[发明专利]一种多目标动作捕抓骨骼关键点跟踪方法

权利要求书

1.一种多目标动作捕抓骨骼关键点跟踪方法，其特征在于，包括以下步骤：

S1、通过若干Azure kinect采集目标物的不同角度的深度图像信息，并将得到的深度图像信息转换成三维点云数据，得到不同角度的三维点云数据，其中深度图像信息包括人体的各骨骼关键点；

S2、将不同角度的三维点云数据转换到同一坐标系下，并进行数据融合，得到融合点云数据；

S3、根据预设计算规则对融合点云数据进行处理，得到当前时刻人体各骨骼关键点的位置信息：

S31、在坐标系下，建立目标运动模型，模型系统的状态变量为：

X(k)＝[x(k)，y(k)，z(k)，v_x(k)，v_y(k)，v_z(k)]^T (1)

模型系统的离散状态方程为：

X(k+1)＝φ(k+1，k)X(k)+A(k)U(k) (2)

其中，X(k)为状态变量，x(k)、y(k)、z(k)分别表示x、y、z方向的相对位置，v_x(k)、v_y(k)、v_z(k)分别表示x、y、z方向的相对速度，φ(k+1，k)为状态转移矩阵，A(k)为系统噪声的矩阵，U(k)为由目标加速度引起的系统过程噪声，U(k)＝[u_x(k)，u_y(k)，u_z(k)]^T，T是系统的采样周期；

S32、定义初始平均值和误差协方差P₀，协方差的Cholesky分解因子为S₀，具体计算公式如下：

S₀＝chol(P₀) (7)

其中，x₀为n维度随机变量x的均值，chol表示Cholesky分解函数；

S32、计算sigma样点及sigma样点所对应的权值：

式中，χ_k-1为sigma样点，为初始平均值的权重向量，为误差协方差的权重向量，n为系统状态向量的维度，λ为缩放比例，λ＝α²(n+ki)-n，α为Sigma点分布状态，1×10-4≤α＜1，β为状态分布参数；

S33、时间更新为：

Z_k|k-1＝H(χ_k|k-1) (16)

其中，为k-1采样时刻的第i个sigma样点的一步预测值，Z_k|k-1为k-1采样时刻的观测真值，为k采样时刻观测向量一步预测值，为状态向量的一步预测求逆，qr代表QR分解，cholupdata代表Cholesky一阶更新，都为matlab可执行函数语句；

S34、测量更新为：

其中，为预测-观测协方差，为观测向量误差协方差矩阵平方根预测值，K_k为卡尔曼滤波器增益，为更新后的状态向量；

S35、平滑过程为：

D＝S_k-1φ_k(S_k|k-1)^-1 (27)

S36、用替换以及用S_k-1|k替换S_k-1，重复步骤S32至步骤S34，动态估计当前时刻人体各骨骼关键点的位置信息。

2.根据权利要求1所述的多目标动作捕抓骨骼关键点跟踪方法，其特征在于，在步骤S2中，所述将不同角度的三维点云数据转换到同一坐标系下的步骤包括：

利用张正友标定法对各Azure kinect进行标定，获得各Azure kinect的内参、畸变参数和外参；

基于各Azure kinect的内参、畸变参数和外参，将不同角度的三维点云数据转换到同一坐标系下。

3.根据权利要求1所述的多目标动作捕抓骨骼关键点跟踪方法，其特征在于，人体的骨骼关键点包括左食指骨骼点、左大拇指骨骼点、左手骨骼点、左手腕、左手肘、左肩部、左锁骨、脖子、左臀部、左膝、左脚踝、左脚、盆骨、脊柱-胸、脊柱-腰、左眼、左耳朵、右眼、右耳朵、鼻子、下巴、右大拇指骨骼点、右手骨骼点、右手腕、右手肘、右肩部、右锁骨、脖子、右臀部、右膝、右脚踝、右脚。