，di是搜索方向。di可定义如下公式：
Figure GDA00040565534700001013
若
Figure GDA0004056553470000111
α*＝1。否则，先用进退法确定高低高区间，再进行一维搜索，确定全局最优解，其中计算方差公式为：
Figure GDA0004056553470000112
然后以修正的先验概率采样粒子集
Figure GDA0004056553470000113
并预测目标状态的轨迹
Figure GDA0004056553470000114
利用公式利用公式
Figure GDA0004056553470000115
和
Figure GDA0004056553470000116
计算并归一化粒子的权值。
最后，后验分布近似为
Figure GDA0004056553470000117
估计滤波输出为
Figure GDA0004056553470000118
式中Ns表示粒子数目。
请参照图3、图4和图5，图4为一次独立实验条件下得到的不同粒子滤波算法的状态估计,图5为不同粒子滤波算法的均方根估计误差。由图4和图5可知，扩展卡尔曼粒子滤波，无迹卡尔曼粒子滤波,和扩展卡尔曼的重要性采样密度函数，都利用了当前观测信息，估计性能要明显好于一般的粒子滤波器。但是，由于卡尔曼滤波算法使用泰勒级数展开，忽略高阶项，在预测协方差方程时，没有充分考虑该误差，所以扩展卡尔曼滤波的估计性能较差。同时，从统计误差的角度看，扩展卡尔曼的滤波性能相比无迹粒子滤波提高了精度，而运行时间优于无迹粒子滤波，扩展卡尔曼粒子滤波在非线性较强的运动阶段的跟踪精度更好，这是由于该算法考虑了约束信息，提高了跟踪准确性；计算收敛速度更快，这是由于滤波器利用遍历的搜索梯度信息，从而能够快速、准确地求出全局最优解。
在图4和图5中，各英文缩略词意思如下：
EKF(Extened Kalman Filter)，扩展卡尔曼滤波；
UKF(Uncened Kalman Filter)，无迹卡尔曼滤波；
PF(Particle Filter)，粒子滤波；
EPF(Extened Kalman Particle Filter)，扩展卡尔曼粒子滤波；
UPF(Uncened Kalman Particle Filter)，无迹卡尔曼粒子滤波；
CFPF(Constrained Kalman Particle Filter)，扩展卡尔曼粒子滤波。
实施例二：
请参照图2以及图3，所述扩展卡尔曼滤波器包括以下步骤，包括以下步骤：
步骤1，在k＝0时，初始化粒子，并给出初始位置x0和协方差p0；
步骤2，在k＝1时，利用公式xk＝fk(xk-1)+vk-1和zk＝hk(xk)+ek计算粒子传递值x1和z1；
步骤3，确定修正先验概率
Figure GDA0004056553470000121
的中心点；
步骤4，序贯重要性采样，采样粒子集
Figure GDA0004056553470000122
并预测目标轨迹
Figure GDA0004056553470000123
利用公式
Figure GDA0004056553470000124
和
Figure GDA0004056553470000125
计算修正的权值并归一化；
步骤5，重采样，根据重要性权值
Figure GDA0004056553470000126
的大小分别增多或减少
Figure GDA0004056553470000127
根据修正先验概率
Figure GDA0004056553470000128
以近似得到N个随机样本
Figure GDA0004056553470000129
步骤6，用粒子更新后验概率，对下一个粒子重复步骤2至5；
步骤7，利用公式
Figure GDA00040565534700001210
和
Figure GDA00040565534700001211
分别计算后验概率及滤波输出，并更新时间k，其中，式中Ns表示粒子数目。
在步骤3中，确定修正先验概率
Figure GDA0004056553470000131
的中心点的方法包括如下步骤：
3a,选择障碍函数
Figure GDA0004056553470000132
建立目标函数，以满足约束条件p(ek)＝0,
Figure GDA0004056553470000133
并建立增广目标函数
Figure GDA0004056553470000134
并将该增广目标函数记为fo；
3b,给出阈值ε，其中0≦ε≦1；
3c，利用公式
Figure GDA0004056553470000135
计算搜索方向，其中di表示搜索方向；
3d，利用进退法计算步长；
3e，利用公式
Figure GDA0004056553470000136
和
Figure GDA0004056553470000137
迭代计算中心点，其中α*是步长；
3f,计算先验误差，判断先验误差是否小于等于阈值ε，如果是，则退出卡尔曼粒子滤波器。
综上所述，本发明公开的一种基于扩展卡尔曼粒子滤波器算法，所产生的有益技术效果包括：
1、通过采集人体姿态的背景图像以及人体姿态图像，进行数据提取和处理后，利用扩展卡尔曼滤波器可以识别人体运动过程中的姿态；
2、通过遍历内部可行区域来搜索全局最优解，将采样粒子限制在高似然概率的可行域内，从而构建出更接近于真实的后验概率分布，其估计性能要优于现有的传统粒子滤波算法，能够适应非线性非高斯模型假设下的系统状态估计问题；
3、扩展卡尔曼的滤波性能相比无迹粒子滤波提高了精度，而运行时间优于无迹粒子滤波，其在非线性较强的运动阶段的跟踪精度更好，由于本发明所述算法考虑了约束信息，故而提高了跟踪准确性；
4、由于滤波器利用遍历的搜索梯度信息，计算收敛速度更快，能够快速、准确地求出全局最优解。
虽然上面已经参考各种实施例描述了本发明，但是应当理解，在不脱离本发明的范围的情况下，可以进行许多改变和修改。也就是说上面讨论的方法、系统和设备是示例，各种配置可以适当地省略、替换或添加各种过程或组件。例如，在替代配置中，可以以与所描述的顺序不同的顺序执行方法和/或可以添加、省略和/或组合各种部件。而且，关于某些配置描述的特征可以以各种其他配置组合，如可以以类似的方式组合配置的不同方面和元素。此外，随着技术发展其中的元素可以更新，即许多元素是示例，并不限制本发明公开或权利要求的范围。
在说明书中给出了具体细节以提供对包括实现的示例性配置的透彻理解。然而，可以在没有这些具体细节的情况下实践配置,例如已经示出了众所周知的电路、过程、算法、结构和技术而没有不必要的细节，以避免模糊配置。该描述仅提供示例配置，并且不限制权利要求的范围，适用性或配置。相反，前面对配置的描述将为本领域技术人员提供用于实现所描述的技术的使能描述。在不脱离本发明公开的精神或范围的情况下，可以对元件的功能和布置进行各种改变。
综上，其旨在上述详细描述被认为是例示性的而非限制性的，并且应当理解，以下权利要求(包括所有等同物)旨在限定本发明的精神和范围。以上这些实施例应理解为仅用于说明本发明而不用于限制本发明的保护范围。在阅读了本发明的记载的内容之后，技术人员可以对本发明作各种改动或修改，这些等效变化和修饰同样落入本发明权利要求所限定的范围。

Claims (2)

1.一种基于扩展卡尔曼滤波器的人体姿态识别方法，其特征在于，包括以下步骤：
获取一张人体姿态背景图像并对获取的人体姿态背景图像进行数据解码，利用有限状态机方法进行人体姿态背景图像数据的提取，得到人体姿态背景图像数据；
按照一定周期连续采集人体姿态图像并对人体姿态图像进行数据解码，利用有限状态机方法进行人体姿态图像数据的提取，得到人体姿态图像数据；
提取人体姿态背景图像数据的亮度Y和色度Cb以及人体姿态图像数据的亮度YS和色度Cbs，得到前景图像为|Cb-Cbs|，对前景图像进行二值化，得到二值化处理后的人体姿态图像；
对二值化处理后的人体姿态图像通过扩展卡尔曼滤波器进行姿态解算，识别人体姿态；
所述扩展卡尔曼滤波器包括以下步骤：
步骤1，在k＝0时，初始化粒子，并给出初始位置x0和协方差p0；
步骤2，在k＝1时，利用公式xk＝fk(xk-1)+vk-1和zk＝hk(xk)+ek计算粒子传递值x1和z1；
步骤3，确定修正先验概率
Figure FDA0004056553460000011
的中心点；
步骤4，序贯重要性采样，采样粒子集
Figure FDA0004056553460000012
并预测目标轨迹
Figure FDA0004056553460000013
利用公式
Figure FDA0004056553460000014
和
Figure FDA0004056553460000015
计算修正的权值并归一化；
步骤5，重采样，根据重要性权值
Figure FDA0004056553460000021
的大小分别增多或减少
Figure FDA0004056553460000022
根据修正先验概率
Figure FDA0004056553460000023
以近似得到N个随机样本
Figure FDA0004056553460000024
步骤6，用粒子更新后验概率，对下一个粒子重复步骤2至5；
步骤7，利用公式
Figure FDA0004056553460000025
和
Figure FDA0004056553460000026
分别计算后验概率及滤波输出，并更新时间k，其中，式中Ns表示粒子数目；
其中，在步骤3中，确定修正先验概率
Figure FDA0004056553460000027
的中心点的方法包括如下步骤：
3a,选择障碍函数
Figure FDA0004056553460000028
建立目标函数，以满足约束条件p(ek)＝0,
Figure FDA0004056553460000029
并建立增广目标函数
Figure FDA00040565534600000210
并将该增广目标函数记为fo；
3b,给出阈值ε，其中0≦ε≦1；
3c，利用公式
Figure FDA00040565534600000211
计算搜索方向，其中di表示搜索方向；
3d，利用进退法计算步长；
3e，利用公式
Figure FDA00040565534600000212
和
Figure FDA00040565534600000213
迭代计算中心点，其中α*是步长；
3f,计算先验误差，判断先验误差是否小于等于阈值ε，如果是，则退出卡尔曼粒子滤波器。
2.如权利要求1所述的一种基于扩展卡尔曼滤波器的人体姿态识别方法，其特征在于，在步骤2中，公式xk＝fk(xk-1)+vk-1和zk＝hk(xk)+ek的约束条件为p(ek)＝0,
Figure FDA0004056553460000031
CN201911011849.8A 2019-10-23 2019-10-23 一种基于扩展卡尔曼滤波器的人体姿态识别方法 Active CN110781803B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911011849.8A CN110781803B (zh) 2019-10-23 2019-10-23 一种基于扩展卡尔曼滤波器的人体姿态识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911011849.8A CN110781803B (zh) 2019-10-23 2019-10-23 一种基于扩展卡尔曼滤波器的人体姿态识别方法

Publications (2)

Publication Number Publication Date
CN110781803A CN110781803A (zh) 2020-02-11
CN110781803B true CN110781803B (zh) 2023-05-09

Family

ID=69386505

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911011849.8A Active CN110781803B (zh) 2019-10-23 2019-10-23 一种基于扩展卡尔曼滤波器的人体姿态识别方法

Country Status (1)

Country Link
CN (1) CN110781803B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113393064A (zh) * 2021-08-17 2021-09-14 中南大学 一种动车组镉镍蓄电池的寿命预测方法及终端设备

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104050488A (zh) * 2014-06-16 2014-09-17 西安工业大学 一种基于切换的卡尔曼滤波模型的手势识别方法
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
CN106932802A (zh) * 2017-03-17 2017-07-07 安科智慧城市技术（中国）有限公司 一种基于扩展卡尔曼粒子滤波的导航方法及系统
CN109033963A (zh) * 2018-06-22 2018-12-18 王连圭 多摄像机视频跨区域人体运动姿态目标识别方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104050488A (zh) * 2014-06-16 2014-09-17 西安工业大学 一种基于切换的卡尔曼滤波模型的手势识别方法
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
CN106932802A (zh) * 2017-03-17 2017-07-07 安科智慧城市技术（中国）有限公司 一种基于扩展卡尔曼粒子滤波的导航方法及系统
CN109033963A (zh) * 2018-06-22 2018-12-18 王连圭 多摄像机视频跨区域人体运动姿态目标识别方法

Also Published As

Publication number Publication date
CN110781803A (zh) 2020-02-11

Similar Documents

Publication Publication Date Title
CN108470332B (zh) 一种多目标跟踪方法及装置
CN104200495B (zh) 一种视频监控中的多目标跟踪方法
Li et al. Adaptive pyramid mean shift for global real-time visual tracking
CN107689052B (zh) 基于多模型融合和结构化深度特征的视觉目标跟踪方法
CN104820997B (zh) 一种基于分块稀疏表达与hsv特征融合的目标跟踪方法
CN106952293B (zh) 一种基于非参数在线聚类的目标跟踪方法
CN107798691B (zh) 一种基于视觉的无人机自主着陆地标实时检测跟踪方法
CN106780567B (zh) 一种融合颜色和梯度直方图的免疫粒子滤波扩展目标跟踪方法
Zhang Detection and tracking of human motion targets in video images based on camshift algorithms
Ran et al. Not only look but infer: Multiple hypothesis clustering of data association inference for semantic SLAM
CN107844739B (zh) 基于自适应同时稀疏表示的鲁棒性目标追踪方法
CN110781803B (zh) 一种基于扩展卡尔曼滤波器的人体姿态识别方法
Moridvaisi et al. An extended KCF tracking algorithm based on TLD structure in low frame rate videos
Firouznia et al. Adaptive chaotic sampling particle filter to handle occlusion and fast motion in visual object tracking
Maharani et al. Particle filter based single shot multibox detector for human moving prediction
Yuan Image target detection algorithm based on computer vision technology
CN103345762B (zh) 基于流形学习的贝叶斯视觉跟踪方法
Li et al. Target tracking based on biological-like vision identity via improved sparse representation and particle filtering
CN115880332A (zh) 一种低空飞行器视角的目标跟踪方法
CN105023277B (zh) 基于复杂动态场景的卡尔曼粒子滤波跟踪方法
CN105654514A (zh) 一种图像目标跟踪方法
Awal et al. A Particle Filter Based Visual Object Tracking: A Systematic Review of Current Trends and Research Challenges.
Li et al. Adaptive object tracking algorithm based on eigenbasis space and compressive sampling
Qiu et al. An adaptive kernel‐based target tracking method based on multiple features fusion
Ying et al. GPK-YOLOv5s: Content-Aware Reassembly of Features and Self Attention for High Altitude Parabolic Detection and Tracking

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