專利名稱：一種智能康復(fù)系統(tǒng)及運(yùn)用該系統(tǒng)進(jìn)行肢體運(yùn)動跟蹤的方法
技術(shù)領(lǐng)域：
本發(fā)明屬于計算機(jī)視覺領(lǐng)域，具體涉及智能康復(fù)系統(tǒng)中肢體運(yùn)動跟蹤方法。
背景技術(shù)：
由于偏癱、腦癱和外傷等造成的肢體運(yùn)動障礙，嚴(yán)重影響患者的生活質(zhì)量，給社會 和家庭帶來沉重負(fù)擔(dān)。肢體殘障(肢殘)是指人的四肢殘疾或四肢、軀干麻痹、畸形，導(dǎo)致 人體運(yùn)動系統(tǒng)不同程度的功能喪失或功能障礙。肢殘是殘疾人群的主要組成部分，隨著社 會工業(yè)化的進(jìn)程，肢殘的發(fā)病率逐年升高，已接近或超過殘疾人群的半數(shù)。但是六成多的肢 體殘障患者可以通過系統(tǒng)的康復(fù)治療和功能鍛煉來達(dá)到提高生活質(zhì)量的目的。在肢體殘障 患者的康復(fù)中，采用活動分析法將其某一活動分解成若干個動作成分，對存在的問題進(jìn)行 仔細(xì)研究比較，并給以針對性的訓(xùn)練加以糾正是康復(fù)治療中發(fā)現(xiàn)問題、解決問題所采取的 重要手段。于是輔助患者實(shí)施功能康復(fù)訓(xùn)練的智能系統(tǒng)研究引起了人們的極大興趣。
基于人體運(yùn)動跟蹤的智能康復(fù)系統(tǒng)是近年來計算機(jī)視覺領(lǐng)域和臨床醫(yī)學(xué)領(lǐng)域廣 受關(guān)注的一個研究熱點(diǎn)。其目的是準(zhǔn)確地跟蹤肢體殘障患者的動作并迅速識別和校正其錯 誤動作來輔助患者進(jìn)行康復(fù)訓(xùn)練以獲得最大的功能恢復(fù)可能性。所以，人體運(yùn)動跟蹤是智 能康復(fù)系統(tǒng)中的關(guān)鍵技術(shù)。 在美國、英國等國家，研究者們已經(jīng)展開了大量相關(guān)項(xiàng)目的研究1997年美國國 防高級研究項(xiàng)目署(Defense Advanced Research Projects Agency)設(shè)立了以卡內(nèi)基梅 隆大學(xué)為首、麻省理工學(xué)院等高校參與的視覺監(jiān)控重大項(xiàng)目VSAM(Visual Surveillance And Monitoring)，主要研究用于戰(zhàn)場及普通民用場景進(jìn)行監(jiān)控的自動視頻理解技術(shù)；實(shí)時 三維人體運(yùn)動跟蹤視覺監(jiān)控系統(tǒng)W4不僅能夠定位人和分割出人的身體部分，而且通過建 立外觀模型來實(shí)現(xiàn)多人的跟蹤，并可以檢測人是否攜帶物體等簡單行為；英國的雷丁大學(xué) (University of Reading)已開展了對車輛和行人的跟蹤及其交互作用識別的相關(guān)研究； 麻省理工學(xué)院多媒體實(shí)驗(yàn)室利用特征點(diǎn)和頭部統(tǒng)計模型，在單目視覺的條件下，采用擴(kuò)展 的卡爾曼濾波器的方法(EKF， Extended KalmanFilter)實(shí)時跟蹤人體頭部姿態(tài)；美國賓 夕法尼亞州大學(xué)的三維人體頭部及臉部跟蹤系統(tǒng)，采用有限元素模型實(shí)時跟蹤人的臉部動 作；IBM與Microsoft等公司也正逐步將基于視覺的手勢識別接口應(yīng)用于商業(yè)領(lǐng)域。但是， 上述技術(shù)不能解決大面積膚色干擾問題，特別是當(dāng)手和人臉運(yùn)動軌跡交叉時，導(dǎo)致跟蹤失 敗，因此，不能解決復(fù)雜動態(tài)變化背景下手勢跟蹤問題(如視頻監(jiān)控)。

發(fā)明內(nèi)容
本發(fā)明所要解決的技術(shù)問題是，針對現(xiàn)有智能康復(fù)系統(tǒng)中，人手運(yùn)動跟蹤中出 現(xiàn)的大面積膚色干擾，導(dǎo)致跟蹤失敗的問題進(jìn)行了研究和改進(jìn)。提出了一種利用卡爾曼 Kalman濾波運(yùn)動預(yù)測的方法。在人手運(yùn)動跟蹤的過程中，利用Camshift (連續(xù)自適應(yīng)數(shù)學(xué) 期望移動)跟蹤算法對具有特定顏色的目標(biāo)進(jìn)行跟蹤，輸出跟蹤對象的質(zhì)心位置為測量信 號，采用Kalman濾波算法校正手心位置(即搜索窗口的中心位置)，克服了 Camshift跟蹤算法不能解決大面積膚色干擾問題的缺陷。 本發(fā)明解決上述技術(shù)問題的技術(shù)方案是，設(shè)計一種智能康復(fù)系統(tǒng)，該系統(tǒng)包括攝 像頭、分離器、Camshift跟蹤器、Kalman濾波器、查詢模塊，攝像頭獲取跟蹤對象的視頻信 號，分離器從HSV圖像信號中分離出H分量，建立跟蹤對象的顏色分布直方圖；查詢模塊根 據(jù)H分量中H圖像對顏色分布直方圖進(jìn)行查詢，獲取跟蹤對象膚色概率分布圖；Camshift 跟蹤器對跟蹤對象進(jìn)行跟蹤，輸出跟蹤對象的質(zhì)心位置到Kalman濾波器，Kalman濾波器根 據(jù)質(zhì)心位置確定其搜索窗口的位置和大小，根據(jù)搜索窗口設(shè)置計算概率分布的區(qū)域作為狀 態(tài)預(yù)測信息反饋回Camshift跟蹤器，實(shí)施對跟蹤對象下一幀圖像的跟蹤。濾波器收到跟蹤 器獲取的跟蹤對象運(yùn)動狀態(tài)信息，建立跟蹤對象線性系統(tǒng)的狀態(tài)方程和觀測方程，對跟蹤 對象在k時刻的運(yùn)動狀態(tài)進(jìn)行估計，得到一個先驗(yàn)估計值^—，確定增益矩陣Kk使后驗(yàn)估計
值與實(shí)際值的誤差最小，根據(jù)Kk對先驗(yàn)估計值進(jìn)行修正，獲取后驗(yàn)估計值^作為狀態(tài)預(yù)測 信息反饋回跟蹤器對運(yùn)動肢體的下一幀圖像進(jìn)行跟蹤。 本發(fā)明還提出一種應(yīng)用智能康復(fù)系統(tǒng)實(shí)現(xiàn)肢體運(yùn)動的跟蹤方法，具體包括，攝像 頭獲取跟蹤對象的視頻信號，分離器從HSV圖像信號中分離出H分量，建立跟蹤對象的顏色 分布直方圖；查詢模塊根據(jù)H分量中H圖像對顏色分布直方圖進(jìn)行查詢，獲取跟蹤對象膚色 概率分布圖；Camshift跟蹤器對跟蹤對象進(jìn)行跟蹤，輸出跟蹤對象的質(zhì)心位置到Kalman濾 波器，Kalman濾波器根據(jù)質(zhì)心位置確定其搜索窗口的位置和大小，根據(jù)搜索窗口設(shè)置計算 概率分布的區(qū)域作為狀態(tài)預(yù)測信息反饋回Camshift跟蹤器，實(shí)施對跟蹤對象下一幀圖像 的跟蹤。 本發(fā)明將Camshift跟蹤算法和Kalman濾波算法有機(jī)結(jié)合，能克服大面積的膚色 干擾問題，實(shí)現(xiàn)對人手的精確跟蹤，用于家居智能康復(fù)系統(tǒng)中人手的運(yùn)動跟蹤，達(dá)到識別和 校正患者的肢體動作并輔助患者進(jìn)行功能康復(fù)訓(xùn)練的目的。


圖1本發(fā)明采用Camshift算法和Kalman濾波混合的運(yùn)動跟蹤方法示意圖
圖2本發(fā)明中Camshift跟蹤器中跟蹤流程示意圖
具體實(shí)施例方式
Camshift (即連續(xù)自適應(yīng)數(shù)學(xué)期望移動)跟蹤算法(Conti皿ouslyAd即tive Meanshift)是一種基于顏色信息的運(yùn)動目標(biāo)跟蹤方法，可以對具有特定顏色的目標(biāo)進(jìn)行跟 蹤。由于目標(biāo)的顏色特征不受目標(biāo)運(yùn)動形狀的影響，是一種較為穩(wěn)定的特征，因此可以用 來實(shí)現(xiàn)對非剛性物體的跟蹤。以人體的跟蹤為例，由于人體在運(yùn)動時運(yùn)動姿態(tài)的變化使一 些常用的跟蹤方法失效，而人體的顏色直方圖不受人體形狀變化的影響，能夠用來正確的 對人體進(jìn)行跟蹤，當(dāng)目標(biāo)被部分遮擋時仍然能夠正確的跟蹤目標(biāo)。Camshift跟蹤算法是 Meanshift的修改算法，克服了 Meanshift不適合實(shí)時跟蹤的缺點(diǎn)。它計算量小，在一些 典型的環(huán)境約束下(如背景簡單，只包括手和手臂的視頻)，能夠取得很好的跟蹤效果，但 當(dāng)解決復(fù)雜動態(tài)變化背景下手勢跟蹤問題(如視頻監(jiān)控)時，由于該算法對運(yùn)動物體不做 任何預(yù)測，不能解決大面積膚色干擾問題，特別是當(dāng)手和人臉運(yùn)動軌跡交叉時，導(dǎo)致跟蹤失 敗，所以需估計器預(yù)測手勢運(yùn)動參數(shù)。
Kalman濾波器(即卡爾曼濾波器，是一個最優(yōu)化自回歸數(shù)據(jù)處理算法，對于解決 很大部分的問題，它是最優(yōu)，效率最高甚至是最有用的。它的廣泛應(yīng)用已經(jīng)超過30年，包括 機(jī)器人導(dǎo)航，控制，傳感器數(shù)據(jù)融合甚至在軍事方面的雷達(dá)系統(tǒng)以及導(dǎo)彈追蹤等等。近年來 更被應(yīng)用于計算機(jī)圖像處理，例如頭臉識別，圖像分割，圖像邊緣檢測等等。)是一個線性遞 歸濾波器，基于系統(tǒng)以前的狀態(tài)序列對下一個狀態(tài)做最優(yōu)估計，預(yù)測時具有無偏、穩(wěn)定和最 優(yōu)的特點(diǎn)。以Camshift跟蹤算法輸出的質(zhì)心位置為測量信號，采用Kalman濾波算法校正 手心位置(即搜索窗口的中心位置)，在Camshift跟蹤器的基礎(chǔ)上結(jié)合Kalman濾波特性， 克服了 Camshift跟蹤算法不能解決大面積膚色干擾問題的缺陷。 以下針對附圖和具體實(shí)例對本發(fā)明作具體描述，如圖1為本發(fā)明基于Camshift算 法和Kalman濾波混合的視頻人手運(yùn)動跟蹤算法流程，攝像頭獲取跟蹤對象(如人手)的視 頻信號，轉(zhuǎn)化模塊將RGB信號轉(zhuǎn)化為HSV圖像信號，分離器從中分離出H分量，查詢模塊根 據(jù)H分量中H圖像對顏色直方圖進(jìn)行查詢，獲取跟蹤對象膚色概率分布圖，Camshift跟蹤 器調(diào)用Camshift跟蹤算法對跟蹤對象進(jìn)行跟蹤，輸出跟蹤對象的質(zhì)心位置為測量信號，送 入Kalman濾波器校正手心位置(即搜索窗口的中心位置)，同時Kalman濾波器根據(jù)質(zhì)心位 置確定搜索窗口的位置和大小，并根據(jù)搜索窗口設(shè)置計算概率分布的區(qū)域作為狀態(tài)預(yù)測信 息反饋回Camshift跟蹤器，實(shí)施對跟蹤對象下一幀圖像的跟蹤。 Kalman濾波器中Kalman濾波算法是一個對動態(tài)系統(tǒng)的狀態(tài)序列進(jìn)行線性最小方 差誤差估計的算法，它通過狀態(tài)方程和觀測方程來描述一個動態(tài)系統(tǒng)。在Kalman濾波器中 建立跟蹤對象的線性系統(tǒng)的狀態(tài)方程和觀測方程為
狀態(tài)方程& =， A—! + A—,( 1 )
觀測方程= //^a + & (2) 其中&是tk時刻的nXl維狀態(tài)向量；&是tk時刻的mXl維觀測向量；Ak,k—工是tk—i 時刻到tk時刻的nXn維狀態(tài)轉(zhuǎn)移矩陣；Hk是tk時刻的mXn維觀測矩陣,是tk時刻狀 態(tài)的nX 1維隨機(jī)干擾噪聲向量；"^是tk時刻的mX 1維觀測噪聲向量。(上述參數(shù)可由跟 蹤器經(jīng)過多次實(shí)驗(yàn)選取得到)，力通常假設(shè)為互相獨(dú)立的零均值高斯白噪聲向量，它
們的協(xié)方差矩陣為
五
，,
(3) 五
一 一r
(4)
^《]二0對于所有k和i (5) Kalman濾波過程為
濾波器收到跟蹤器獲取的跟蹤對象運(yùn)動狀態(tài)(包括，質(zhì)心位置和移動速度)，調(diào)用 狀態(tài)方程(1)建立運(yùn)動模型(狀態(tài)轉(zhuǎn)移矩陣)對跟蹤對象在k時刻的運(yùn)動狀態(tài)進(jìn)行估計，
得到一個先驗(yàn)估計值S:(指跟蹤對象在在X軸和Y軸方向上的位置和速度)，根據(jù)先驗(yàn)估
計值調(diào)用公式
五x,.
(6)計算先驗(yàn)估計誤差^—。


先驗(yàn)估計誤差的協(xié)方差矩陣為
<formula>formula see original document page 7</formula>
(7)
然后，利用tk時刻的mX i維觀測向量&修正先驗(yàn)估計值je:，調(diào)用公式
<formula>formula see original document page 7</formula>(8) 對先驗(yàn)估計值進(jìn)行修正，其中g(shù)為先驗(yàn)估計值4—的修正值，稱為后驗(yàn)估計值，Kk為 Kalman增益矩陣。 根據(jù)公式^ = & 一 ^ (9) 計算后驗(yàn)估計誤差，其協(xié)方差矩陣表達(dá)式為
<formula>formula see original document page 7</formula>
(10) 確定增益矩陣Kk使后驗(yàn)估計值與實(shí)際值的誤差(后驗(yàn)估計誤差)最小。將式(2) 觀測方程代入式(8)修正先驗(yàn)估計值，然后將結(jié)果再代入式(10)建立協(xié)方差矩陣表達(dá)式
<formula>formula see original document page 7</formula>
(ii)



其中U( 一^是先驗(yàn)估計誤差，它與觀測誤差巧.無關(guān)，因此有
<formula>formula see original document page 7</formula>
(12)
<formula>formula see original document page 7</formula>
從而得到使估計誤差最小的Kk為
<formula>formula see original document page 7</formula> (13)
將式(13)代入式(12)得
<formula>formula see original document page 7</formula>(14)
要調(diào)用式(8)對先驗(yàn)估計值進(jìn)行修正，需先得到^—和Pk 到k時刻處理前的累積誤差，因此可以通過下式進(jìn)行預(yù)測處理
A—i (15) 另外由于^一,是k-l時刻以前的誤差，所以它與^—f沒有相關(guān)性，這樣，與t對應(yīng)的
先驗(yàn)估計誤差的協(xié)方差矩陣為
<formula>formula see original document page 7</formula>
由于"^一i描述的是k-l
<formula>formula see original document page 7</formula>(16) 由此調(diào)用公式(13)得到Kalman增益矩陣Kk，并調(diào)用公式(8)對先驗(yàn)估計值進(jìn)行 修正，可對^作出估計。 如圖2所示為本發(fā)明Camshift跟蹤器的跟蹤流程示意圖。圖2中虛線標(biāo)示的部 分是CamShift算法的核心。設(shè)(x， y)為搜索窗中的像素位置，I (x， y)是投影圖中(x， y)處的像素值。搜索窗口的零階矩和一階矩分別如下 m。。=i:2:/(u)
.x' y M。=z2>"XJ)
二2]z^",力
可以求得搜索窗口內(nèi)的質(zhì)心位置為
Ac — tt^c 一 重新設(shè)置搜索窗的大小S :1y = 2、 M()%w
A/ /256 并將搜索窗口的中心移動到質(zhì)心，如果移動距離大于預(yù)設(shè)的固定閥值，則重新計 算調(diào)整后的窗口質(zhì)心，進(jìn)行新一輪的窗口位置和尺寸調(diào)整。直到窗口中心與質(zhì)心間的移動 距離小于預(yù)設(shè)的固定閥值，或者循環(huán)運(yùn)算的次數(shù)達(dá)到某一最大值，認(rèn)為收斂條件滿足，進(jìn)入 下一幀圖像進(jìn)行新的目標(biāo)搜索。在新的圖像中，利用上一幀圖像中最終得到的窗口質(zhì)心位 置和零階矩來設(shè)置新的搜索窗口的位置和尺寸。CamShift跟蹤算法在圖像幀內(nèi)與幀間都根 據(jù)上一步得到的零階矩自適應(yīng)的調(diào)整搜索窗口的大小，因而可以適應(yīng)跟蹤目標(biāo)動態(tài)變形的 情形。 對人手進(jìn)行跟蹤時，只要人的手和臉沒有形成大連通域，即使存在噪聲干擾， Camshift跟蹤器采用Camshift算法也能較好地對人手的運(yùn)動過程進(jìn)行跟蹤，但是當(dāng)人的 手和臉形成大連通域后再分開時，Camshift跟蹤器不能準(zhǔn)確地分辨待跟蹤的物體，需要 通過估計器預(yù)測目標(biāo)的運(yùn)動參數(shù)。Kalman濾波具有計算量小、可實(shí)時計算的特點(diǎn)，因此把 Camshift跟蹤算法與Kalman濾波運(yùn)動預(yù)測結(jié)合起來，利用二維Kalman濾波器預(yù)測手心位 置，增強(qiáng)抗干擾性。所以由圖2得到的搜索窗口的位置和大小作為測量信號，再輸入Kalman 濾波器中進(jìn)行校正和預(yù)測，達(dá)到準(zhǔn)確的跟蹤目的。 以下以跟蹤人手為例對本發(fā)明作進(jìn)一步詳細(xì)描述。為了準(zhǔn)確的跟蹤人手的運(yùn)動， 首先須確定Kalman濾波器中的相關(guān)參數(shù)。定義Kalman濾波器參數(shù)為
假設(shè)人手的運(yùn)動狀態(tài)參數(shù)為某一時刻人手的手心位置(相對于圖像的左上角)和 速度。在跟蹤過程中，由于相鄰兩幀的時間間隔較短，人手的運(yùn)動狀態(tài)變化較小，所以可假 設(shè)人手在單位時間間隔內(nèi)是勻速運(yùn)動的，所以我們可采用等速度運(yùn)動模型，定義系統(tǒng)狀態(tài) 方程中的Kalman濾波器系統(tǒng)狀態(tài)&是一個四維向量(xsk， ysk， xvy， yVk)T，其中，xsk， ysk分 別為人手手心在X軸和Y軸方向上的位置，xvk，yvk分別表示人手手心在X軸和Y軸方向上 的速度。由于通過攝像頭在圖像上只能觀察到人手的位置，所以定義觀測狀態(tài)向量為
zk = (xsk， ysk)T。 由于假設(shè)人手(目標(biāo)、跟蹤對象)是在單位時間間隔內(nèi)作勻速運(yùn)動，所以建立狀態(tài) 轉(zhuǎn)移矩陣Au—工為
8
4

狀態(tài)向:
10A/0
010A/
0010
0001
其中At
3C
根據(jù)系統(tǒng)狀態(tài)和觀測狀態(tài)的關(guān)系，建立觀測矩陣Hk為
1 0 0 0 10 0
在Kalman濾波器中，首先初始化動態(tài)噪聲方差矩陣Q、領(lǐng) 、和初始誤差方差矩陣P。。初始化后的上述矩陣為
:噪聲方差矩陣R、初始
尸0 =
10000
01000
00150
00015
0.10 —
00.2
_1000—
0100
0010
0001 初始狀態(tài)向量&中的xs。，ys。分量取初始搜索窗口的中心位置，xv。， yv。分量取零。 根據(jù)上述參數(shù)并調(diào)用公式(i)-(ie)，得到使估計誤差最小的增益矩陣Kk，根據(jù)Kk對^進(jìn)行 估計，得到先驗(yàn)估計值^的修正值^ 。將^作為更新Kalman濾波器中搜索窗口數(shù)據(jù)信息的 依據(jù)。 本發(fā)明在Camshift算法基礎(chǔ)上利用Kalman濾波對搜索窗口進(jìn)行動態(tài)調(diào)整。實(shí)驗(yàn) 表明，該方法快速準(zhǔn)確可靠，并且較好地處理了跟蹤過程中大面積膚色干擾問題，對復(fù)雜場 景的檢測與跟蹤也取得了較好的效果。同時，還適用于其它具有特定顏色目標(biāo)的跟蹤。
9
權(quán)利要求
一種智能康復(fù)系統(tǒng)，其特征在于，該系統(tǒng)包括攝像頭、分離器、Camshift跟蹤器、Kalman濾波器、查詢模塊，攝像頭獲取跟蹤對象的視頻信號，分離器從HSV圖像信號中分離出H分量，建立跟蹤對象的顏色分布直方圖；查詢模塊根據(jù)H分量中H圖像對顏色分布直方圖進(jìn)行查詢，獲取跟蹤對象膚色概率分布圖；Camshift跟蹤器對跟蹤對象進(jìn)行跟蹤，輸出跟蹤對象的質(zhì)心位置到Kalman濾波器，Kalman濾波器根據(jù)質(zhì)心位置確定其搜索窗口的位置和大小，根據(jù)搜索窗口的位置和大小計算概率分布的區(qū)域作為狀態(tài)預(yù)測信息反饋回Camshift跟蹤器，實(shí)施對跟蹤對象下一幀圖像的跟蹤。
2. 根據(jù)權(quán)利要求1所述的智能康復(fù)系統(tǒng)，其特征在于，所述確定狀態(tài)預(yù)測信息具體包 括，濾波器收到跟蹤器獲取的跟蹤對象運(yùn)動狀態(tài)信息，建立跟蹤對象線性系統(tǒng)的狀態(tài)方程 和觀測方程，確定tk時刻的nX 1維狀態(tài)向量^ ， tk時刻的mX 1維觀測向量^ ，對跟蹤對象在tk時刻的運(yùn)動狀態(tài)進(jìn)行估計，得到一個先驗(yàn)估計值S:，確定增益矩陣Kk使后驗(yàn)估計值與 實(shí)際值的估計誤差最小，根據(jù)Kk對先驗(yàn)估計值進(jìn)行修正，獲取后驗(yàn)估計值^作為狀態(tài)預(yù)測信息。
3. 根據(jù)權(quán)利要求2所述的智能康復(fù)系統(tǒng)，其特征在于，所述線性系統(tǒng)的狀態(tài)方程和觀 測方程為狀態(tài)方程4 =4u-1 i，觀測方程4 ="/^/( ，所述使估計誤 差最小的Kk滿足公式，確定后驗(yàn)估計誤差的協(xié)方差矩陣A 二(l一A^/^)i^，其中，Ak,k—工 是tk—工時刻到tk時刻的nXn維狀態(tài)轉(zhuǎn)移矩陣；Hk是tk時刻的mXn維觀測矩陣^是tk 時刻狀態(tài)的nX 1維隨機(jī)干擾噪聲向量；^是tk時刻的mX 1維觀測噪聲向量。
4. 一種智能康復(fù)系統(tǒng)中肢體運(yùn)動跟蹤方法，其特征在于，攝像頭獲取跟蹤對象的視頻 信號，分離器從HSV圖像信號中分離出H分量，建立跟蹤對象的顏色分布直方圖；查詢模塊 根據(jù)H分量中H圖像對顏色分布直方圖進(jìn)行查詢，獲取跟蹤對象膚色概率分布圖；Camshift 跟蹤器對跟蹤對象進(jìn)行跟蹤，輸出跟蹤對象的質(zhì)心位置到Kalman濾波器，Kalman濾波器根 據(jù)質(zhì)心位置確定其搜索窗口的位置和大小，根據(jù)搜索窗口的位置和大小計算概率分布的區(qū) 域作為狀態(tài)預(yù)測信息反饋回Camshift跟蹤器，實(shí)施對跟蹤對象下一幀圖像的跟蹤。
5. 根據(jù)權(quán)利要求4所述的肢體運(yùn)動跟蹤方法，其特征在于，所述確定狀態(tài)預(yù)測信息的 步驟具體包括，濾波器收到跟蹤器獲取的跟蹤對象運(yùn)動狀態(tài)信息，建立跟蹤對象線性系統(tǒng) 的狀態(tài)方程和觀測方程，確定tk時刻的nX 1維狀態(tài)向量^ ， tk時刻的mX 1維觀測向量^ ，對跟蹤對象在tk時刻的運(yùn)動狀態(tài)進(jìn)行估計，得到一個先驗(yàn)估計值^^—，確定增益矩陣Kk使后 驗(yàn)估計值與實(shí)際值的誤差最小，根據(jù)Kk對先驗(yàn)估計值進(jìn)行修正，獲取后驗(yàn)估計值4作為狀 態(tài)預(yù)測信息。
6. 根據(jù)權(quán)利要求5所述的肢體運(yùn)動跟蹤方法，其特征在于，所述線性系統(tǒng)的狀態(tài)方程和觀測方程為狀態(tài)方程= 4^—^t—i +"^—p觀測方程=，其中&是tk時刻的nX 1維狀態(tài)向量，&是tk時刻的mX 1維觀測向量，Ak,k—i是tk—工時刻到tk時刻的 nXn維狀態(tài)轉(zhuǎn)移矩陣，Hk是tk時刻的mXn維觀測矩陣，^ &是tk時刻狀態(tài)的nX 1維隨機(jī) 干擾噪聲向量，力是tk時刻的mX 1維觀測噪聲向量。
7. 根據(jù)權(quán)利要求5所述的肢體運(yùn)動跟蹤方法，其特征在于，所述使估計誤差最小的Kk滿足公式^ = (1 - i^i^ ,其中，Pk—為先驗(yàn)估計誤差協(xié)方差矩陣，Pk為后驗(yàn)估計誤差協(xié)方差矩陣。
全文摘要
本發(fā)明請求保護(hù)一種智能康復(fù)系統(tǒng)及運(yùn)用該系統(tǒng)進(jìn)行肢體運(yùn)動跟蹤的方法，涉及計算機(jī)視覺領(lǐng)域。本發(fā)明以Camshift跟蹤算法輸出的質(zhì)心位置為測量信號，采用Kalman濾波算法校正手心位置，克服了現(xiàn)有對運(yùn)動肢體的跟蹤方法中不能解決大面積膚色干擾問題的缺陷。此方法不受目標(biāo)的形狀變化、尺度大小變化的影響，具有較好的魯棒性并進(jìn)一步簡化了運(yùn)算量。
文檔編號G06K9/00GK101794387SQ201010136388
公開日2010年8月4日 申請日期2010年3月30日 優(yōu)先權(quán)日2010年3月30日
發(fā)明者張毅, 李玲, 楊紅梅, 王巍, 羅元, 胡章芳 申請人:重慶郵電大學(xué)