技術(shù)特征：

1.一種用于人機互動的基于激光傳感器深度攝像頭系統(tǒng)數(shù)據(jù)處理方法，包括數(shù)據(jù)獲取和噪聲處理，其特征在于，所述噪聲處理的方法是：

將從攝像頭系統(tǒng)獲取的原始采集的圖像數(shù)據(jù)，分成兩部分，對其中第一部分進行動態(tài)自適應濾波，對其中第二部分進行無跡卡爾曼濾波，最后對處理好的上述數(shù)據(jù)進行聚類濾波，輸出處理后的數(shù)據(jù)。

2.根據(jù)權(quán)利要求1所述的用于人機互動的基于激光傳感器深度攝像頭系統(tǒng)數(shù)據(jù)處理方法，其特征在于：所述動態(tài)自適應濾波方法如下：

依據(jù)感應測距系統(tǒng)的極坐標值(l_i,j,λ_i,j)，數(shù)據(jù)分析窗口設計為：

$\left[\begin{array}{ccc}{l}_{i-1,j-1}& l_{i-1,j}& l_{i-1,j+1}\\ l_{i,j-1}& l_{i,j}& l_{i,j+1}\\ l_{i+1,j-1}& l_{j+1,j}& l_{i+1,j+1}\end{array}\right]---\left(1\right)$

式中，i表示人機互動系統(tǒng)感應測距數(shù)據(jù)的采樣時刻；j指的是一幀數(shù)據(jù)中測量點的編號，上述數(shù)據(jù)分析窗口中的9個測量值在空間和時間上有較大相關(guān)性，定義Δl_min為l_i,j和相鄰測量值的差值，如下所示：

Δl_min＝min{|l_t+i,s+j-l_i,j|,t,s＝-1,0,1&t≠0,s＝0&t＝0,s≠0} (2)

如果Δl_min>δ(l,υ)，則測量值l_i,j就被當作測量噪聲而舍去，δ(l，v)為鄰近差值閾值。

3.根據(jù)權(quán)利要求2所述的用于人機互動的基于激光傳感器深度攝像頭系統(tǒng)數(shù)據(jù)處理方法，其特征在于：在動態(tài)環(huán)境中，鄰近差值閾值設計定義如下：

$\mathrm{\δ}(l,v)=\mathrm{\σ}\left(l\right)+\frac{1}{25}\left|v_{goal}\right|---\left(3\right)$

式中，σ(l)是深度攝像頭系統(tǒng)感應測量的標準差，由不同互動系統(tǒng)感應測量距離值數(shù)據(jù)得到，v_goal為動態(tài)環(huán)境目標的運動速度。

4.根據(jù)權(quán)利要求1所述的用于人機互動的基于激光傳感器深度攝像頭系統(tǒng)數(shù)據(jù)處理方法，其特征在于：所述無跡卡爾曼濾波的方法是：

①利用公式(4)和(5)獲得一組采樣點，利用公式(6)算出其對應權(quán)值，X^(t)為t時刻的系統(tǒng)狀態(tài)，是狀態(tài)均值，P是計算方差，λ是縮放比例參數(shù)，n為狀態(tài)的維數(shù)，

$\left\{\begin{array}{c}{X}^{\left(0\right)}=\stackrel{\‾}{X},i=0\\ X^{\left(i\right)}=\stackrel{\‾}{X}+{\left(\sqrt{(n+\mathrm{\λ})P}\right)}_i,i=1~n\\ X^{\left(i\right)}=\stackrel{\‾}{X}-{\left(\sqrt{(n+\mathrm{\λ})P}\right)}_i,i=n+1~2n\end{array}\right.---\left(4\right)$

w^(t)是t時刻系統(tǒng)狀態(tài)對應的權(quán)值，下標m為均值，c為協(xié)方差，α，β是待選的非負權(quán)系數(shù)，

$\left\{\begin{array}{c}{w}_m^{\left(0\right)}=\frac{\mathrm{\λ}}{n+\mathrm{\λ}}\\ w_c^{\left(0\right)}=\frac{\mathrm{\λ}}{n+\mathrm{\λ}}+(1-{\mathrm{\α}}^2+\mathrm{\β})\\ w_m^{\left(i\right)}=w_c^{\left(i\right)}=\frac{\mathrm{\λ}}{2(n+\mathrm{\λ})},i=1~2n\end{array}\right.---\left(5\right)$

X⁽ⁱ⁾(k|k)是基于k時刻系統(tǒng)狀態(tài)估計的k時刻的狀態(tài)向量，是基于k時刻系統(tǒng)狀態(tài)估計的k時刻的預測狀態(tài)向量，P(k|k)是基于k時刻系統(tǒng)狀態(tài)估計的k時刻的計算方差，

$X^{\left(i\right)}\left(k\right|k)=\[\begin{array}{ccc}\hat{X}\left(k\right|k)& \hat{X}\left(k\right|k)+\sqrt{(n+\mathrm{\λ})P\left(k\right|k)}& \hat{X}\left(k\right|k)-\sqrt{(n+\mathrm{\λ})P\left(k\right|k)}\end{array}\]---\left(6\right)$

②利用公式(7)計算2n+1個Sigma點集的一步預測，

X⁽ⁱ⁾(k+1|k)為基于k時刻系統(tǒng)狀態(tài)估計的k+1時刻系統(tǒng)狀態(tài)的一步預測，X⁽ⁱ⁾(k+1|k)＝f[k,X⁽ⁱ⁾(k|k)] (7)

③利用公式(8)(9)計算系統(tǒng)狀態(tài)量的一步預測及協(xié)方差矩陣，

是基于k時刻系統(tǒng)狀態(tài)估計的k+1時刻的預測狀態(tài)向量，w⁽ⁱ⁾是i時刻系統(tǒng)狀態(tài)對應的權(quán)值，

$\hat{X}(k+1|k)=\underset{i=0}{\overset{2n}{\Σ}}{w}^{\left(i\right)}{X}^{\left(i\right)}(k+1|k)---\left(8\right)$

P(k+1|k)是基于k時刻系統(tǒng)狀態(tài)估計的k+1時刻的計算方差，Q為系統(tǒng)噪聲的協(xié)方差陣，

$P(k+1|k)=\underset{i=0}{\overset{2n}{\Σ}}{w}^{\left(i\right)}\[\hat{X}(k+1|k)-X^{\left(i\right)}(k+1|k)\]{\[\hat{X}(k+1|k)-X^{\left(i\right)}(k+1|k)\]}^T+Q---\left(9\right)$

④根據(jù)一步預測值再次進行UT變換，產(chǎn)生新的sigma點集，

⑤將步驟④預測的sigma點集代入觀測方程，得到預測的觀測量，如公式(10)所示，

Z⁽ⁱ⁾(k+1|k)是基于k時刻估計的k+1時刻的預測的觀測量，h是非線性觀測方程函數(shù)，

Z⁽ⁱ⁾(k+1|k)＝h[X⁽ⁱ⁾(k+1|k)] (10)

⑥由步驟⑤得到sigma點集的觀測預測值，通過加權(quán)求和得到系統(tǒng)預測的均值和協(xié)方差，如公式(11)(12)(13)所示，

是基于k時刻估計的k+1時刻的預測的觀測量均值，是基于k時刻觀測量的計算方差，R是觀測噪聲的協(xié)方差陣，

$\stackrel{\‾}{Z}(k+1|k)=\underset{i=0}{\overset{2n}{\Σ}}{w}^{\left(i\right)}{Z}^{\left(i\right)}(k+1|k)---\left(11\right)$

$P_{z_k{z}_k}=\underset{i=0}{\overset{2n}{\Σ}}\[Z^{\left(i\right)}(k+1|k)-\stackrel{\‾}{Z}(k+1|k)\]{\[Z^{\left(i\right)}(k+1|k)-\stackrel{\‾}{Z}(k+1|k)\]}^T+R---\left(12\right)$

$P_{x_k{z}_k}=\underset{i=0}{\overset{2n}{\Σ}}{w}^{\left(i\right)}\[X^{\left(i\right)}(k+1|k)-\stackrel{\‾}{Z}(k+1|k)\]{\[Z^{\left(i\right)}(k+1|k)-\stackrel{\‾}{Z}(k+1|k)\]}^T---\left(13\right)$

⑦利用公式(14)計算Kalman增益矩陣，

K(k+1)是k+1時刻的卡爾曼增益矩陣，

$K(k+1)=P_{x_k{z}_k}{P}_{z_k{z}_k}^{-1}---\left(14\right)$

⑧計算系統(tǒng)的狀態(tài)更新和協(xié)方差更新，如公式(15)(16)所示，

是基于k+1時刻估計的k+1時刻的預測的系統(tǒng)狀態(tài)，P(k+1|k)是基于k+1時刻系統(tǒng)狀態(tài)估計的k+1時刻的計算方差，

$\hat{X}(k+1|k+1)=\hat{X}(k+1|k)+K(k+1)\[Z(k+1)-\hat{Z}(k+1|k)\]---\left(15\right)$

$P(k+1|k+1)=P(k+1|k)-K(k+1)P_{z_k{z}_k}{K}^T(k+1)---\left(16\right).$

5.根據(jù)權(quán)利要求1所述的用于人機互動的基于激光傳感器深度攝像頭系統(tǒng)數(shù)據(jù)處理方法，其特征在于：所述聚類濾波采用Mean shift聚類算法進行，聚類后保留紅外筆發(fā)出的紅外線的深度圖像點，過濾掉其它的噪聲點。