基于并行计算的三维人体运动粒子滤波跟踪算法
【技术领域】
[0001] 本发明涉及一种算法，具体地讲，是涉及一种基于并行计算的三维人体运动粒子 滤波跟踪算法。
【背景技术】
[0002] 目前，对运动人体关节点运动的跟踪主要有三种方法：
[0003] (1)采用有标记的运动捕捉设备或深度摄像机，前者需要采用专用设备，而且不是 非接触式的，对使用者的活动会照成妨碍，只能由专业的制作公司，在专门的环境下采集运 动数据，而两种设备的价格都很昂贵；
[0004] (2) KALMAN跟踪访法，该方法是一种基于概率的跟踪方法，前提条件是感兴趣的跟 踪区域的密度分布都是高斯模型，并且该方法的有效运行需要两个条件：一是信号系统是 线性动态系统，二是随机噪声是高斯模型分布，这两个条件对于人体运动跟踪来说，在现实 的物理世界是很难满足的，所以该方法的跟踪精度远远达不到要求；
[0005] (3)粒子滤波跟踪方法，该方法是一种近似的求解方法，可以解决跟踪中的非线 性动态特性，粒子滤波方法是通过随机模拟和统计试验来求解数学、物理等领域中的近似 解的数值方法。粒子滤波虽然具有描述非线性系统和处理高维空间的能力，但该方法的 最大缺点是运算量很大：为了获取跟踪精度，需要提取大量的样本，比如一个10维的变 量，若每个状态取20个离散值，设样本的熵Η = 5,则所需的样本个数为：（20) 1(V(20)H = 3, 200, 000,这个数字已经相当巨大，而对于实际的三维人体的关节点的跟踪，维数高达20 维，而且累计的自由度远大于20,所以样本数量是相当惊人的，现有的经典的粒子滤波跟踪 算法虽然能实现三维人体运动的跟踪，但因为运算量巨大，所以实时性远远达不到要求。
【发明内容】
[0006] 本发明的目的在于克服上述缺陷，提供一种实现方便，跟踪的时间效率高，实现了 实时和快速跟踪的基于并行计算的三维人体运动粒子滤波跟踪算法。
[0007] 为了实现上述目的，本发明采用的技术方案如下：
[0008] -种基于并行计算的三维人体运动粒子滤波跟踪算法，包括以下步骤：
[0009] (1)预处理：通过摄像机从人体顶部和正面采集视频数据，对输入的顶部视角和 正面视角的视频数据进行同步处理，建立三维人体骨架模型，并对摄像机进行标定，得到视 频中各角度的投影坐标与世界坐标之间的映射关系；
[0010] (2)从顶部和正面两个角度的视频数据中提取人体图像特征作为粒子滤波的观测 值；
[0011] (3)根据三维模型和摄像机标定，获取模型图像，利用模型图像与特征观测值的差 异建立联合观测似然模型，利用并行粒子滤波算法实现对三维人体的实时跟踪。
[0012] 进一步的，所述人体图像特征包括：外部轮廓、人体灰度以及颜色。
[0013] 具体的说，所述步骤（3)中联合观测似然模型如下：
[0015] 其中，是联合观测系数，Ρ!(χ)、P2(x)、P3(x)分另lj是灰度、颜色、人体轮廓的 单独观测似然函数。
[0016] 再进一步的，所述步骤（3)中并行粒子滤波算法的执行步骤如下：并行程序初始 化进程进行任务分配，包括有：
[0017] 进程P。，进行后验概率的计算；
[0018] 进程Pi，进行三维运动人体观测值的提取；
[0019] 进程P2~PN2，对各自分配的一定数量的粒子进行单独计算；
[0020] 进程P。向进程Pi发出观测值采集命令，进程Pi将采集的观测值传送至进程V·· PN 2，进程匕…PN 2接收进程Pi采集到的观测值后，进行计算并将计算结果传送给进程匕，进 程Pc接收计算结果并计算目标参数新的状态预测值。
[0021] 并行粒子滤波算法的具体执行流程如下：
[0022] (1)进程P。向进程Pi发出观测值采集命令；
[0023] (2)接受进程P。的观测值采集指令，采集人体的轮廓、颜色、灰度的观测值\，并将 采集的观测值传送至进程匕…P N 2 ;
[0024] (3)进程Ρ2···ΡΝ 2接收进程P1采集到的观测值，
新的本进程中每个粒子新的权值，以及按照系统的状态转移方程Xn = f (Xn i，un i，）预测每 个粒子的状态预测值值；
[0025] (4)进程P2~PN 2将本进程计算的粒子权值和粒子状态预测值的计算结果传送给 进程P。；
[0026] (5)进程P。接收进程P2~PN 2计算的各自分配到的粒子集的权值
和状态预测值:，然后根据公式 计算目标参数新的状 1 k 态预测值；
[0027] (6)循环执行步骤⑴至（5)，直至跟踪结束；
[0028] 其中，为上一时刻的粒子权值，从初始值迭代计算而来，初始值为1，4为当 前时刻粒子观测权值；x n指系统在时刻η的状态，un i是系统的过程噪声，vn是系统的观测 噪声^"^^^一是有界非线性映射函数。
[0029] 所述系统的状态转移方程为一阶ARP方程，具体如下：
[0030] 所取一阶ARP方程为：Xt = AXt i+Bwt i，其中,Α, B为常数矩阵，wt i为[-1，1]中的 随机数，Xt为人体模型的运动参数。
[0031] 与现有技术相比，本发明具有以下有益效果：
[0032] 本发明利用并行机群建立的并行计算环境，实现对三维人体进行粒子滤波框架下 的跟踪，可以将计算时间提高一个数量级，从而有效地克服了现有的经典的粒子滤波跟踪 算法的缺陷，实现了对三维人体运动的实时跟踪，为对人体运动识别提供实时的分析数据。
【附图说明】
[0033] 图1为本发明的系统框图。
[0034] 图2为传统的典型串行粒子滤波的实现流程图。
[0035] 图3为并行粒子滤波算法的实现流程图。
[0036] 图4为本发明的流程示意图。
【具体实施方式】
[0037] 下面结合附图和实施例对本发明作进一步说明，本发明的实施方式包括但不限于 下列实施例。
[0038] 实施例
[0039] 本实施例提供了一种基于并行计算的三维人体运动粒子滤波跟踪算法，如图1所 示，其主要包括以下步骤：（1)预处理：通过摄像机从人体顶部和正面采集视频数据，对输 入的顶部视角和正面视角的视频数据进行同步处理，建立三维人体骨架模型，并对摄像机 进行标定，得到视频中各角度的投影坐标与世界坐标之间的映射关系；（2)从顶部和正面 两个角度的视频数据中提取人体图像特征作为粒子滤波的观测值；（3)根据三维模型和摄 像机标定，获取模型图像，利用模型图像与特征观测值的差异建立联合观测似然模型，利用 并行粒子滤波算法实现对三维人体的实时跟踪。图1中的视频数据1指正面观测角度，视 频数据2指定部观测角度。通过上述方式，将并行计算技术引入粒子滤波跟踪框架中，提高 了跟踪的时间效率，从而实现了实时和快速跟踪。
[0040] 本实施例中，人体图像特征包括：外部轮廓、人体灰度以及颜色（肤色）。基于上 述，本实施例中建立的联合观测似然模型如下：
[0042] 其中，是联合观测系数，Pi (X)、P2(x)、P3 (X)分别是灰度、颜色、人体轮廓 的单独观测似然函数。Pi (X)和P2(x)用公式1进行计算：
[0044] 其中，MAD指目标模版与观测区域图像的最小平均绝对差值函数，其表达式为
[0046] 其中，MXN是模