多模型人体运动跟踪方法

摘要

本发明公开了一种多模型人体运动跟踪方法，它涉及图像处理技术领域。主要解决现有方法无法很好解决人体运动歧义性、时间复杂度高和单纯增加运动模型无法获得良好三维人体姿态估计的问题。其步骤为：(1)输入人体运动视频图像，获得人体侧影及其边缘、骨架线；(2)检测人体关节点位置；(3)使用岭回归方法训练运动模型；(4)初始化模型集合M1；(5)运行交互式多模型算法，获得人体运动姿态；(6)激活满足激活条件的运动模型，终止满足终止条件的运动模型。本发明具有时间复杂度低，跟踪效果好的优点，具有较高的费效比，可应用于体育训练和动画制作等领域。

主权项

一种多模型人体运动跟踪方法，包括：(1)输入人体视频图像，通过背景差获得人体侧影，提取人体侧影边缘，并对人体侧影进行细化处理；(2)根据处理后的人体视频图像，进行如下关节点检测：2a)使用同心圆模板沿着骨架线搜索，计算落入圆环的边缘点数量，选取数量最多时的圆心作为头节点；2b)选取人体侧影重心为根节点；2c)使用3D人体骨架模型在图像上投影，得到人体躯干上其他关节点位置；2d)使用粒子滤波检测手、肘、肩关节点位置；2e)使用下肢长度检测膝、脚关节点位置；(3)从卡耐基梅隆大学CMU运动捕捉数据库中选取多种运动模式的捕捉数据，采用岭回归方法训练运动模型方程的状态转移矩阵Fi，并计算该运动模型的噪声wk协方差，获得的运动模型集合称为总运动模型集M＝(m1，m2，m3，m4，m5，m6}，其中m1表示僵硬的行走模型，m2表示行走模型，m3表示平衡行走模型，m4表示Jack跳模型，m5表示跳跃模型，m6表示下蹲模型；(4)将总运动模型集中的运动模型方程作为交互式多模型滤波器的状态方程，运行交互式多模型十个周期，计算各模型的模型群概率，选择模型概率最大的三个模型作为初始当前模型集合M1；(5)以k时刻人体关节点作为输入，利用交互式多模型算法，获得人体运动姿态估计，更新运动模型概率和人体运动姿态估计误差协方差；(6)根据人体关节点位置，计算四肢骨架线在图像上投影的角度变化比值，若比值大小满足设定的运动模型激活规则，记此时刻为k0，记当前模型集合为Mo，记激活运动模型Mn，执行以下步骤(7)，否则，输出人体运动姿态估计，执行步骤(5)；(7)将新激活模型的概率初始化为当前模型集合中模型概率的最大值，并归一化模型概率；将预测误差协方差初始化为运动模型自身的噪声协方差，选取运动捕捉数据中与当前模式匹配程度最高的状态作为初始状态，将模型集合Mo和激活运动模型Mn合并为新的当前模型集合Mk；(8)根据新的当前模型，重新执行上述交互式多模型一个周期，若当前模型集合Mk中运动模型的模型概率小于10‑4，则终止该运动模型，输出人体运动姿态估计，并返回执行上述步骤(5)；否则，输出人体运动姿态估计，执行步骤(8)。