[发明专利]一种基于神经网络与卡尔曼滤波的人体姿态估计方法

权利要求书

1.一种基于神经网络与卡尔曼滤波的人体姿态估计方法，其特征在于，

包括：

步骤1)获取三维人体关节点的位置数据，人工标记后作为训练样本，建立并训练BP神经网络模型，得到状态转移函数fⁱ(xⁱ)，i∈[1,N]，N为人体关节点数量，xⁱ为第i个人体关节点当前状态，建立各个人体关节点的运动模型和量测模型；

步骤2)设定人体姿态各关节点的初始状态及其协方差，分别记为和

步骤3)根据状态转移函数fⁱ(xⁱ)和第k-1时刻第i个人体关节点位置，分别计算得到k时刻各个人体关节点位置的先验预测值及其协方差步骤4)根据扩展卡尔曼滤波状态方程计算人体关节点位置量测值的先验残差及先验协方差

步骤5)读取第k时刻各个人体关节点的视觉传感器测量值，代入量测模型获得各个人体关节点的量测位置，根据扩展卡尔曼滤波状态方程分别计算人体关节点位置量测值的后验残差及后验协方差

步骤6)根据所得的先验残差先验协方差后验残差及后验协方差分别计算马氏距离的平方和若则剔除视觉传感器测量值，并以先验预测值作为第k时刻第i个人体关节点位置的估计值，返回步骤5)，若则计算自适应因子并更新后验协方差进入步骤7)，若则直接进入步骤7)，其中，和为对于给定显著性水平和下，服从自由度为3的卡方分布的置信界，且满足

步骤7)根据先验残差及先验协方差计算第k时刻各个人体关节点的卡尔曼滤波增益位置估计值和更新状态的协方差矩阵由位置估计值获得人体姿态的估计；步骤8)重复步骤3)至步骤7)持续获得人体姿态估计结果。

2.根据权利要求1所述的一种基于神经网络与卡尔曼滤波的人体姿态估计方法，其特征在于，所述BP神经网络模型包括输入层、隐含层和输出层，输入层、隐含层和输出层的节点数分别为p、n和m，输入向量为x＝(x₁,x₁,…,x_p)^T，隐含层z＝(z₁,z₂,…,z_n)^T每个神经元的输出为：其中j∈[1,n]，j为隐含层神经元下标，σ_j()函数表示第j个隐含层神经元的激活函数，和α_0j分别为隐含层和输入层之间的连接权重向量和偏差，输出层y＝(y₁,y₁,…,y_m)^T，输出层的每个神经元的输出为：其中k∈[1,n]，k为输出层神经元下标，g_j()函数表示第k个输出层神经元的激活函数，和β_0k分别为输出层和隐含层之间的连接权重向量和偏差，所述BP神经网络模型的误差函数为：其中，E为全局误差，E_s为第s个样本的误差。

3.根据权利要求2所述的一种基于神经网络与卡尔曼滤波的人体姿态估计方法，其特征在于，步骤1)中训练BP神经网络模型时，计算全局误差E对每个神经元的权重的偏微分，设置梯度函数，以偏微分代入梯度函数所得结果作为神经元权重的调整的梯度，不断调整每个神经元的权重，直到全局误差E小于预设精度值。

4.根据权利要求1至3任一项所述的一种基于神经网络与卡尔曼滤波的人体姿态估计方法，其特征在于，

步骤1)中建立的运动模型为：

其中，k为离散时间序列，为第k时刻第i个人体关节点的位置，和分别对应世界坐标系O-X_WY_WZ_W下，X_W、Y_W和Z_W轴上的坐标值，fⁱ()为神经网络拟合的第i个人体关节点的状态转移函数，为零均值且协方差为的高斯白噪声。