CN1497491A - 用于有关气囊应用的乘员标志 - Google Patents

Abstract

本发明公开了将乘员(18)的分割图像(42)分成上身图像(54)和下身图像。一被乘员标志试探可以识别出分割图像(42)内的每一像素为上身像素还是下身像素。一种k－means模块(60)可以通过将特定像素和上身上预测中点之间的距离和特定像素和下身上预测中点之间的距离进行比较从而提供一个初始的像素分类。重复性的参数预测器(66)可以通过进行有条件的似然试探从而更新上身(64)和下身(62)的平均值。然后可以通过比较每个躯干的Malanobis距离将像素分类为上身或下身像素。然后，与气囊相关的应用就可以使用上身图像生成与气囊的应用相关的乘员特征。

Description

用于有关气囊应用的乘员标志

技术领域

本部分继续申请要求享有以下几个美国申请的权益：申请日为2001年5月30日、序列号为09/870,151且名称为“A RULES-BASEDOCCUPANT CLASSIFICATION SYSTEM FOR AIRBAGDEPLOYMENT”的申请；申请日为2001年7月10日、序列号为09/901,805且名称为“IMAGE PROCESSING SYSTEM FOR DYNAMICSUPPRESSION OF AIRBAGS USING MULTIPLE MODELLIKELIHOODS TO INFER THREE DIMENSIONALINFORMATION”的申请；申请日为2001年11月5日、序列号为10/006,564且名称为“IMAGE PROCESSING SYSTEM FOR ESTIMATING THEENERGY TRANSFER OF AN OCCUPANT INTO AN AIRBAG”的申请；申请日为2001年12月17日、序列号为10/023,787且名称为“IMAGESEGMENTATION SYSTEM AND METHOD”的申请；申请日为2002年1月17日、序列号为10/052,152且名称为“IMAGE PROCESSINGSYSTEM FOR DETERMINING WHEN AN AIRBAG SHOULDDEPLOYED”的申请。这些申请的内容整体地作为参考引入本申请。

背景技术

本发明一般涉及与气囊展开有关的系统或方法。本发明特别涉及识别乘员的上身，这样有关该乘员的上身的特征可以作为决定有关气囊可能展开的基础。

传统的碰撞检测系统经常使用加速计或基于重量的传感器来判定是否有车辆碰撞来触发气囊的展开。这类系统容易因为路况不好从而发出错误的报警，比如当车辆在冰上打滑从而碰到路边，还有小碰撞比如当驶入停车场时不小心撞到停车隔离墩。人们期望一种基于来自乘员图像的乘员特征的的气囊展开系统，这是因为乘员的图像较不易受到由突变动作或重量引发的错误的影响。

气囊展开系统必须在实时环境中执行它们的功能。即使是一个标准的摄像机一秒钟也可以捕获100张图像。所以，从捕获传感器读出或图像到做出展开决定的过程应该以一种快速并且可靠的方式来执行。理想的有关气囊图像的处理应着重于乘员上身。在大多数气囊展开的情况下，乘员身上显示其主要移动的部分是乘员的上身。甚至当乘员没有系安全带时，上身的运动还是占主导地位，此时其头部快速向前移动，上身会沿臀部向前旋转。

设定时间的限制，气囊展开系统应该有力以方便可靠的处理。为了便于抵抗对“噪声”的处理，理想的识别乘员上身的过程应该结合重复处理和一个概率加权分析。在识别上身图像的过程中，或是在捕获生成展开决定中的图像的整个过程中，在不同点所做的假设中，也希望结合人体数据以及和车辆有关的信息。

发明内容

本发明涉及一种系统和方法，用来判定乘员分割图像中哪些像素代表该乘员上身的图像。

乘员的上身的特征可以以许多不同的方式用于和气囊展开相关的应用(比如有关气囊的应用)。通过将某乘员的上身图像与包括其下身的该乘员的图像分离开来，可以方便捕获其上身的特征。

本系统可以使用人体数据，针对车辆的数据，先前的中点的计算以及其他用于捕获上身和下身中点的初始的估计。然后，可以使用k-metric模块通过对比从不同像素到上身和下身中点以像素计的距离进而实施试探，从而更新那些估计值。

然后，可以使用一个参数预测器进一步修正上身和下身的被更新过的中点。在一优选实施例中，该参数预测器使用一个或多个不同的将概率与分析相结合的数学试探法进行重复处理。

一个特定的分割图像的最终中点可被用来计算一个特定的像素和上身及下身中点的Mahalanobis距离。对一特定像素而言，如果上身的Mahalanobis距离小于下身的Mahalanobis距离，则可以认为该特定像素为一个上身像素。

根据附图，本领域技术人员可以明显从下面对优选实施例的详细描述明白本发明的不同方面。

附图说明

图1示出本了系统一可能的实施例的周围环境的局部视图的一个例子；

图2示出了一个可以结合乘员标志系统功能的跟踪及展开系统的高级处理流程；

图3示出了如何从一乘员分割图像中捕获一个上身图像的一个例子的流程图；

图4为一个乘员标志试探的例子的流程图；

图5为包括一个上身和一个下身的分割图像的例子；

图6为一个已经与一个分割乘员图像的下身分开的上身图像的例子；

图7为一个下身的例子，其为了方便识别一上身图像，已经从乘员的分割图像中切下。

具体实施方式

A.周围环境的局部图

参照附图，图1是本系统一个可能的实施例，即一个乘员标志系统16的周围环境的局部视图。如果有乘员18在，该乘员18坐在座位20上。在一优选实施例中，可以快速捕获一系列图像的相机或者其它图像传感器22(总称为“相机”)，被置于一块内顶板24上，其位于乘员18之上并且它比乘员18更靠近前挡风玻璃26。该相机22可以是一个标准的摄像机，但出于碰撞检测的目的，最好选择一个可以在每秒内捕获250至1000张图像的高速相机22。最好将该相机设置在朝乘员18略微向下的角度上，这样就可以捕获乘员18在座位20上向前或向后移动时产生的角度和位置的变化。相机22在与系统16结合时可以有很多其它可能的位置。同样地，计算机30可被置于车辆的任何位置。在一优选实施例中，该计算机30被置于靠近相机22的位置从而避免通过长电线来传送相机图像。图中示出在一仪表盘34中有一个气囊控制器32，气囊控制器可被置于车内的任何位置。在乘员18和座位20前面的仪表盘34中有一个气囊展开系统36，系统16可在其它的位置和气囊展开系统36一起作用。

B.气囊处理的高级处理流程

图2公开了在全面的有关气囊的处理环境中，有关使用系统16的高级流程。输入的座位区域21的视频图像(“环境图像”)38包括乘员18和乘员18周围的座位区域21的图像。输入的视频图像38是被相机22或任何其它可以快速捕获一系列图像的传感器所捕获的。在本图中，座位区域21包括整个乘员18，尽管在某些条件下和在某些实施例中，只能捕获乘员18的一部分图像，特别是当相机22被置于看不到下部的地方。环境图像被送至计算机30。

气囊展开过程中的诸多功能可由一台或多台计算机30执行。计算机30可被用来从包括乘员18及乘员18周围区域的座位区域的环境图像38中分离乘员18的一个分割图像。识别代表乘员18上身的分割图像中像素的过程可在计算机30中进行。从上身提取乘员特征的过程可在计算机内执行。还可以使用一台或多台计算机来跟踪或预测乘员特征；判定是否发生事故需要展开气囊；判定要展开气囊时，乘员是否与气囊展开系统过近(比如：在气囊展开时，乘员的头部或上身在是否已经进入预定的气囊展开危险区(ARZ)之内)；计算理想的展开气囊的强度；以及有关展开气囊的任何其它的过程或分析。计算机30可以是任何可以运行计算机程序的设备或其他形式的结构逻辑。

基于由计算机30执行的处理结果，可以给气囊控制器32发送适当的指令由气囊展开系统36来执行。

C.详细的气囊处理流程图

图3示出了从开始捕获环境图像38到由气囊控制器32执行的气囊展开分析过程的流程的一个例子。

每个由相机22所捕获的环境图像38都可由一个图像分割器40进行处理。该图像分割器分离出环境图像38中代表乘员18的像素，使得只代表乘员18的分割图像42可被生成并进行后续的处理。

分割图像42输入给一个乘员类型分类器(“乘员分类器”)44。该乘员分类器44可被配置来将分割图像42分类为多个预定乘员分类类型中的一种类型。在一个优选实施例中，系统16可以区分下述乘员分类类型：成人、儿童、无人、面向后面的婴儿座、面向向前的儿童座以及其它杂物。乘员分类器44可使用相关特征的层次树来识别乘员的正确乘员类型分类(分类类型)46。

在一个优选实施例中，当乘员18被分为属于某分类类型46时，气囊展开系统36排除气囊的展开。在图3的例子中，只有在乘员18被分类为成人时气囊才会被展开。对于不同的分类类型46，可选实施例可包括多种不同的展开规则。回到图3中的例子，在步骤50，如果乘员18没有被分类为一成人，该过程会根据特定的环境图像38结束。对下一个环境图像38的捕获可以从开始处重新开始该过程。

如果在步骤50处的乘员分类类型46是一种需要展开气囊的类型，一个乘员标志模块52会把分割图像42和乘员类型分类46都当作它的输入。在可选的实施例中，没有乘员分类器44，乘员标志模块52没有受益于乘员分类类型46。

乘员标志模块52生成一个头部-躯干图像54，该图像还可以被看作是上身图像54。在一个优选实施例中，上身54自臀部向上通过并包括乘员18的头部。相应地，下身自乘员的臀部向下。在可选实施例中，上部和下身可以被完全不同地分开。在可选实施例中，乘员18分割图像42可被分为三块或更多部分。

在一个优选实施例中，该上身54随后被送至乘员跟踪仪56。该乘员跟踪仪从来自乘员标志模块52的信息中捕获相关的乘员特征。乘员跟踪仪使用的特征可以包括测量出的特征和从测量出的特征中导出的特征(导出的特征)。相关的乘员18的特征可以包括位置、速度、加速度、倾斜角度、宽度、高度、中心的位置以及任何其它可能相关的特征。在一个优选实施例中，乘员跟踪仪56为一个乘员跟踪和预测器，其使用多种形状和动作模型并且将多个卡尔曼滤波器集成在一个概率加权分析中来预测乘员18的未来特征。

D.乘员标志试探

图4为乘员标志试探的一个例子的详细的流程。在一个优选实施例中，乘员标志试探的输入为分割图像42和一个或更多个对上身54(比如“头部及躯干”)的位置的初始猜测。该初始猜测可以是关于上身54的导出自下述的信息：人体数据；车辆的特定数据，比如假定乘员18为坐着时的有关座位和系统16之间关系的特征；乘员标志试探的过去输出(近如最近一次传感器测量)。

可以将多种不同的乘员标志试探整合进系统16中。在一个优选实施例中，乘员标志试探使用和下身(如腿)和上身(如乘员自腰部向上包括头部)的中点有关的预测值。上面所描述的初始猜测可以与中点的位置有关。像素是视觉图像的基本构成，视觉图像包括环境图像38，分割图像42，以及上身的图像。可以就一个特定像素与上身的预测中点的关系以及同一特定像素与下身的预测中点的关系，进行各种数学运算。到中点的距离是一种特别有用的关系，大多数的距离潜在偏移也是如此。系统16可以包括各种乘员标志试探，这些乘员标志试探结合有到中点的距离的关系。系统16可以包括各种与到中点的距离无关的乘员标志试探。系统16可以并入各种不用预测的中点的乘员标志试探。同样地，各种试探变化可以与下述相结合：将分割图像42分成多于两块；使用各种不同的初始猜测；结合其它诸如乘员分类类型46的导出数据；以及任何其它可能的相关的特征。

1.k-metric模块及k-metric试探

在图4所示的例子中，分割图像42被能执行一个或多个不同的k-metric试探的k-means模块60所接收。在一优选实施例中，初始猜测(如前所讨论的)也可被结合入k-means模块60的处理中。k-means模块60是可能的k-metric模块60的子集，该模块可由乘员标志试探结合到处理中。k-means模块60执行k-means试探，该试探使用预测的上身和下身的预测的中点。K-metric模块可以使用各种不同的参考点和数学计算。

图5为分割图像42的一个例子，分割图像可被k-metric模块60接收。在一个优选实施例中，分割图像42为二进制图像。在某些实施例中，所有乘员像素均为同一个二进制值，所有非乘员像素为一个不同的二进制值。在可选的实施例中，将分割图像42与环境图像38分开的边界像素为同一像素值，并且其它所有的像素具有一个不同的二进制值。

回到图4，乘员18的分割图像42中的每个像素都可以被转化为点坐标的一个矢量。每一个行-列为值均可被转化为一对(x，y)坐标。

在k-metric模块60的一个k-means实施例中，k-metric模块根据分割图像中的每个点(如：像素)更接近head_torso_mean还是leg_mean(它们分别为头_躯干_图像(head_torso_image)和腿_图像(leg_image)的中点)，将每个点分为在头_躯干_图像(如上身图像)中还是在腿_躯干_图像(如下身图像)中。如上所讨论的，对head_torso_mean和leg_mean的初始猜测可以被用来开始k-means。在随后的处理中，下一个对k-means试探的重复可以通过下述或类似的公式计算head_torso_mean和leg_mean的值。

公式1

head_torso_mean＝sum(head_torso_image)/在head_torso_image中的点数

公式2：

leg_mean＝sum(leg_image)/在leg_image中的点数

“head_torso_mean”为以前对上身中点的预测。在第一次重复时，该数据可以来自一个初始猜测。“leg_mean”为以前对下身中点的预测，并且在第一次重复时，该数据可以来自一个初始猜测。在一个优选实施例中，“sum(head_torso_image)”为上身中的像素到预测的上身图像中点的所有距离的总和。在可选的实施例中，可以使用可选的度量。同样，在一个优选实施例中，“sum(leg_image)”为下身中的像素到预测的下身图像中点的所有距离的总和。在可选的实施例中，可以使用可选的度量。“在head_torso_image中的点数”为在初步的上身图像中的像素数。“在leg_image中的点数”为在初步的下身图像中的像素数。可选实施例可以实施各种范围内的不同公式。

2.参数预测器模块和试探

然后，可以将初始leg_mean(如下身平均值)60，初始head_torso_mean(如上身平均值)62以及分割图像42发送至参数预测器66。在一个优选实施例中，参数预测器66为一个重复性的参数预测器。该重复性的参数预测器可以以一种重复的方式执行下述的公式：

公式3：

需输入

表示设统计值为θ时，特定像素(x_k)出现在特定组(ω_i)中的概率，组(ω_i)可以是一个上身组或是一个下身组。对于每一组i，μ代表平均值(比如head_torso_mean和leg_mean或lower_torso_mean)。∑_i的初始值表示每个特定组i的协方差。该协方差可以大致判定乘员上身的一个限定椭圆，其形状可使用人体数据来判定。

公式3先由θ的初始猜测值解出，其中θ＝μ，∑()。μ的初值来自上面讨论过的k-means试探的输出。公式4，公式5和公式6为在公式3先由初始猜测解出后对公式3的重复输入。

公式4：

$\hat{P}\left({\mathrm{\ω}}_i\right)=\frac{1}{n}\underset{k=1}{\overset{n}{\mathrm{\Σ}}}\hat{P}\left({\mathrm{\ω}}_i\right|x_k,\widehat{\mathrm{\θ}})$

变量n代表分割图像42中像素的数目。公式5：

${\widehat{\mathrm{\μ}}}_i=\frac{{\mathrm{\Σ}}_{k=1}^n\hat{P}\left({\mathrm{\ω}}_i\right|x_k,\widehat{\mathrm{\θ}})x_k}{{\mathrm{\Σ}}_{k=1}^n\hat{p}\left({\mathrm{\ω}}_i\right|x_k,\widehat{\mathrm{\θ}})}$

公式6：

${\widehat{\mathrm{\Σ}}}_i=\frac{{\mathrm{\Σ}}_{k=1}^n\hat{P}\left({\mathrm{\ω}}_i\right|x_k,\widehat{\mathrm{\θ}})(x_k-{\widehat{\mathrm{\μ}}}_i)(x_k-{\widehat{\mathrm{\μ}}}_i{)}^t}{{\mathrm{\Σ}}_{k=1}^n\hat{P}\left({\mathrm{\ω}}_i\right|x_k,\widehat{\mathrm{\θ}})}$

在这些公式中，head_torso_mean(比如上身平均值或中点)和leg_mean(比如下身平均值或中点)用希腊字母μ_i表示并且协方差用希腊字母∑_i表示。ω_i为在分割图像中每个坐标x_k中的组。i＝1，2且c＝2表示一个两组问题(两组为头部-躯干组和腿组)。在可选实施例中，c可大于2。ω₁代表在腿组的坐标x_k，ω₂代表在头部一躯干组的坐标x_k。

所以

(一种类型的“条件似然试探”的一个例子)是给定统计值θ时对于x_k在组ω₁中的一种有条件的似然。公式3先由θ的初始猜测值解出，其中θ＝μ，∑()。初始的μ来自k-means的输出。使用人体信息是因为成年人的上身(包括头部)经常占该成年人整个质量的三分之二。所以可以基于此判定先验概率。初始协方差为基于经验的假设(比如猜测)，其基于分割图像的大小和有关上部身体整体形状的等效人体信息。协方差大致判定乘员头部躯干(比如上身)的一个限定的椭圆并且从人体信息中得知这种形状的大致样子。如上所讨论的，有多种不同的试探和公式可被整合进参数预测器66中。

公式3，4，5和6已经以一种重复的方式执行。这些公式可被重复固定的次数，该次数可以在配置系统16的时候预先设定。重复的次数还可以通过比较平均值的变化和一个显著的变化阈值来判定。系统16还可以被配置用来对某个特定的分割图像42进行重复性的参数预测器试探，直到平均值的变化小于显著的变化阈值。其它实施例可以包括两种方法，其使用显著的变化阈值，但是给可能的重复次数设置一个有限大的限制。图6示出了从参数预测器试探输出的一个最终的头部-躯干(head_torso)参数。图7示出了从参数预测器试探输出的最终的腿(leg)参数68的一个例子。3.像素分类模块和像素分类试探

回到图4，到像素分类模块72的输入最好为来自参数预测器试探的最终的头部-躯干参数70和最终的腿参数68。该输入还应该包括已经由k-metric模块60和参数预测器60处理过的分割图像42。

像素分类模块72可以执行包括一个距离试探的像素特征试探。该距离试探基于分割图像42(比如上身和下身)中不同部分中从一特定像素到参考点(比如中点)的距离，对像素进行分类。对一个特定像素来说，如果到上身的距离较短，则该像素被分类为一个上身像素。同样地，如果一个特定像素到下身的距离较短，则该像素被分类为一个下身像素。在距离均等的例子中，系统16可被配置成将该像素分类为上身像素或是下身像素。

系统16的一个优选实施例执行一个Mahalanobis试探。该Mahalanobis试探计算在seg_mean中的每个点到head_torso_mean和(比如上身中点)和leg_mean(比如下身中点)的“Mahalanobis”距离。如果某点(比如像素)的Mahalanobis距离更接近head_torso_mean(上身中点)，则该点被分类为head_torso_image(上身像素)，否则该点被分类为leg_image(下身像素)。两点间的Mahalanobis距离由公式7给定：

$d=(x_k-{\widehat{\mathrm{\μ}}}_i{)}^t{\widehat{\mathrm{\Σ}}}_i^{-1}(x_k-{\widehat{\mathrm{\μ}}}_i)$

在上面的公式中，x_k为seg_image中的点，且μ_i和∑_i为参数预测器66的输出。

这样，像素分类器就可以根据来自分类试探的最终分类设定分割图像中的每个像素。然后就可以将最终的head_torso(如：上身)图像54发送至上述的乘员跟踪仪模块56，以便气囊展开系统36做出适当的展开决定。

根据专利法的规定，本发明的原理和操作模式已由多个优选的和可选的实施例阐明。然而，应当理解，在不偏离本发明精神或范围的情况下，可以以上述说明以外的方式实施本发明。

Claims (25)

1.一种用于识别乘员(18)上身(54)的乘员标志系统(16)，包括：

一个k-metric模块(60)，其包括上身度量(64)及下身度量(62)，其中所述k-metric模块(60)生成所述上身度量(64)和所述下身度量(62)；以及

一个参数预测器(66)，其包括上身参数(70)和下身参数(68)，其中所述参数预测器(60)用所述上身度量(64)和所述下身度量(62)来生成所述上身参数(70)和所述下身参数(68)。

2.权利要求1所述的乘员标志系统(16)，其中所述k-metric模块(60)为一个k-means模块，其中所述上身度量为一个上身平均值，并且其中所述下身度量为一个下身平均值。

3.权利要求1所述的乘员标志系统(16)，还包括一个分割图像(42)，其中所述k-metric模块(60)用所述分割图像(42)生成所述上身度量(64)和所述下身度量(62)。

4.权利要求1所述的乘员标志系统(16)，还包括一个初始猜测，其中所述k-metric模块(60)由所述初始猜测生成所述上身度量(64)及下身度量(62)。

5.权利要求4所述的乘员标志系统(16)，其中所述初始猜测基于座位(20)的位置。

6.权利要求4所述的乘员标志系统(16)，其中所述初始猜测基于人体特征。

7.权利要求1所述的乘员标志系统(16)，其中所述k-metric模块(60)还包括一个乘员分类(46)，并且其中所述k-metric模块(60)利用所述乘员分类(46)有选择地生成所述上身度量(64)和所述下身度量(62)。

8.权利要求1所述的乘员标志系统(16)，所述参数预测器(66)还包括一个限定椭圆。

9.权利要求1所述的乘员标志系统(16)，所述参数预测器(66)还包括一个Mahalanobis距离。

10.权利要求1所述的乘员标志系统(16)，其中所述参数预测器(66)为一个重复性的参数预测器。

11.权利要求10所述的乘员标志系统(16)，其中所述重复性的参数预测器执行预定次数的重复。

12.权利要求10所述的乘员标志系统(16)，所述重复性的参数预测器包括预定显著变化阈值和度量值的变化，其中当所述显著变化阈值超过度量值的变化时，所述重复性的参数预测器停止执行额外的重复。

13.权利要求1所述的乘员标志系统(16)，还包括一个像素分类器(72)和一个上身图像(54)，其中所述像素分类器(72)从所述上身参数(70)和所述下身参数(68)生成所述上身图像(54)。

14.一种用于识别乘员(18)的上身(54)的乘员标志系统(16)，包括：

一个k-means模块(60)，其包括一个分割图像(42)，一个初始猜测，一个上身平均值(64)以及一个下身平均值(62)，其中所述k-means模块(60)利用所述分割图像(42)和所述初始猜测生成所述上身平均值(64)和所述下身平均值(62)；

一个重复性的参数预测器(66)，其包括一个上身参数(70)，一个下身参数(68)和一个Mahalanobis距离，其中所述重复性的参数预测器(66)利用所述Mahalanobis距离、所述上身平均值(64)和所述下身平均值(62)，生成所述上身参数(70)和所述下身参数(68)；以及

一个像素分类器(72)，其包括一个上身图像(54)，其中所述像素分类器(72)从所述上身参数(70)和所述下身参数(68)生成所述上身图像(54)。

15.权利要求14所述的乘员标志系统(16)，还包括一定次数的重复，其中所述重复性的参数预测器(66)依照所述的重复次数，重复产生所述上身参数和所述下身参数。

16.权利要求15所述的乘员标志系统(16)，其中所述重复的次数是预定并且固定的。

17.权利要求15所述的乘员标志系统(16)，还包括一个变化阈值和一个平均值，其中所述重复的次数通过比较所述变化阈值和所述平均值来确定定。

18.一种乘员跟踪和气囊展开系统，包括：

一个图像分割器(40)，其包括一个环境图像(38)和一个分割图像(42)，其中所述图像分割器(40)从所述环境图像(38)产生所述的分割图像(42)；

一个图像分类器(44)，其包括一个乘员类型分类(46)，其中所述图像分类器(44)从所述分割图像(42)产生所述乘员类型分类(46)；

一个乘员标志器(52)，其包括一个上身图像(54)和一个乘员标志试探，其中所述乘员标志器(52)从所述分割图像(42)、所述乘员标志试探和所述乘员类型分类(46)，生成所述上身图像(54)。

19.权利要求18所述的乘员跟踪和气囊展开系统，还包括一个跟踪子系统(56)，其中所述跟踪子系统(56)包括一个乘员特征，并且其中所述跟踪子系统(56)从所述上身图像(54)生成所述乘员特征。

20.权利要求19所述的乘员跟踪和气囊展开系统，其中所述跟踪子系统(56)进一步包括一个展开决定，并且其中所述跟踪子系统(56)根据所述乘员特征生成所述展开决定。

21.一种用来从乘员像素的分割图像(42)识别该乘员的上身(54)的方法，包括：

确定从一个像素到一个预测的上身中点(54)的距离；

更新该预测的上身中点(54)；以及

用更新的预测中点有选择地识别一个上身像素。

22.权利要求21所述的方法，其中所述有选择地识别上身像素包括计算上身像素和上身中点之间的上身Malanobis距离。

23.权利要求22所述的方法，还包括计算下身像素和下身中点之间的下身Malanobis距离。

24.权利要求23所述的方法，还包括将所述上身Malanobis距离和所述下身Malanobis距离进行比较。

25.权利要求21所述的方法，其中更新所述预测的中点包括参考人体特征。

Images