[发明专利]基于随机高斯隐变量的人体运动跟踪方法

摘要

本发明公开了一种基于随机高斯隐变量的人体运动跟踪方法，主要解决现有技术的人体运动跟踪结果不准确和不稳定的问题。其实现过程为，首先预处理视频图像，获得原始关节点三维坐标矩阵Y；根据获得的三维坐标矩阵Y构建高斯隐变量模型；使用随机梯度下降方法求解高斯隐变量中隐空间X和核超参数β；使用迭代法，结合K-mean聚类和局部保留映射LPP，更新隐空间X和核超参数β；经过5000次迭代获得最终隐空间X和核超参数β，进而获得高斯隐变量模型，使用学习得到的高斯隐变量模型，以获得的隐空间X为输入，估计出运动人体的三维姿态数据。本发明较之现有的人体跟踪方法可以避免陷入局部最优，可用于运动捕获，人机交互，视频监控，人体目标识别和三维姿势恢复。

主权项

1.一种基于随机高斯隐变量的人体运动跟踪方法，包括如下步骤：(1)从原始的视频图像中获得人体关节点的三维坐标矩阵Y；(2)根据三维坐标矩阵Y构建高斯隐变量模型：2a)将人体关节点的三维坐标矩阵Y代入高斯公式：p(Y|X,β)=1(2π)ND|K|Dexp(-12tr(K-1YYT)),]]>其中，X为待求解的隐变量，K为径向基RBF核矩阵，β为K矩阵的超参数，D为三维坐标矩阵Y的维数，N为隐变量X的维数，|·|表示矩阵的模，tr(·)表示矩阵的迹，(·)^T表示矩阵的转秩，(·)^-1表示矩阵求逆，求解隐变量X和K矩阵的超参数β即可获得完整的高斯隐变量模型；2b)通过最大似然估计法求解隐空间X和径向基RBF核矩阵的超参数β，对步骤2a)中公式两边做对数运算，得到负对数似然度函数ζ：ζ=-lnp(Y|X,β)=-D·N2ln2π-D2ln|K|-12tr(K-1YYT);]]>(3)使用随机梯度下降算法求解负对数似然度函数ζ，获得隐空间X和超参数β：3a)随机初始化隐空间X，对X用K-means的方法进行聚类，选择离聚类中心最近的隐空间点作为初始参考点x₀，同时赋给β一个随机初始值，其中x₀∈X；3b)对步骤3a)中获得的初始参考点x₀求出其在隐空间X内的R个近邻点，选取初始参考点x₀的R个近邻作为计算ζ的近邻空间X_R，其中，R＝50；3c)在X_R中计算ζ关于X和核矩阵超参数β的偏导数：∂ζ∂X≈-(KR-1·YR·YRT·KR-1-D·KR-1)·∂KR∂XR,]]>∂ζ∂β≈-(KR-1·YR·YRT·KR-1-D·KR-1)·∂KR∂βR,]]>其中，K_R是在近邻空间X_R中的径向基RBF核矩阵，β_R为核矩阵K_R的超参数，Y_R是与近邻空间X_R对应的三维姿态关节点坐标矩阵，(·)^T表示矩阵的转置，(·)^-1表示矩阵求逆，当两个偏导数等于零时获得初始化后的隐空间X和超参数β；(4)迭代更新隐空间X和核超参数β：4a)获得隐空间X和核超参数β后，将隐空间X用局部保留映射LPP的方法投影到空间X′中，并在空间X′中随机选取参考点x_r，计算参考点x_r的R个近邻，得到参考点x_r在空间X′中的近邻空间X′_R；4b)将参考点x_r在空间X′中的近邻空间X′_R投影回隐空间X，得到参考点x_r在隐空间X中的近邻空间X_R；4c)在步骤4b)获得近邻空间X_R后，按步骤3c)在X_R中计算ζ关于X的偏导数和ζ关于核矩阵超参数β的偏导数获得此次迭代后的隐空间X和核矩阵超参数β；4d)重复步骤4a)至4c)，使用迭代法更新隐空间X和核矩阵超参数β；(5)在迭代5000次以后，获得最终的隐空间X和核超参数β，得到高斯隐变量模型，使用学习得到的高斯隐变量模型，以获得的隐空间X为输入，估计出运动人体的三维姿态数据通过下式实现：y^t=M+YTK-1k(xt,X),]]>其中，Y为视频图像中人体关节点的三维坐标矩阵，M是Y的均值，X为学习得到的隐空间，x_t为在隐空间X中对应的点，K为径向基RBF核矩阵，k(x_t，X)是核函数，(·)^T表示矩阵的转置，(·)^-1表示矩阵求逆。