技術特征：

1.基于彩色圖像和深度圖像多特征的聯(lián)合數據關聯(lián)方法，其特征是，包括以下步驟：

基于彩色圖像和深度圖像多特征的聯(lián)合數據關聯(lián)方法，包括以下步驟：

采用聯(lián)合數據概率關聯(lián)算法實現本地傳感器節(jié)點對跟蹤目標和目標觀測之間進行第一次數據關聯(lián)；

基于馬氏距離的匈牙利算法實現傳感器節(jié)點之間對跟蹤目標的第二次數據關聯(lián)；

各傳感器之間交換關節(jié)點估計信息，通過一致性算法加權迭代實現各傳感器估計狀態(tài)的一致性；

其中，在第一次數據關聯(lián)時，基于多特征的目標觀測候選集調整機制，利用關節(jié)點位置觀測信息z、彩色圖像梯度方向直方圖特征h_c和深度圖像梯度方向直方圖特征h_d構建三個閾值門限(γ_z,γ_c,γ_d)以限定觀測集大小。

2.如權利要求1所述的基于彩色圖像和深度圖像多特征的聯(lián)合數據關聯(lián)方法，其特征是，基于分布式信息一致性算法的信息融合之后還包括利用模型概率對各個模型的估計結果進行加權求和，作為各傳感器信息處理系統(tǒng)當前時刻的估計結果的步驟。

3.如權利要求2所述的基于彩色圖像和深度圖像多特征的聯(lián)合數據關聯(lián)方法，其特征是，分布式信息一致性算法使得本地傳感器在獲取本地數據關聯(lián)估計結果后，可與鄰近節(jié)點交換數據關聯(lián)結果，以實現各傳感器數據關聯(lián)結果的融合。

4.如權利要求1所述的基于彩色圖像和深度圖像多特征的聯(lián)合數據關聯(lián)方法，其特征是，利用關節(jié)點位置觀測信息z、彩色圖像梯度方向直方圖特征h_c和深度圖像梯度方向直方圖特征h_d構建三個閾值門限(γ_z,γ_c,γ_d)以限定觀測集大?。?/p>

$(z-\hat{z})S^{-1}(z-\hat{z})\<{\mathrm{\γ}}_z,d(h_c,{\hat{h}}_c)\<{\mathrm{\γ}}_c,d(h_d,{\hat{h}}_d)\<{\mathrm{\γ}}_d,$

其中，是根據上一幀關節(jié)點估計值預測的當前關節(jié)點位置，S是z的方差，和分別是從最近的歷史關鍵幀中學習的以關節(jié)點位置為中心的HOG特征和HOD特征，d是直方圖Chi-square卡方距離測度。

5.如權利要求1所述的基于彩色圖像和深度圖像多特征的聯(lián)合數據關聯(lián)方法，其特征是，關節(jié)點的馬氏距離定義如下：

(x_i-x_j)^T(P_i+P_j)^-1(x_i-x_j),

(x_i,x_j)和(P_i,P_j)是人體關節(jié)點分別在傳感器i和傳感器j上的估計狀態(tài)和方差。

6.如權利要求1所述的基于彩色圖像和深度圖像多特征的聯(lián)合數據關聯(lián)方法，其特征是，在實現第一次數據關聯(lián)之前還包括骨架關節(jié)點位置初始化的步驟。

7.如權利要求6所述的基于彩色圖像和深度圖像多特征的聯(lián)合數據關聯(lián)方法，其特征是，在骨架關節(jié)點位置初始化之前還需要構建動態(tài)分布式傳感器網絡。

8.如權利要求7所述的基于彩色圖像和深度圖像多特征的聯(lián)合數據關聯(lián)方法，其特征是，基于構建的動態(tài)分布式傳感器網絡，傳感器將采集的人體骨架關節(jié)點信息傳輸至信息處理中心。

9.如權利要求6所述的基于彩色圖像和深度圖像多特征的聯(lián)合數據關聯(lián)方法，其特征是，骨架關節(jié)點位置初始化時，通過對關節(jié)點深度信息預先學習訓練，實現對每幀人體關節(jié)點的檢測，或利用現有工具OPENNI NITE或微軟SDK直接提取關節(jié)點。

10.如權利要求9所述的基于彩色圖像和深度圖像多特征的聯(lián)合數據關聯(lián)方法，其特征是，在骨架關節(jié)點位置初始化時，為去除無效關節(jié)點，建立人體關節(jié)點運動模型物理約束，剔除不滿足人體關節(jié)點旋轉角度和長度約束的人體關節(jié)點。