基于多传感器融合算法的姿态识别与位置追踪模块的制作方法

1.本发明涉及姿态识别技术领域，具体为基于多传感器融合算法的姿态识别与位置追踪模块。


背景技术：

2.国家政策支持并提倡使用科技产品为全民健身服务，同时随着4g/5g网络的普及和ai技术的成熟，智能健身市场规模迅速崛起用户规模达到1.65亿，其中80后和90后是主力军，高收入人群更青睐通过智能设备运动健身。
3.然而现有对运动健身的硬件支持大都为智能手机，通过智能手机中的app与手机中的采集模块实现对运动数据的采集，功能单一、缺乏互动、不能满足用户核心价值诉求，都是简单的计数以及卡路里计算，很难满足用户通过运动减压、燃脂、瘦身、塑形等多样化健身的需求，同时用户对于专业的教练指导来纠正健身姿势以及训练计划是一个极大的刚需，但是专业1对1指导价格昂贵还必须到健身房。


技术实现要素：

4.本发明的目的在于提供基于多传感器融合算法的姿态识别与位置追踪模块，以解决上述背景技术中提出的功能单一、缺乏互动、不能满足用户核心价值诉求的问题。
5.为实现上述目的，本发明提供如下技术方案：基于多传感器融合算法的姿态识别与位置追踪模块，包括信息采集单元与处理单元，所述信息采集单元与处理单元连接，所述信息采集单元包括：图像采集模块，用于对区域中的图像信息进行采集；数据采集模块，用于对运动数据进行采集；gps模块，用于对位置数据进行采集；所述处理单元包括：姿态识别模块，采用九轴融合算法用于对区域内的物体进行姿态识别；位置识别模块，用于对区域内的物体的位置进行识别与位移追踪。
6.优选的，所述位置识别模块包括：特征点识别模块，采用侧抑制抑制相似色块的输出，通过色差更大的卷积输出了更大的值，用于识别具有特征的区域；目标追踪模块，用于选取特征点识别模块识别的特征区域并进行位移追踪；定位计算模块，用于根据特征点识别模块所识别的特征区域、目标追踪模块位移追踪的特征区域对特征区域的位置进行计算。
7.优选的，所述图像采集模块为单目摄像头，所述数据采集模块包括陀螺仪、地磁计与加速计。
8.优选的，所述定位计算模块包括视差定位与反向定位，所述视差定位的确定方法包括以下步骤：
9.步骤1：由加速计已知点ct与点ct+1之间的相对坐标；
10.步骤2：已知点ct、点ct+1相对水平方面的角α、角β度数；
11.步骤3：解得点a与点ct、点ct+1之间的相对坐标；
12.步骤4：设ct0为原点，则可计算其他点绝对坐标。
13.优选的，所述反向定位的确定方法包括以下步骤：
14.步骤a：已知点a、点b坐标；
15.步骤b：已知点a、b相对水平方面的角α、角β度数；
16.步骤c：解得点c坐标，即定位计算模块的坐标。
17.优选的，所述a点坐标误差为时间t与t+1之间加速计的误差，因此通过a点坐标反向求模块坐标时，加速计所产生的误差不会基于时间累加，且通过多次迭代求a点坐标可降低a点坐标的误差。
18.优选的，所述目标追踪模块与特征点识别模块均通过卷积神经网络进行特征提取。
19.与现有技术相比，本发明的有益效果是：
20.本发明能够对物体进行更精准的姿态识别与位移追踪，不仅仅能够应用于健身市场，同时可以广泛应用于诸如无人机、航空航天、导弹发射、vr、电影拍摄特效的动作捕捉等各大领域，能够很好的满足用户的核心价值诉求。
附图说明
21.图1为本发明系统逻辑框图；
22.图2为本发明信息采集单元逻辑框图；
23.图3为本发明处理单元逻辑框图；
24.图4为本发明位置识别模块逻辑框图；
25.图5为本发明特征点识别模块流程示意图；
26.图6为本发明系统流程示意图；
27.图7为本发明九轴融合算法迭代流程图；
28.图8为本发明简化后的t+1时刻融合t时刻数据与传感器观测数据过程示意图；
29.图9为本发明视差定位方法示意图；
30.图10为本发明反向定位方法示意图；
31.图11为本发明侧抑制方法示意图；
32.图12为本发明卷积神经网络逻辑框图。
33.图中：1、信息采集单元；2、处理单元；3、图像采集模块；4、gps模块；5、数据采集模块；6、姿态识别模块；7、位置识别模块；8、特征点识别模块；9、目标追踪模块；10、定位计算模块。
具体实施方式
34.下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
35.在本发明的描述中，需要理解的是，术语“上”、“下”、“前”、“后”、“左”、“右”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以
特定的方位构造和操作，因此不能理解为对本发明的限制。
36.实施例：
37.请参阅图1-12，本发明提供一种技术方案：基于多传感器融合算法的姿态识别与位置追踪模块，包括信息采集单元1与处理单元2，所述信息采集单元1与处理单元2连接，所述信息采集单元1包括：图像采集模块3，用于对区域中的图像信息进行采集；数据采集模块5，用于对运动数据进行采集；gps模块4，用于对位置数据进行采集；所述处理单元2包括：姿态识别模块6，采用九轴融合算法用于对区域内的物体进行姿态识别(九轴融合算法的迭代过程如图7所示)，融合数据的过程如图8所示，其中图8中加速计(acc)：无外力时指示重力加速度的向量，陀螺仪(gyr)：三轴旋转速度，地磁计(mag)：指向环境磁场磁极的向量，姿态(qua)：四元数代表的姿态；位置识别模块7，用于对区域内的物体的位置进行识别与位移追踪。
38.所述位置识别模块7包括：特征点识别模块8，如图11所示，采用侧抑制抑制相似色块的输出，如图11中a卷积部分，通过色差更大的卷积输出了更大的值，用于识别具有特征的区域，如图11中b卷积中的特征区域；目标追踪模块9，用于选取特征点识别模块8识别的特征区域并进行位移追踪；定位计算模块10，用于根据特征点识别模块8所识别的特征区域、目标追踪模块9位移追踪的特征区域对特征区域的位置进行计算，所述图像采集模块3为单目摄像头，所述数据采集模块5包括陀螺仪、地磁计与加速计。
39.所述定位计算模块10包括视差定位与反向定位，如图9所示，所述视差定位的确定方法包括以下步骤：
40.步骤1：由加速计已知点ct与点ct+1之间的相对坐标；
41.步骤2：已知点ct、点ct+1相对水平方面的角α、角β度数；
42.步骤3：解得点a与点ct、点ct+1之间的相对坐标；
43.步骤4：设ct0为原点，则可计算其他点绝对坐标。
44.如图10所示，所述反向定位的确定方法包括以下步骤：
45.步骤a：已知点a、点b坐标；
46.步骤b：已知点a、b相对水平方面的角α、角β度数；
47.步骤c：解得点c坐标，即定位计算10模块的坐标。
48.所述a点坐标误差为时间t与t+1之间加速计的误差，因此通过a点坐标反向求模块坐标时，加速计所产生的误差不会基于时间累加，且通过多次迭代求a点坐标可降低a点坐标的误差。
49.如图12所示，所述目标追踪模块9与特征点识别模块8均通过卷积神经网络进行特征提取，卷积神经网络起到的作用是特征提取，目标追踪过程中不需要进行额外训练/更新网络，使用较少的计算资源，其中cnn为共享卷积层权值，由于全卷积的特性，共享权值的卷积层依然可以适应不同尺寸的图片(样本与带搜索图片)输入，在样本特征与待搜索图片特征中，相对原样本与待搜索图片，特征数据维度较高，数据量较少。
50.同时本发明能够应用于对人脸特征点进行追踪，并使用这些被追踪的特征点数据控制2d角色面部表情、动作，相比原有的人脸特征点检测模型，采用目标追踪模型优化过的模型节省了重复识别占用的计算资源，并降低了前后帧特征点识别位置不准确导致的抖动。
51.以上显示和描述了本发明的基本原理和主要特征和本发明的优点,对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明；因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内，不应将权利要求中的任何附图标记视为限制所涉及的权利要求。
52.尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。