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