一种基于视觉信息的人体姿态跟踪方法
【专利摘要】本发明涉及一种基于视觉信息的人体姿态跟踪方法。其技术方案是：在训练阶段，根据训练数据中的真实三维人体姿态时序数据，采用高斯潜变量模型算法对人体姿态进行学习，得到人体姿态运动先验模型。在跟踪测试阶段，输入待测试的视频数据和视频数据中首帧三维人体姿态，利用在训练阶段学习到的人体姿态运动先验模型构建潜变量运动模型，使用潜变量运动模型来实现免疫粒子滤波算法中粒子更新步骤。本发明具有实用性强、准确性高和效率较高的特点。
【专利说明】一种基于视觉信息的人体姿态跟踪方法
【技术领域】
[0001]本发明属于计算机视觉【技术领域】。具体涉及一种基于视觉信息的人体姿态跟踪方法。
【背景技术】
[0002]人体姿态跟踪问题可以描述为:根据监控环境中采集到的视频序列和首帧真实姿态，估计每帧图像中受控人物的全身姿态，要求估计出的姿态向量包含人体全身所有关节点的三维位置坐标。人体运动姿态跟踪在智能监控、视频标记、图像压缩、电影动画制作、游戏、人机交互、体育运动分析、虚拟现实等领域都有着广泛的应用。
[0003]目前大多数人体运动姿态跟踪都是基于粒子滤波的框架，对于人体运动跟踪这样的高维状态估计问题，使样本集近似于状态密度是不现实的。所以为了实现有效地跟踪，所有粒子必须集中在状态空间最有可能的位置。目前主要有5种方法可以达到这个目标:建立精确的运动模型，重要性采样，分区采样，与确定性算法结合，与最优化算法结合。
[0004]建立精确的运动模型不仅可以提高算法的稳定性和实时性，而且可以将所有样本集中在状态空间最有可能的位置，进而提高跟踪的准确度。一般粒子滤波算法特别是用于人体姿态跟踪的算法，比如免疫粒子滤波，它们的运动模型都是一阶线性的；由于人体姿态原始空间维数太高，在此高维空间中建立的运动模型的方法计算量大，很难达到跟踪中的实时性要求。
【发明内容】
[0005]本发明旨在克服上述技术缺陷，目的是提供一种实用性强、准确性高和实时性好的基于视觉信息的人体姿态跟踪方法。
[0006]为实现上述发明目的，本发明采用的技术方案的具体步骤是:
[0007]第一步、确定人体运动先验模型
[0008]根据待测试视频中人体运动类型，查找是否已建立相关的人体运动先验模型存在；如果已建立相关的人体运动先验模型，执行第三步；如未建立相关的人体运动先验模型，则进行第二步。
[0009]第二步、训练人体运动先验模型
[0010]训练数据Ψ由K帧人体真实姿态数据组成，训练数据Ψ为
[0011]ψ = (Xi Ii e [I1KJ1Xi e xD} (I)
[0012]式⑴中=Xi表示第i帧人体姿态，Xi由人体所有关节点坐标组合而成；
[0013]D为人体姿态原始空间维度；
[0014]Xd表示人体姿态原始空间。
[0015]先采用高斯过程潜变量模型算法对训练数据Ψ进行学习，得到人体姿态潜空间Xe和训练数据Ψ在人体姿态潜空间xE中的映射变量集合Λ
[0016]Δ = (Xi I i e [I, K], Xi e χΕ}(2)[0017]式⑵中:Xi表示训练数据Ψ中的第i帧人体姿态Xi在人体姿态潜空间Xe中的映射；
[0018]E表示人体姿态潜空间xE的维度，E << D。
[0019]然后根据所述映射变量集合Λ建立一阶线性运动模型Xt
[0020]xt = Xt-!+ω ⑶
[0021]式(3)中:ω表示扰动量，ω服从均值为零的正态分布，正态分布方差是经验值，通过实验确定。
[0022]第三步、测试人体姿态跟踪
[0023]第3.1步:根据待测试数据的第一帧人体真实姿态初始化粒子集，生成粒子集合St
[0024]
【权利要求】
1.一种基于视觉信息的人体姿态跟踪方法，其特征在于该方法的具体步骤为: 第一步、确定人体运动先验模型 根据待测试视频中人体运动类型，查找是否已建立相关的人体运动先验模型存在；如果已建立相关的人体运动先验模型，执行第三步；如未建立相关的人体运动先验模型，则进行第二步； 第二步、训练人体运动先验模型 训练数据Ψ由K帧人体真实姿态数据组成，训练数据Ψ为 Ψ = (XiIi e [I1KJ1Xi e XdI(I) 式(I)中=Xi表示第i帧人体姿态，Xi由人体所有关节点坐标组合而成， D为人体姿态原始空间维度， Xd表示人体姿态原始空间； 先采用高斯过程潜变量模型算法对训练数据Ψ进行学习，得到人体姿态潜空间Xe和训练数据Ψ在人体姿态潜空间Xe中的映射变量集合△Δ = (Xi I i e [I, K], Xi e χΕ}(2) 式(2)中:Xi表示训练数据Ψ中的第i帧人体姿态Xi在人体姿态潜空间xE中的映射， E表示人体姿态潜空间xE的维度，E << D ； 然后根据所述映射变量集合△建立一阶线性运动模型Xt Xt = Xt-1+ ω(3) 式(3)中:ω表示扰动量，ω服从均值为零的正态分布，正态分布方差是经验值，通过实验确定； 第三步、测试人体姿态跟踪 第3.1步:根据待测试数据的第一帧人体真实姿态初始化粒子集，生成粒子集合St
(4) 式⑷中:N表示粒子数目， st，n表示第η个粒子，
St,n = {Xt,n，Wt, } (5) 式(5)中:Xt，n表示粒子状态变量，Xt；n为对t时刻人体姿态的一个假设，Xt；n e Xd, Wt；n表示粒子权值，wt；n为第t帧图像和粒子状态变量Xt，n的匹配程度； 第3.2步:更新本帧粒子状态变量集合{Xt1n}N1，记本帧为t时刻 粒子状态变量Xt，n预测:先将第η个粒子状态变量Xt_1;n映射到人体姿态潜空间xE得到潜变量Xt-U，再根据第二步得到的一阶线性运动模型Xt = Xm+ω和第t-Ι时刻潜变量xt_i，n，估计第t时刻的潜变量xt，n，然后将潜变量xt，n映射回人体姿态原始空间Xd，得到更新后的第n个粒子状态变量Xt，n ； 姿态正确性检查:如果进行粒子状态变量预测后得到的粒子状态变量Xt，n对应非正常人体姿态，则重复上述粒子状态变量Xt，n预测过程，直至得到一个粒子状态变量Xt，n对应正常人体姿态； 按照上述粒子状态变量预测和姿态正确性检查的方法，对粒子集合中每个粒子状态变量X”进行更新，得到更新后的粒子状态变量集合
2.根据权利要求1所述基于视觉信息的人体姿态跟踪方法，其特征在于所述待测试数据为人体运动的视频和该视频第一帧对应的人体真实姿态。
【文档编号】G06K9/66GK103839280SQ201410110081
【公开日】2014年6月4日 申请日期:2014年3月21日 优先权日:2014年3月21日
【发明者】蒋旻, 董珂, 雷泽, 姚世杰 申请人:武汉科技大学