[發明專利]一種基于神經網絡與卡爾曼濾波的人體姿態估計方法

在審

• 申請號: 202210647342.7
• 申請日: 2022-06-08
• 公開（公告）號: CN114973417A
• 公開（公告）日: 2022-08-30
• 發明（設計）人: 毛城;徐杰威;楊旭升
• 申請（專利權）人: 浙江工業大學
• 主分類號: G06V40/20
• 分類號: G06V40/20;G06V10/82;G06N3/04;G06N3/08;G06T7/277
• 代理公司: 浙江千克知識產權代理有限公司 33246
• 代理人: 冷紅梅

1.一種基于神經網絡與卡爾曼濾波的人體姿態估計方法，其特征在于，

包括：

步驟1)獲取三維人體關節點的位置數據，人工標記后作為訓練樣本，建立并訓練BP神經網絡模型，得到狀態轉移函數fⁱ(xⁱ)，i∈[1,N]，N為人體關節點數量，xⁱ為第i個人體關節點當前狀態，建立各個人體關節點的運動模型和量測模型；

步驟2)設定人體姿態各關節點的初始狀態及其協方差，分別記為和

步驟3)根據狀態轉移函數fⁱ(xⁱ)和第k-1時刻第i個人體關節點位置，分別計算得到k時刻各個人體關節點位置的先驗預測值及其協方差步驟4)根據擴展卡爾曼濾波狀態方程計算人體關節點位置量測值的先驗殘差及先驗協方差

步驟5)讀取第k時刻各個人體關節點的視覺傳感器測量值，代入量測模型獲得各個人體關節點的量測位置，根據擴展卡爾曼濾波狀態方程分別計算人體關節點位置量測值的后驗殘差及后驗協方差

步驟6)根據所得的先驗殘差先驗協方差后驗殘差及后驗協方差分別計算馬氏距離的平方和若則剔除視覺傳感器測量值，并以先驗預測值作為第k時刻第i個人體關節點位置的估計值，返回步驟5)，若則計算自適應因子并更新后驗協方差進入步驟7)，若則直接進入步驟7)，其中，和為對于給定顯著性水平和下，服從自由度為3的卡方分布的置信界，且滿足

步驟7)根據先驗殘差及先驗協方差計算第k時刻各個人體關節點的卡爾曼濾波增益位置估計值和更新狀態的協方差矩陣由位置估計值獲得人體姿態的估計；步驟8)重復步驟3)至步驟7)持續獲得人體姿態估計結果。

2.根據權利要求1所述的一種基于神經網絡與卡爾曼濾波的人體姿態估計方法，其特征在于，所述BP神經網絡模型包括輸入層、隱含層和輸出層，輸入層、隱含層和輸出層的節點數分別為p、n和m，輸入向量為x＝(x₁,x₁,…,x_p)^T，隱含層z＝(z₁,z₂,…,z_n)^T每個神經元的輸出為：其中j∈[1,n]，j為隱含層神經元下標，σ_j()函數表示第j個隱含層神經元的激活函數，和α_0j分別為隱含層和輸入層之間的連接權重向量和偏差，輸出層y＝(y₁,y₁,…,y_m)^T，輸出層的每個神經元的輸出為：其中k∈[1,n]，k為輸出層神經元下標，g_j()函數表示第k個輸出層神經元的激活函數，和β_0k分別為輸出層和隱含層之間的連接權重向量和偏差，所述BP神經網絡模型的誤差函數為：其中，E為全局誤差，E_s為第s個樣本的誤差。

3.根據權利要求2所述的一種基于神經網絡與卡爾曼濾波的人體姿態估計方法，其特征在于，步驟1)中訓練BP神經網絡模型時，計算全局誤差E對每個神經元的權重的偏微分，設置梯度函數，以偏微分代入梯度函數所得結果作為神經元權重的調整的梯度，不斷調整每個神經元的權重，直到全局誤差E小于預設精度值。

4.根據權利要求1至3任一項所述的一種基于神經網絡與卡爾曼濾波的人體姿態估計方法，其特征在于，

步驟1)中建立的運動模型為：

其中，k為離散時間序列，為第k時刻第i個人體關節點的位置，和分別對應世界坐標系O-X_WY_WZ_W下，X_W、Y_W和Z_W軸上的坐標值，fⁱ()為神經網絡擬合的第i個人體關節點的狀態轉移函數，為零均值且協方差為的高斯白噪聲。