專利名稱：一種單視角無標(biāo)記人體運(yùn)動(dòng)跟蹤的關(guān)節(jié)定位方法
技術(shù)領(lǐng)域：
本發(fā)明涉及人體運(yùn)動(dòng)跟蹤技術(shù)領(lǐng)域，尤其涉及一種人體關(guān)節(jié)的跟蹤定位方法。
背景技術(shù)：
基于視頻的人的運(yùn)動(dòng)分析與理解是計(jì)算機(jī)視覺領(lǐng)域廣受關(guān)注的研究熱點(diǎn)，運(yùn)動(dòng)跟蹤是其重要內(nèi)容。運(yùn)動(dòng)跟蹤的主要方法有兩類有標(biāo)記的視頻運(yùn)動(dòng)跟蹤與無標(biāo)記的視頻運(yùn)動(dòng)跟蹤。其中，基于視頻的無標(biāo)記人體運(yùn)動(dòng)跟蹤，是從一個(gè)或多個(gè)視角已同步的圖像序列中恢復(fù)人體姿態(tài)信息，主要包括頭、軀干和四肢的運(yùn)動(dòng)，具有非入侵、成本低、智能化等特點(diǎn)， 具有廣泛的應(yīng)用前景。然而，由于存在人體的非剛性運(yùn)動(dòng)、遮擋與自遮擋、高維狀態(tài)空間搜索、復(fù)雜條件下的特征提取等難點(diǎn)，從視頻圖像中恢復(fù)人體姿態(tài)具有很大的不確定性。一般將人體定義為分層的樹型結(jié)構(gòu)，將骨盆或軀干定義為樹的根，整個(gè)人體運(yùn)動(dòng)可視為由根節(jié)點(diǎn)的全局運(yùn)動(dòng)和子節(jié)點(diǎn)繞其父節(jié)點(diǎn)的旋轉(zhuǎn)運(yùn)動(dòng)組成，因此，人體姿態(tài)可用根節(jié)點(diǎn)的位置、方向參數(shù)和關(guān)節(jié)角參數(shù)組成的狀態(tài)向量表示。目前，基于模型的人體運(yùn)動(dòng)跟蹤就是在由狀態(tài)向量張成的狀態(tài)空間中搜索合適的點(diǎn)，使得該點(diǎn)對(duì)應(yīng)姿態(tài)的投影與圖像特征最為匹配。如粒子濾波算法，在人體運(yùn)動(dòng)跟蹤中獲得了廣泛應(yīng)用，但由于跟蹤高自由度的人體運(yùn)動(dòng)時(shí)，其效率非常低下并且精度難以保證，如何改善其效率、提高其精度是目前研究的 ^^點(diǎn)ο另一類人體運(yùn)動(dòng)跟蹤的主要方法是基于識(shí)別的方法。該類方法需要大量的訓(xùn)練數(shù)據(jù)，對(duì)事先標(biāo)注的運(yùn)動(dòng)庫建立索引或從中學(xué)習(xí)特征與姿態(tài)的對(duì)應(yīng)關(guān)系，通過最近鄰搜索或函數(shù)映射獲得人體姿態(tài)參數(shù)，從而將姿態(tài)估計(jì)問題轉(zhuǎn)換為模式識(shí)別問題。此方法的不足是只能識(shí)別已知?jiǎng)幼?，而且所得結(jié)果可能不精確；而對(duì)于復(fù)雜運(yùn)動(dòng)，其訓(xùn)練樣本集的覆蓋性和代表性很難保證。因此，如何有效解決人體運(yùn)動(dòng)跟蹤的效率、精度和魯棒性問題，特別是，對(duì)于高自由度的樹型結(jié)構(gòu)的人體運(yùn)動(dòng)跟蹤，如何保證人體各關(guān)節(jié)的高效跟蹤定位，以達(dá)到實(shí)時(shí)應(yīng)用的目的，是目前的研究熱點(diǎn)。

發(fā)明內(nèi)容
為彌補(bǔ)現(xiàn)有技術(shù)的不足，本發(fā)明目的是提供一種單視角無標(biāo)記人體運(yùn)動(dòng)跟蹤的關(guān)節(jié)定位方法，在保證了足夠精度和穩(wěn)定性的前提下，極大地提高了算法的效率，其處理性能在普通PC上可以達(dá)到60幀每秒以上，完全達(dá)到了實(shí)用的目的。本發(fā)明的技術(shù)方案如下一種單視角無標(biāo)記人體運(yùn)動(dòng)跟蹤的關(guān)節(jié)定位方法，其特征在于，包含步驟301，檢測(cè)手的位置，得到手的候選樣本handCandidate = {Hi (xi, yi)}, i = 0,1, ...，numHandCandidate-1，其中，Hi (xi, yi)為第 i 個(gè)手的候選樣本， numHandCandidate為手的候選樣本的個(gè)數(shù)；步驟302，篩選手的位置，對(duì)手的候選樣本進(jìn)行篩選，獲得概率大的樣本作為優(yōu)選樣本；步驟303，檢測(cè)肘部的位置，獲得肘部的候選樣本；步驟304，組合篩選手與肘部的位置；對(duì)手與肘的優(yōu)選樣本兩兩組合形成前臂樣本，再對(duì)該前臂樣本進(jìn)行優(yōu)選，獲得前臂的優(yōu)選樣本；步驟305，組合篩選手、肘與肩的位置，根據(jù)該前臂的優(yōu)選樣本與肩的位置進(jìn)行組合優(yōu)選，獲得手臂的樣本；步驟306，對(duì)手臂的候選樣本進(jìn)行優(yōu)選加權(quán)，獲得最終的手、肘、肩的位置。如上的一種單視角無標(biāo)記人體運(yùn)動(dòng)跟蹤的關(guān)節(jié)定位方法，其中，該步驟301檢測(cè)手的位置的具體方法為根據(jù)多種信息的融合，對(duì)輸入的圖像幀中手的可能位置進(jìn)行檢測(cè)，該多種信息至少包括如下之一前景信息、膚色信息、運(yùn)動(dòng)信息，分別表示為前景圖像imgBG，膚色圖像 imgSkin，運(yùn)動(dòng)能量圖像imgMEI。如上的一種單視角無標(biāo)記人體運(yùn)動(dòng)跟蹤的關(guān)節(jié)定位方法，其中，該步驟301檢測(cè)手的位置的具體方法為對(duì)輸入的圖像幀進(jìn)行掃描，設(shè)人體的單位長度為sizeUnit，將手定義為圖像中的一個(gè)矩形區(qū)域，邊長表示為sizeHand，|』_zef/m_i ^sizeHand今sizeUnit，滿足如下條件
的位置認(rèn)為是手的可能位置H(xH，yH)(1)處于前景，即 PBG(xH,yH) > deltaBGH，其中，pBG(xH，yH)為 H(xH，yH)處于前景的概率，deltaBGH為確定是否處于前景的閾值，0. 3 ( deltaBGH ( 0. 5，pBG(xH, yH)由下式獲得pBG(xH, yH) = numPixelFG/(sizeHand · sizeHand)其中，numPixeire為H代表的手的矩形區(qū)域中處于前景的像素個(gè)數(shù)，由前景圖像
獲得；(2)可檢測(cè)到膚色信息，即pSkin (xH, yH)彡0，pSkin (xH, yH)為H屬于膚色的概率，pSkin(XH，yH)由下式獲得pSkin(xH, yH) = numPixelSkin/ (sizeHand · sizeHand)其中，numPixelSkin為H代表的手的矩形區(qū)域中屬于膚色的像素個(gè)數(shù)，由膚色圖
像獲得；(3)具有運(yùn)動(dòng)信息，即pMotion (xH, yH)彡0，pMotion (xH, yH)為H處于運(yùn)動(dòng)狀態(tài)的概率，pMotion (xH, yH)由下式獲得pMotion(xH, yH) = numPixeIMotion/(sizeHand · sizeHand)其中，numPixelMotion為H代表的手的矩形區(qū)域中屬于運(yùn)動(dòng)狀態(tài)的像素個(gè)數(shù)，由
運(yùn)動(dòng)能量圖像獲得；(4)處于合理的物理位置，即D (H，S) ( lengthArm，其中，S為軀干中的肩節(jié)點(diǎn)的位置；D (H, S)為手的位置H到肩S的距離；IengthArm為手臂的長度，3 .sizeUnit彡length Arm ^ 3. 5 · sizeUnit。如上的一種單視角無標(biāo)記人體運(yùn)動(dòng)跟蹤的關(guān)節(jié)定位方法，其中，該掃描方式是逐像素掃描的方式或者根據(jù)一定的步長進(jìn)行掃描的方式。如上的一種單視角無標(biāo)記人體運(yùn)動(dòng)跟蹤的關(guān)節(jié)定位方法，其中，該步長為sizeHand 的 1/2 至 1/3。如上的一種單視角無標(biāo)記人體運(yùn)動(dòng)跟蹤的關(guān)節(jié)定位方法，其中，該步驟302中對(duì)手的候選樣本進(jìn)行篩選的條件為(1)具有一定膚色信息，且距離上一幀的手的位置不遠(yuǎn)的樣本優(yōu)先保留；(2)具有運(yùn)動(dòng)信息，且其在運(yùn)動(dòng)圖像中與上一幀的手的位置相連的樣本優(yōu)先保留；(3)距離上一幀的手的位置越近的樣本獲選的概率越大；(4)膚色信息越多的樣本獲選的概率越大；(5)運(yùn)動(dòng)信息越顯著的樣本獲選的概率越大。如上的一種單視角無標(biāo)記人體運(yùn)動(dòng)跟蹤的關(guān)節(jié)定位方法，其中，該對(duì)手的候選樣本進(jìn)行篩選的具體方法為(1)對(duì)于已檢測(cè)到的手的候選樣本handCandidate，根據(jù)該條件(1)選出優(yōu)選樣本 Hi (xi，yi))，Hi (xi, yi)同時(shí)滿足:pSkin (xi，yi) > deltaSkin 和 D (Hi，handLast) < deltaDis，篩選獲得的優(yōu)選樣本個(gè)數(shù)記為numSkin ；其中，deltaSkin為膚色優(yōu)選閾值，0彡deltaSkin彡0. 2 ； handLast為上一幀的手的位置，deltaDis為距離限制閾值，與手的大小相關(guān)， sizeHand ^ deltaDis ^ 2 · sizeHand ；(2)對(duì)于剩下未被選中的樣本，根據(jù)該條件(2)選出優(yōu)選樣本，Hi (xi, yi)同時(shí)滿足pMotion(xi, yi) > deltaMotion 禾口 bMotionConnection(Hi, handLast) = true,其中，deltaMotion為運(yùn)動(dòng)信息閾值，0.1 彡 deltaMotion 彡 0.4， bMotionConnection (Hi, handLast) = true表示Hi與上一幀的手的位置在運(yùn)動(dòng)能量圖像上相連通；本次選拔獲得的優(yōu)選樣本個(gè)數(shù)記為numMotion ；(3)對(duì)于剩下未被選中的樣本再做進(jìn)一步優(yōu)選；設(shè)需要選出numGood個(gè)優(yōu)選樣本，50彡numGood彡150。則在剩下的樣本中還需要再選出 numLeft = numGood-numSkin-numMotion 個(gè)樣本；如果numLeft > 0,則繼續(xù)進(jìn)行如下優(yōu)選過程對(duì)于樣本Hi (xi, yi)，該條件( 所示的時(shí)域連續(xù)性概率表示為
ιpTempo(xi,yi) =2σ2其中，δ = D(Hi, handLasf)，為Hi與handLast之間的距離；σ為標(biāo)準(zhǔn)差，取值 sizeUnit的2至4倍之間；樣本Hi (xi，yi)的聯(lián)合概率可表示為pMergeHand(xi, yi) = pTempo(xi, yi) · pSkin(xi, yi) · pMotion(xi, yi)選出聯(lián)合概率pMergeHand最大的numLeft個(gè)樣本作為優(yōu)選樣本；通過以上步驟，最終獲得numGood個(gè)優(yōu)選樣本。如上的一種單視角無標(biāo)記人體運(yùn)動(dòng)跟蹤的關(guān)節(jié)定位方法，其中，當(dāng)本幀為初始幀或上一幀手的跟蹤失敗時(shí)，則假設(shè)上一幀的手的位置handLast處于自然狀態(tài)，該手的位置根據(jù)人體結(jié)構(gòu)的特點(diǎn)獲得此時(shí)雙手位于身體兩側(cè)，距離人體軀干中軸線約為sizeUnit， 所處高度處于身高的一半。
如上的一種單視角無標(biāo)記人體運(yùn)動(dòng)跟蹤的關(guān)節(jié)定位方法，其中，該步驟303檢測(cè)肘部位置的方法為對(duì)輸入的圖像幀進(jìn)行掃描，設(shè)肘部為圖像中的一個(gè)矩形區(qū)域，邊長為sizeElbow， sizeElbow取值為sizeUnit的1/2，肘部的候選樣本E (xE，yE)應(yīng)滿足如下條件(1)處于前景，即pBG(xE，yE) > thBGE, thBGE為確定是否處于前景的閾值， 0. 2 彡 thBGE 彡 0. 5 ；(2)處于合理的物理范圍，即肘不可能超過軀干上臂長度的范圍，表示為D(E， S) ( lengthUpperArm，其中，D(Ε, S)為肘至肩的距離，IengthUpperArm為上臂的長度，取值 sizeUnit 的 1 至 1. 8 倍；符合上述條件檢測(cè)出的肘部候選樣本Ei (xi, yi)，其概率由如下因素確定時(shí)域連續(xù)性，即其距上一幀肘部位置elbowLast的距離越近概率越大，時(shí)域連
續(xù)性概率
權(quán)利要求
1.一種單視角無標(biāo)記人體運(yùn)動(dòng)跟蹤的關(guān)節(jié)定位方法，其特征在于，包含步驟301，檢測(cè)手的位置，得到手的候選樣本handCandidate = {Hi (xi, yi)}，i = 0， 1, . . . , numHandCandidate-l,^11!11, Hi (xi, yi)為第 i f·^的{l^ifeli*，numHan(!Candidate 為手的候選樣本的個(gè)數(shù)；步驟302，篩選手的位置，對(duì)手的候選樣本進(jìn)行篩選，獲得概率大的樣本作為優(yōu)選樣本；步驟303，檢測(cè)肘部的位置，獲得肘部的候選樣本；步驟304，組合篩選手與肘部的位置；對(duì)手與肘的優(yōu)選樣本兩兩組合形成前臂樣本，再對(duì)該前臂樣本進(jìn)行優(yōu)選，獲得前臂的優(yōu)選樣本；步驟305，組合篩選手、肘與肩的位置，根據(jù)該前臂的優(yōu)選樣本與肩的位置進(jìn)行組合優(yōu)選，獲得手臂的樣本；步驟306，對(duì)手臂的候選樣本進(jìn)行優(yōu)選加權(quán)，獲得最終的手、肘、肩的位置。
2.如權(quán)利要求1所述的單視角無標(biāo)記人體運(yùn)動(dòng)跟蹤的關(guān)節(jié)定位方法，其特征在于，該步驟301檢測(cè)手的位置的具體方法為根據(jù)多種信息的融合，對(duì)輸入的圖像幀中手的可能位置進(jìn)行檢測(cè)，該多種信息至少包括如下之一前景信息、膚色信息、運(yùn)動(dòng)信息，分別表示為前景圖像imgBG，膚色圖像 imgSkin，運(yùn)動(dòng)能量圖像imgMEI。
3.如權(quán)利要求2所述的單視角無標(biāo)記人體運(yùn)動(dòng)跟蹤的關(guān)節(jié)定位方法，其特征在于，該步驟301檢測(cè)手的位置的具體方法為對(duì)輸入的圖像幀進(jìn)行掃描，設(shè)人體的單位長度為sizeUnit，將手定義為圖像中的一個(gè)矩形區(qū)域，邊長表示為sizeHand，^feeUmY彡論e/Zimi^^dzei/mY，滿足如下條件的位置認(rèn)為是手的可能位置H(xH，yH)(1)處于前景，即pBG(xH，yH) > deltaBGH，其中，pBG(xH，yH)為 H(xH，yH)處于前景的概率，deltaBGH為確定是否處于前景的閾值，0. 3 ( deltaBGH ( 0. 5，pBG(xH, yH)由下式獲得pBG(xH，yH) = numPixelFG/(sizeHand · sizeHand)其中，numPixeire為H代表的手的矩形區(qū)域中處于前景的像素個(gè)數(shù)，由前景圖像獲得；(2)可檢測(cè)到膚色信息，即pSkin(xH,yH)彡0，pSkin(xH, yH)為H屬于膚色的概率， pSkin(xH, yH)由下式獲得pSkin(xH, yH) = numPixelSkin/ (sizeHand · sizeHand)其中，numPixelSkin為H代表的手的矩形區(qū)域中屬于膚色的像素個(gè)數(shù)，由膚色圖像獲得；(3)具有運(yùn)動(dòng)信息，即pMotion(xH,yH)彡0，pMotion (xH, yH)為H處于運(yùn)動(dòng)狀態(tài)的概率，pMotion (xH, yH)由下式獲得pMotion(xH, yH) = numPixeIMotion/(sizeHand · sizeHand)其中，numPixelMotion為H代表的手的矩形區(qū)域中屬于運(yùn)動(dòng)狀態(tài)的像素個(gè)數(shù)，由運(yùn)動(dòng)能量圖像獲得；(4)處于合理的物理位置，即D(H，S) ( lengthArm，其中，S為軀干中的肩節(jié)點(diǎn)的位置；D (H, S)為手的位置H到肩S的距離；IengthArm為手臂的長度，3 MizeUnit彡IengthArm彡 3. 5 · sizeUnit。
4.如權(quán)利要求3所述的單視角無標(biāo)記人體運(yùn)動(dòng)跟蹤的關(guān)節(jié)定位方法，其特征在于，該掃描方式是逐像素掃描的方式或者根據(jù)一定的步長進(jìn)行掃描的方式。
5.如權(quán)利要求4所述的單視角無標(biāo)記人體運(yùn)動(dòng)跟蹤的關(guān)節(jié)定位方法，其特征在于，該步長為sizeHand的1/2至1/3。
6.如權(quán)利要求1所述的單視角無標(biāo)記人體運(yùn)動(dòng)跟蹤的關(guān)節(jié)定位方法，其特征在于，該步驟302中對(duì)手的候選樣本進(jìn)行篩選的條件為(1)具有一定膚色信息，且距離上一幀的手的位置不遠(yuǎn)的樣本優(yōu)先保留；(2)具有運(yùn)動(dòng)信息，且其在運(yùn)動(dòng)圖像中與上一幀的手的位置相連的樣本優(yōu)先保留；(3)距離上一幀的手的位置越近的樣本獲選的概率越大；(4)膚色信息越多的樣本獲選的概率越大；(5)運(yùn)動(dòng)信息越顯著的樣本獲選的概率越大。
7.如權(quán)利要求6所述的單視角無標(biāo)記人體運(yùn)動(dòng)跟蹤的關(guān)節(jié)定位方法，其特征在于，該對(duì)手的候選樣本進(jìn)行篩選的具體方法為(1)對(duì)于已檢測(cè)到的手的候選樣本handCandidate，根據(jù)該條件(1)選出優(yōu)選樣本 Hi (xi, yi)，Hi (xi, yi)同時(shí)滿足pSkin(xi，yi) > deltaSkin 和 D(Hi, handLast) < deltaDis，篩選獲得的優(yōu)選樣本個(gè)數(shù)記為numSkin ；其中，deltaSkin為膚色優(yōu)選閾值，deltaSkin <0. 2 ；handLast為上一幀的手的位置，deltaDis為距離限制閾值，與手的大小相關(guān)，sizeHand ( deltaDis ( 2sizeHand ；(2)對(duì)于剩下未被選中的樣本，根據(jù)該條件( 選出優(yōu)選樣本，Hi(xi, yi)同時(shí)滿足 pMotion(xi, yi) > deltaMotion 禾口 bMotionConnection(Hi, handLast) = true,其中，deltaMotion為運(yùn)動(dòng)信息閾值，0.1彡deltaMotion彡0.4， bMotionConnection (Hi, handLast) = true表示Hi與上一幀的手的位置在運(yùn)動(dòng)能量圖像上相連通；本次選拔獲得的優(yōu)選樣本個(gè)數(shù)記為numMotion ；(3)對(duì)于剩下未被選中的樣本再做進(jìn)一步優(yōu)選；設(shè)需要選出numGood個(gè)優(yōu)選樣本，50彡numGood彡150。則在剩下的樣本中還需要再選出 numLeft = numGood-numSkin-numMotion 個(gè)樣本；如果numLeft > 0，則繼續(xù)進(jìn)行如下優(yōu)選過程對(duì)于樣本Hi(xi，yi)，該條件(3)所示的時(shí)域連續(xù)性概率表示為
8.如權(quán)利要求7所述的單視角無標(biāo)記人體運(yùn)動(dòng)跟蹤的關(guān)節(jié)定位方法，其特征在于，當(dāng)本幀為初始幀或上一幀手的跟蹤失敗時(shí)，則假設(shè)上一幀的手的位置handLast處于自然狀態(tài)，該手的位置根據(jù)人體結(jié)構(gòu)的特點(diǎn)獲得此時(shí)雙手位于身體兩側(cè)，距離人體軀干中軸線約為sizeUnit，所處高度處于身高的一半。
9.如權(quán)利要求1所述的單視角無標(biāo)記人體運(yùn)動(dòng)跟蹤的關(guān)節(jié)定位方法，其特征在于，該步驟303檢測(cè)肘部位置的方法為對(duì)輸入的圖像幀進(jìn)行掃描，設(shè)肘部為圖像中的一個(gè)矩形區(qū)域，邊長為sizeElbow， sizeElbow取值為sizeUnit的1/2，肘部的候選樣本E (xE，yE)應(yīng)滿足如下條件⑴處于前景，即pBG(xE，yE) > thBGE, thBGE為確定是否處于前景的閾值， 0. 2 彡 thBGE 彡 0. 5 ；(2)處于合理的物理范圍，即肘不可能超過軀干上臂長度的范圍，表示為D(E， S) ( lengthUpperArm，其中，D(Ε, S)為肘至肩的距離，IengthUpperArm為上臂的長度，取值 sizeUnit 的 1 至 1. 8 倍；符合上述條件檢測(cè)出的肘部候選樣本Ei (xi, yi)，其概率由如下因素確定時(shí)域連續(xù)性，即其距上一幀肘部位置elbowLast的距離越近概率越大，時(shí)域連續(xù)性概
10.如權(quán)利要求1所述的單視角無標(biāo)記人體運(yùn)動(dòng)跟蹤的關(guān)節(jié)定位方法，其特征在于，該步驟304組合篩選手與肘部的位置的方法為設(shè)前臂為具有一定長度的矩形，其寬度widthR)reArm的取值范圍在sizeUnit的1/3 至1/2之間；設(shè)由手樣本Hi (xi，yi)與肘樣本Ej (xj，yj)組合成前臂樣本FA(i，j)，該前臂樣本 FA (i, j)滿足如下條件(1)長度處于合理范圍，即IengthFA(i，j) = D(Hi, Ej) ( lengthForeArm，其中， IengthForeArm為前臂的長度，取值sizeUnit的1. 4至2倍；(2)處于前景，即pBGFA(i，j)> thBGFA ；其中，thBGFA為判定前臂是否處于前景的閾值，取值0.2至0.5 ；基于以上條件進(jìn)行判定，獲得前臂的候選樣本為for eArmCandi date = {FAk (i，j) = {Hi (xi，yi)，E j (χ j，y j)}}，k = 0，...， numForeArmCandidate-1其中，F(xiàn)Ak (i, j) = {Hi (xi, yi), Ej(xj, yj)}為第k個(gè)前臂的候選樣本，由手樣本Hi (xi, yi)與肘樣本Ej (xj，yj)組合而成，numForeArmCandidate為前臂的候選樣本的個(gè)數(shù)。
11.如權(quán)利要求1所述的單視角無標(biāo)記人體運(yùn)動(dòng)跟蹤的關(guān)節(jié)定位方法，其特征在于，該步驟305組合篩選手、肘與肩的位置的方法為進(jìn)行3X3的窗口采樣，獲得9個(gè)肩部的候選樣本Sn(Xn，yn)； 由肩部的候選樣本Sn(xn，yn)與該前臂的候選樣本FAk(i，j) = {Hi (xi, yi), Ej (xj, yj)}進(jìn)行組合，獲得手臂的樣本A(i，j，n)，A(i，j，n)滿足如下條件(1)長度處于合理范圍，即IengthArm = D(Hi, Ej)+D(Ej，Sn)彡 IengthArm ；(2)上臂處于前景，即pBGUA(Ej，Sn)> thBGUA，其中thBGUA為判定上臂是否處于前景的閾值，取值0.2至0.5 ；(3)上臂與前臂的相對(duì)位置符合人體動(dòng)力學(xué)的范圍，即兩者的角度以及夾角處于合理范圍；對(duì)于正面的人體運(yùn)動(dòng)而言，針對(duì)左臂，定義以下情況為無效angleFore > angleUp,當(dāng) angleUp < - π /2 angleFore < angleUp+ ji 時(shí)，或者 angleFore < angle Up,當(dāng) angle Up > π /2 angleFore > _ π /2 時(shí)；其中，angleFore為前臂{Hi, Ej}的角度，angleUp為上臂{Ej，Sn}的角度；角度取值范圍為-ji到π之間，水平向右為X軸正方向，其角度為0，處于X軸上方的角度為正，處于 X軸下方的角度為負(fù)，水平向左為X軸負(fù)方向，角度為η或-η ； 基于以上條件進(jìn)行判定，獲得手臂的候選樣本為armCandidate = {Am(i，j，n) = {FA(i, j), Sn(xn, yn)}}, m = 0,..., numArmCandidate-1其中，Am(i，j，n) = {FA(i,j),Sn(xn,yn)}為第m個(gè)前臂的候選樣本，由手樣本Hi (xi， yi)、肘樣本Ej (xj, yj)與肩樣本Sn(Xn，yn)組合而成，numArmCandidate為手臂的候選樣本的個(gè)數(shù)。
12.如權(quán)利要求1所述的單視角無標(biāo)記人體運(yùn)動(dòng)跟蹤的關(guān)節(jié)定位方法，其特征在于，該步驟306對(duì)手臂的候選樣本進(jìn)行優(yōu)選加權(quán)的方法為 手臂樣本A(i，j,n)的聯(lián)合概率表示為pMergeArm(i , j, η) = pMergeHand(xi , yi) · pMergeE(χj, yj) · pBGFA (Hi , Ej) · pBGUA(Ej,Sn) · pBGCover(i, j, n) · pMotionFA(Hi, Ej)其中，pBGCover為手臂樣本的前景覆蓋度概率；pMotionFA為前臂的運(yùn)動(dòng)信息概率； 基于手臂樣本的聯(lián)合概率PMergeArm對(duì)其進(jìn)行排序，選取pMergeArm最大的numTop個(gè)樣本作為優(yōu)選樣本，進(jìn)行加權(quán)平均，獲得最終的手、肘、肩位置；其中，numTop為選中的樣本數(shù)，取值10至50之間；設(shè)優(yōu)選的手臂樣本為Am (i, j, n), m = 0, ... , numTop-1，則手臂位置為
全文摘要
本發(fā)明屬于人體運(yùn)動(dòng)跟蹤技術(shù)領(lǐng)域，公開了一種單視角無標(biāo)記人體運(yùn)動(dòng)跟蹤的關(guān)節(jié)定位方法，包含檢測(cè)手的位置，得到手的候選樣本handCandidate＝{Hi(xi，yi)}，i＝0，1，...，numHandCandidate-1，其中，Hi(xi，yi)為第i個(gè)手的候選樣本，numHandCandidate為手的候選樣本的個(gè)數(shù)；篩選手的位置，獲得概率大的樣本作為優(yōu)選樣本；檢測(cè)肘部的位置，獲得肘部的候選樣本；組合篩選手與肘部的位置；對(duì)手與肘的優(yōu)選樣本兩兩組合形成前臂樣本，再對(duì)該前臂樣本進(jìn)行優(yōu)選，獲得前臂的優(yōu)選樣本；組合篩選手、肘與肩的位置，根據(jù)該前臂的優(yōu)選樣本與肩的位置進(jìn)行組合優(yōu)選，獲得手臂的樣本；對(duì)手臂的候選樣本進(jìn)行優(yōu)選加權(quán)，獲得最終的手、肘、肩的位置。本發(fā)明可廣泛應(yīng)用于人體跟蹤定位。
文檔編號(hào)G06T7/20GK102156994SQ20111009825
公開日2011年8月17日 申請(qǐng)日期2011年4月19日 優(yōu)先權(quán)日2011年4月19日
發(fā)明者唐霖, 姜濤, 涂治國, 董初寧 申請(qǐng)人:上海摩比源軟件技術(shù)有限公司