專利名稱：目標(biāo)姿態(tài)分析裝置及其目標(biāo)姿態(tài)分析方法
技術(shù)領(lǐng)域：
本發(fā)明涉及姿態(tài)估計技術(shù)，更具體地，涉及一種目標(biāo)姿態(tài)分析裝置及其目標(biāo)姿態(tài) 分析方法。
背景技術(shù)：
在計算機視覺領(lǐng)域中，目標(biāo)姿態(tài)分析技術(shù)是一個重要的研究課題。目標(biāo)姿態(tài)分析 廣泛應(yīng)用于人機交互、電視購物、真人姿態(tài)動畫和TOF(time offlight)深度相機相關(guān)的應(yīng) 用。傳統(tǒng)的目標(biāo)分析方法集中于利用CCD相機的色彩圖像。在標(biāo)題為“目標(biāo)識別的圖形結(jié) 構(gòu)(Pictorial Structure for Object Recognition)，P. Felzenszwalb，，的發(fā)明專利中，為 了提取目標(biāo)的姿態(tài)，目標(biāo)被模型化為不同部件的可變形的配置結(jié)構(gòu)，通過“類彈性部件”連 接而互相關(guān)聯(lián)。目標(biāo)姿態(tài)分析方法是用于在各個部件的可能的位置、大小、方向的巨大配置 空間中進行搜索的過程。但是，即使對于一幅靜態(tài)圖像來說，該方法也非常耗時。為了減少 搜索空間，從目標(biāo)提取特定特征來定位某些目標(biāo)部件，例如，皮膚顏色特征可幫助用于定位 裸露的人的手臂、腿和面部。在公開號為W0200605^53的專利申請中提到了利用皮膚顏色 特征定位的方法。減少搜索空間的另一種方法是使用姿態(tài)初始化的模型和姿態(tài)追蹤。公開 號US20080112592A1和W02008079541A2的發(fā)明申請中，使用簡單的姿態(tài)(例如，T形姿態(tài)) 用于檢測目標(biāo)部件的簡易檢測作為目標(biāo)姿態(tài)的初始化，隨后使用姿態(tài)參數(shù)的追蹤來估計目 標(biāo)的姿態(tài)。這要求被檢測者按照該方法在線協(xié)同工作，還要求被檢測者在姿態(tài)追蹤失敗時 做出簡單的姿態(tài)。為了避免巨大的運算量，還采取了基于示例的姿態(tài)識別，模擬從姿態(tài)估計 的發(fā)起到姿態(tài)識別，提供了有限數(shù)量的姿態(tài)用于復(fù)雜的姿態(tài)空間。用于目標(biāo)姿態(tài)估計的新 方法還使用深度攝像機，串接深度圖用于前景段，然后基于深度圖子串的部件分析提取骨 架。該方法可以用于簡單的目標(biāo)姿態(tài)估計，例如，可用于沒有閉合的擴展的目標(biāo)部件，并使 用簡單的拓撲圖來定位骨架的外在部件。以上的方法均設(shè)計用于串行處理?？偟恼f來，傳統(tǒng)的姿態(tài)估計技術(shù)在實踐中遇到以下兩個挑戰(zhàn)。一個是在搜索姿態(tài) 參數(shù)期間花費的計算量或時間巨大。對于具有實時要求的應(yīng)用來說，如果不進行空間壓縮 則不可能完成搜索。具有皮膚顏色特征的目標(biāo)部件的位置也不適當(dāng)。第二個問題是，在串 行處理框架下，過于依賴單個特征。在上述的目標(biāo)姿態(tài)分析方法中，通常都只利用一種特征 (例如，皮膚顏色特征)來識別目標(biāo)姿態(tài)，一旦此特征的識別失敗，則系統(tǒng)就不能正常工作。 這樣的串行框架不能適應(yīng)于新的應(yīng)用的要求。

發(fā)明內(nèi)容
在本發(fā)明中，提供了一種用于高效率地分析目標(biāo)姿態(tài)的方法和裝置。根據(jù)本發(fā)明 實施例的目標(biāo)姿態(tài)估計設(shè)備可接收深度視頻作為輸入，并計算目標(biāo)姿態(tài)作為輸出。在目標(biāo) 姿態(tài)估計處理中，首先測試多種類別的目標(biāo)部件的特征指示位置，然后選擇若干特征作為 當(dāng)前視頻目標(biāo)的顯著特征，隨后獨立和并行地提取這些顯著特征，最后，使用數(shù)據(jù)驅(qū)動馬爾 科夫鏈蒙特卡羅(DDMCMC，Data Driven Markov Chain Monte Carlo)方法來基于檢測到的不完整的顯著特征集合推算目標(biāo)的姿態(tài)參數(shù)。因此，當(dāng)一個目標(biāo)具有更多的顯著特征時，本 發(fā)明可更容易地定位和推算目標(biāo)的姿態(tài)，同時花費的時間更少。此外，由于本發(fā)明將傳統(tǒng)技 術(shù)中被串行處理的顯著特征進行并行處理，因此，基于本發(fā)明實施例的方法和設(shè)備能夠顯 著減少時間花費，同時避免系統(tǒng)由于獨立的顯著特征的檢測失敗而導(dǎo)致的崩潰。另外，本發(fā) 明可并行處理的顯著特征是可擴展的，允許在根據(jù)本發(fā)明的特征數(shù)據(jù)庫(DB)中增加目標(biāo) 的特征類別以及特征類別中的特征。為了實現(xiàn)以上的優(yōu)點，根據(jù)本發(fā)明的一方面，提供了一種目標(biāo)姿態(tài)分析裝置，包 括特征數(shù)據(jù)庫存儲模塊，用于存儲特征數(shù)據(jù)庫，特征數(shù)據(jù)庫包括至少一個特征類別；特征 測試器，將接收的圖像數(shù)據(jù)的目標(biāo)的特征與存儲在特征數(shù)據(jù)庫存儲模塊中的特征數(shù)據(jù)庫的 特征類別進行并行測試，以從特征數(shù)據(jù)庫中選擇至少一個特征組；顯著特征選擇器，根據(jù)所 述至少一個特征組的有效性指示參數(shù)對所述至少一個特征組進行評估，以選擇顯著特征集 合；顯著特征檢測器，基于顯著特征集合對輸入的圖像執(zhí)行特征檢測，確定輸入的圖像中是 否存在顯著特征集合中的特征，以獲得輸入圖像的顯著特征檢測結(jié)果；姿態(tài)推算模塊，根據(jù) 顯著特征檢測結(jié)果執(zhí)行姿態(tài)估計。根據(jù)本發(fā)明的另一方面，還提供了一種目標(biāo)姿態(tài)分析方法，包括以下步驟將接收 的圖像數(shù)據(jù)的目標(biāo)的特征與存儲在特征數(shù)據(jù)庫存儲模塊中的特征數(shù)據(jù)庫的特征類別進行 并行測試，以從特征數(shù)據(jù)庫中選擇至少一個特征組；根據(jù)所述至少一個特征組的有效性指 示參數(shù)對所述至少一個特征組進行評估，以選擇顯著特征集合；基于顯著特征集合對輸入 的圖像執(zhí)行特征檢測，確定輸入的圖像中是否存在顯著特征集合中的特征，以獲得輸入圖 像的顯著特征檢測結(jié)果；根據(jù)顯著特征檢測結(jié)果執(zhí)行姿態(tài)估計。根據(jù)本發(fā)明的另一方面，還提供了一種使用本發(fā)明的目標(biāo)姿態(tài)分析裝置的目標(biāo)姿 態(tài)估計設(shè)備。除了上述的目標(biāo)姿態(tài)分析裝置之外，所述目標(biāo)姿態(tài)估計設(shè)備還包括輸入裝 置，用于接收圖像數(shù)據(jù)的輸入；用戶設(shè)置單元，用于對姿態(tài)估計設(shè)備的功能進行設(shè)置；顯示 裝置，用于顯示姿態(tài)分析裝置的姿態(tài)估計的結(jié)果；主機控制接口單元，用于姿態(tài)分析裝置與 外圍設(shè)備的數(shù)據(jù)交換。


通過下面結(jié)合附圖對實施例的詳細描述，本發(fā)明的上述和/或其他方面將會變得 清楚和更容易理解，其中圖1是示出根據(jù)本發(fā)明實施例的姿態(tài)估計設(shè)備的示圖；圖2是示出根據(jù)本發(fā)明實施例的姿態(tài)估計設(shè)備的輸入裝置的示圖；圖3是示出根據(jù)本發(fā)明實施例的姿態(tài)估計設(shè)備中的姿態(tài)分析裝置的詳細框圖；圖4示出了根據(jù)本發(fā)明實施例的特征數(shù)據(jù)庫所包含的特征類別；圖5是示出根據(jù)本發(fā)明實施例的特征測試器和顯著特征選擇器的操作處理的示 意圖；圖6是示出根據(jù)本發(fā)明實施例的姿態(tài)推算模塊1 的示意圖；圖7是示出根據(jù)本發(fā)明實施例的姿態(tài)估計設(shè)備的姿態(tài)分析方法的流程圖；圖8示出的是根據(jù)本發(fā)明實施例采用一個TOF深度相機和一個彩色CCD相機的姿 態(tài)估計設(shè)備對拍攝的圖像進行姿態(tài)估計的示意圖9示出的是根據(jù)本發(fā)明實施例采用一個TOF深度相機作為輸入裝置的姿態(tài)估計 設(shè)備對拍攝的圖像進行姿態(tài)估計的示意圖；圖10示出的是根據(jù)本發(fā)明實施例采用一個彩色CCD相機作為輸入裝置時的姿態(tài) 估計設(shè)備對拍攝的圖像進行姿態(tài)估計的示意圖。
具體實施例方式下面將參照附圖來詳細說明根據(jù)本發(fā)明實施例的無線中繼調(diào)度信息交換系統(tǒng)和 方法。應(yīng)理解，在此參照附圖描述的實施例僅是示意性的，不應(yīng)將本發(fā)明理解為限制于在此 描述的實施例。圖1是示出根據(jù)本發(fā)明實施例的姿態(tài)估計設(shè)備的示圖。如圖1所示，姿態(tài)估計設(shè) 備包括輸入裝置110、姿態(tài)分析裝置120、用戶設(shè)置單元130、顯示裝置140和主機控制接 口 HCI 單元 150。 輸入裝置110用于接收輸入的圖像和/或視頻。圖2是示出根據(jù)本發(fā)明實施例的 姿態(tài)估計設(shè)備的輸入裝置的示圖。如圖2所示，輸入裝置110用于接收圖像數(shù)據(jù)的輸入。 輸入裝置110可以是一組相機，也可以是多組相機。每組相機中可具有至少一個深度相機 (圖2中示出的TOF相機)?？蛇x地，每組相機還可包括彩色/灰度攝像機。每組相機中的 相機可以是活動的，也可以是靜止的。輸入裝置110通過拍攝目標(biāo)獲得多幅圖像或視頻，并 將拍攝的圖像或視頻幀發(fā)送到姿態(tài)分析裝置120。不同相機拍攝的圖像之間存在相關(guān)性。 輸入裝置110對輸入圖像或視頻幀進行登記?？刹捎弥T如美國的RebsselaerPolytechnic Institute提出的⑶B-ICP方法來對圖像或視頻幀登記。用戶設(shè)置單元130用于對姿態(tài)估計設(shè)備的功能進行設(shè)置。具體地，用戶設(shè)置單元 130可以是觸摸屏、鍵盤、鼠標(biāo)等任意的用戶輸入裝置。用戶可通過用戶設(shè)置單元130對輸 入裝置110(靜止或活動的相機)進行配置，選擇姿態(tài)分析裝置120所分析的目標(biāo)和類別， 并選擇姿態(tài)估計設(shè)備的輸出模式等。顯示裝置140用于顯示對圖像的姿態(tài)估計結(jié)果。根據(jù)本發(fā)明實施例的顯示裝置可 以是任意的可顯示圖像的裝置，例如，液晶顯示器(LCD)、CRT顯示器等。HCI單元150用于 與外圍設(shè)備進行數(shù)據(jù)交換。姿態(tài)分析裝置120通過內(nèi)置的存儲裝置中的特征數(shù)據(jù)庫(DB)對輸入的圖像數(shù)據(jù) 進行并行測試，選擇適用于輸入的圖像數(shù)據(jù)的有效的顯著特征集合，并基于選擇的有效的 顯著特征集合來檢測輸入的圖像數(shù)據(jù)的顯著特征，并根據(jù)檢測到的顯著特征來估計目標(biāo)姿 態(tài)。稍后將參照圖3詳細描述姿態(tài)分析裝置120進行姿態(tài)估計的處理過程。圖3是示出根據(jù)本發(fā)明實施例的姿態(tài)估計設(shè)備中的姿態(tài)分析裝置120的詳細框 圖。如圖3所示，姿態(tài)分析裝置120包括特征數(shù)據(jù)庫存儲模塊121、特征測試器122、 顯著特征選擇器123、顯著特征檢測器IM和姿態(tài)推算模塊125。下面將參照圖3到圖6詳 細說明姿態(tài)分析裝置120進行姿態(tài)分析的詳細過程。首先，從輸入裝置110接收到的視頻數(shù)據(jù)輸入到特征測試器122。特征測試器122 將接收的圖像數(shù)據(jù)的特征與存儲在特征數(shù)據(jù)庫存儲模塊121中的特征數(shù)據(jù)庫中的特征進 行并行測試。
圖4示出了根據(jù)本發(fā)明實施例的特征數(shù)據(jù)庫所包含的特征類別。在本實施例中， 特征數(shù)據(jù)庫包括四個類別部件檢測特征A、顏色特征B、re提取特征C和形狀提取特征D。 具體地，由于目標(biāo)的某些部件具有固有的特征，因此可通過特定的方法發(fā)現(xiàn)這些特征，從而 可確定部件。以人作為例子，人的頭部、臉部、上身/下身、手和軀干都具有固定的模式。因 此，部件檢測特征A可具有頭部模式、臉部模式、上身/下身模式、手模式、軀干模式。顏色 特征β可包括皮膚顏色、手套顏色、長襪顏色、目標(biāo)主體上的顯著顏色補丁。前景(re)提取 特征C可包括幀差、背景(BG)消減、目標(biāo)輪廓、邊緣特征。形狀提取特征D可包括棍形、圓 形、四方形、柱形。對于本領(lǐng)域技術(shù)人員很明顯的是，可以具有更多或較少的特征類別。另 外，可根據(jù)需要更新特征類別。通常，特征數(shù)據(jù)庫具有大量的特征，特征中的某些部分對于一種特定的目標(biāo)類別 有效，另一部分對另一種特定的目標(biāo)類別有效。對于用戶選擇的一個目標(biāo)，必然具有其有效 特征集合。特征測試器122將輸入的圖像數(shù)據(jù)與特征數(shù)據(jù)庫中的四個類別進行并行的測 試。例如，特征測試器122在將輸入的圖像數(shù)據(jù)與特征數(shù)據(jù)庫中的顏色特征進行對比的同 時，可將輸入的圖像數(shù)據(jù)與特征數(shù)據(jù)庫中的部件特征進行對比，可對輸入的圖像數(shù)據(jù)進行 前景提取，可將輸入的圖像數(shù)據(jù)與特征數(shù)據(jù)庫中的形狀特征進行比較。這樣，就得到了四個 不同的特征組。經(jīng)過此并行測試之后，顯著特征選擇器123對來自特征測試器122的四個特征集 合進行評估，以選擇有效的顯著特征集合。下面將參照圖5來詳細描述根據(jù)本發(fā)明實施例的特征測試器122和顯著特征選 擇器123的處理。圖5是示出根據(jù)本發(fā)明實施例的特征測試器122和顯著特征選擇器123 的操作處理的示意圖。具體地，對于來自部件檢測特征A和顏色特征B的顯著特征，顯著特 征選擇器123使用標(biāo)準(zhǔn)的檢測率和虛警率作為特征有效性的指示參數(shù)。具體地，特征測試 器122可包括部件檢測器，用于檢測系統(tǒng)采集的圖像數(shù)據(jù)并檢測其中的目標(biāo)部件，如果檢 測率和虛警率達到預(yù)設(shè)的閾值，則顯著特征選擇器123將檢測到的目標(biāo)部件選擇作為顯著 特征，否則，舍棄該目標(biāo)部件。部件檢測器的一個示例是窗口掃描類型的部件檢測器。對于 測試的圖像集合來說，假設(shè)其中真正含有的目標(biāo)個數(shù)為X，如果總共掃描了 N個窗口，其中， 正確的目標(biāo)數(shù)為M，不正確的目標(biāo)數(shù)為K，則檢測率為M/x，虛警率為K/N。另外，特征測試 器122還可包括顏色特征測試器。顏色特征測試器基于顏色特征B來檢測將從圖像選用的 顏色特征，顯著特征選擇器123將測試的結(jié)果與預(yù)設(shè)的指示參數(shù)進行比較，如果指示參數(shù) 達到預(yù)設(shè)的閾值，則將該顏色特征選擇作為顯著特征。這里的指示參數(shù)是指檢測率和誤檢 率。對于測試的圖像集合來所，假設(shè)總共具有的像素個數(shù)為N，屬于目標(biāo)的像素個數(shù)為X，檢 測結(jié)果中屬于目標(biāo)的像素個數(shù)為M,不正確的像素個數(shù)為K，則檢測率為M/X，誤檢率為K/N。 為了方便統(tǒng)計，像素統(tǒng)計方法可以簡化為圖像塊統(tǒng)計方法，即，將圖像劃分為大小相同的多 個塊，并統(tǒng)計塊的個數(shù)。特征測試器122還可包括前景提取器，使用背景去除方法得到前景區(qū)域特征，該 前景區(qū)域特征部分或全部地對應(yīng)于圖像中運動目標(biāo)所在的區(qū)域。具體地，通常對于具有靜 止背景的圖像使用前景提取方法。而對于運動背景來說，背景去除方法將變得過于復(fù)雜，因 此將不會選擇前景提取特征。特征測試器122還可包括形狀提取器。對于具有較強的形狀特征的目標(biāo)(例如，剛體或者近似于剛體的目標(biāo))，運動時形狀變化較小，這時，形狀特征將起到作用，從而可以 進行目標(biāo)(或目標(biāo)部件)的特征檢測。例如，人體的頭部可以用橢圓形狀來逼近，而可以用 梯形圓臺來逼近人體的軀干，用梯形逼近胳膊、腿部，從而人體可以用一定的輪廓曲線來逼 近。形狀提取器的性能指示參數(shù)為檢測率和誤檢率。假設(shè)待檢測目標(biāo)(或目標(biāo)部件)區(qū)域 的像素個數(shù)為X，實際檢測到的正確的像素個數(shù)為M,不正確的像素個數(shù)為K，則檢測率為M/ X，誤檢率為K/(M+K)。顯著特征選擇器123從高到低將每個類別中的各個特征的有效性指示參數(shù)排名， 并選擇具有最高有效性的特征作為顯著特征，即，選擇指示參數(shù)大于預(yù)定閾值的顯著特征。 上述處理是從特征數(shù)據(jù)庫選擇用于指定目標(biāo)的顯著特征集合的過程。在顯著特征選擇器123為指定目標(biāo)選擇了顯著特征集合之后，顯著特征檢測器 1 基于新的顯著特征集合執(zhí)行檢測，確定輸入的圖像或視頻幀中是否存在顯著特征集合 中所包含的特征，從而獲得用于姿態(tài)推算的顯著特征檢測結(jié)果。注意，這里獲得的顯著特征 集合并不能實現(xiàn)100%的檢測率或精確率以及0虛警率。因此，需要姿態(tài)推算模塊125基于 獲得的用于姿態(tài)推算的顯著特征檢測結(jié)果來執(zhí)行推算處理。另外，對于不同的場景圖像或 視頻中的不同的目標(biāo)，通常具有不同的顯著特征集合。因此，每當(dāng)目標(biāo)改變時，需要特征測 試器122和顯著特征選擇器123重新測試和選擇對于不同的目標(biāo)的顯著特征集合。圖6是示出根據(jù)本發(fā)明實施例的姿態(tài)推算模塊125的示意圖。如圖6所示，根據(jù)本發(fā)明實施例的姿態(tài)推算模塊125包括數(shù)據(jù)驅(qū)動姿態(tài)假設(shè)產(chǎn)生 模塊127、姿態(tài)假設(shè)評估模塊1 和姿態(tài)確定模塊129。數(shù)據(jù)驅(qū)動姿態(tài)假設(shè)產(chǎn)生模塊127通 過組合對于每個目標(biāo)部分/部件的檢測結(jié)果來產(chǎn)生姿態(tài)假設(shè)。姿態(tài)假設(shè)評估模塊1 將對 數(shù)據(jù)驅(qū)動姿態(tài)假設(shè)產(chǎn)生模塊127所產(chǎn)生的每種姿態(tài)假設(shè)組合進行評估，從而驗證其作為可 能的目標(biāo)姿態(tài)的概率。在姿態(tài)假設(shè)評估模塊1 評估完每個姿態(tài)假設(shè)組合之后，姿態(tài)確定 模塊1 最后決定哪種姿態(tài)假設(shè)組合具有成為期望的目標(biāo)姿態(tài)的最高的概率。這里僅示出 了一種姿態(tài)推算方法。本領(lǐng)域的技術(shù)人員也可采用其他方式來實現(xiàn)基于顯著特征檢測結(jié)果 的姿態(tài)推算。如圖3的虛線框所示，根據(jù)本發(fā)明另一實施例的姿態(tài)分析裝置120還可包括目標(biāo) 模型約束模塊126。在進行姿態(tài)推算之前，目標(biāo)模型約束模塊1 根據(jù)用戶通過用戶設(shè)置單 元130選擇的目標(biāo)模型來進一步限制顯著特征集合的特征類別。具體地，目標(biāo)模型約束模 塊126可根據(jù)用戶設(shè)置單元130的選擇來確定目標(biāo)類別是人類還是非人類。目標(biāo)的類別的 分類的一個示例在以下的表1中示出
權(quán)利要求
1.一種目標(biāo)姿態(tài)分析裝置，包括特征數(shù)據(jù)庫存儲模塊，用于存儲特征數(shù)據(jù)庫，特征數(shù)據(jù)庫包括至少一個特征類別； 特征測試器，將接收的圖像數(shù)據(jù)的目標(biāo)的特征與存儲在特征數(shù)據(jù)庫存儲模塊中的特征 數(shù)據(jù)庫的特征類別進行并行測試，以從特征數(shù)據(jù)庫中選擇至少一個特征組；顯著特征選擇器，根據(jù)所述至少一個特征組的有效性指示參數(shù)對所述至少一個特征組 進行評估，以選擇顯著特征集合；顯著特征檢測器，基于顯著特征集合對輸入的圖像執(zhí)行特征檢測，確定輸入的圖像中 是否存在顯著特征集合中的特征，以獲得輸入圖像的顯著特征檢測結(jié)果； 姿態(tài)推算模塊，根據(jù)顯著特征檢測結(jié)果執(zhí)行姿態(tài)估計。
2.如權(quán)利要求1所述的目標(biāo)姿態(tài)分析裝置，還包括目標(biāo)模型約束模塊，在進行姿態(tài)推算之前根據(jù)用戶選擇的目標(biāo)模型來限制顯著特征集 合的特征類別。
3.如權(quán)利要求1所述的目標(biāo)姿態(tài)分析裝置，其中，所述有效性指示參數(shù)是特征組的檢 測率、誤報率和虛警率中的至少一個。
4.如權(quán)利要求1所述的目標(biāo)姿態(tài)分析裝置，其中，特征數(shù)據(jù)庫的特征類別包括部件檢 測特征、顏色特征、前景提取特征和形狀提取特征。
5.如權(quán)利要求4所述的目標(biāo)姿態(tài)分析裝置，其中，特征數(shù)據(jù)庫的特征類別根據(jù)用戶的 設(shè)置更新。
6.一種目標(biāo)姿態(tài)分析方法，包括以下步驟將接收的圖像數(shù)據(jù)的目標(biāo)的特征與存儲在特征數(shù)據(jù)庫存儲模塊中的特征數(shù)據(jù)庫的特 征類別進行并行測試，以從特征數(shù)據(jù)庫中選擇至少一個特征組；根據(jù)所述至少一個特征組的有效性指示參數(shù)對所述至少一個特征組進行評估，以選擇 顯著特征集合；基于顯著特征集合對輸入的圖像執(zhí)行特征檢測，確定輸入的圖像中是否存在顯著特征 集合中的特征，以獲得輸入圖像的顯著特征檢測結(jié)果； 根據(jù)顯著特征檢測結(jié)果執(zhí)行姿態(tài)估計。
7.如權(quán)利要求6所述的方法，還包括在進行姿態(tài)推算的步驟之前，根據(jù)用戶選擇的目標(biāo)模型來限制顯著特征集合的特征類別。
8.如權(quán)利要求6所述的方法，其中，所述有效性指示參數(shù)是特征組的檢測率、誤報率和 虛警率中的至少一個。
9.如權(quán)利要求6所述的方法，其中，特征數(shù)據(jù)庫的特征類別包括部件檢測特征、顏色 特征、前景提取特征和形狀提取特征。
10.如權(quán)利要求9所述的方法，其中，特征數(shù)據(jù)庫的特征類別根據(jù)用戶的設(shè)置更新。
11.一種目標(biāo)姿態(tài)估計設(shè)備，包括 輸入裝置，用于接收圖像數(shù)據(jù)的輸入；姿態(tài)分析裝置，用于對來自輸入裝置的圖像數(shù)據(jù)中的目標(biāo)進行姿態(tài)分析； 用戶設(shè)置單元，用于對姿態(tài)估計設(shè)備的功能進行設(shè)置； 顯示裝置，用于顯示姿態(tài)分析裝置的姿態(tài)估計的結(jié)果；主機控制接口單元，用于姿態(tài)分析裝置與外圍設(shè)備的數(shù)據(jù)交換，其中，姿態(tài)分析裝置包括特征數(shù)據(jù)庫存儲模塊，用于存儲特征數(shù)據(jù)庫，特征數(shù)據(jù)庫包括至少一個特征類別；特征測試器，將接收的圖像數(shù)據(jù)的目標(biāo)的特征與存儲在特征數(shù)據(jù)庫存儲模塊中的特征 數(shù)據(jù)庫的特征類別進行并行測試，以從特征數(shù)據(jù)庫中選擇至少一個特征組；顯著特征選擇器，根據(jù)所述至少一個特征組的有效性指示參數(shù)對所述至少一個特征組 進行評估，以選擇顯著特征集合；顯著特征檢測器，基于顯著特征集合對輸入的圖像執(zhí)行特征檢測，確定輸入的圖像中 是否存在顯著特征集合中的特征，以獲得輸入圖像的顯著特征檢測結(jié)果；姿態(tài)推算模塊，根據(jù)顯著特征檢測結(jié)果執(zhí)行姿態(tài)估計。
12.如權(quán)利要求11所述的目標(biāo)姿態(tài)估計設(shè)備，其中，所述姿態(tài)分析裝置還包括目標(biāo)模型約束模塊，在進行姿態(tài)推算之前根據(jù)用戶選擇的目標(biāo)模型來限制顯著特征集 合的特征類別。
13.如權(quán)利要求11所述的目標(biāo)姿態(tài)估計設(shè)備，其中，所述有效性指示參數(shù)是特征組的 檢測率、誤報率和虛警率中的至少一個。
14.如權(quán)利要求11所述的目標(biāo)姿態(tài)估計設(shè)備，其中，特征數(shù)據(jù)庫的特征類別包括部件 檢測特征、顏色特征、前景提取特征和形狀提取特征。
15.如權(quán)利要求14所述的目標(biāo)姿態(tài)估計設(shè)備，其中，特征數(shù)據(jù)庫的特征類別根據(jù)用戶 的設(shè)置更新。
16.如權(quán)利要求11所述的目標(biāo)姿態(tài)估計設(shè)備，所述輸入裝置是CCD相機和深度相機中 的至少一個。
全文摘要
提供了一種目標(biāo)姿態(tài)分析裝置，包括特征數(shù)據(jù)庫存儲模塊，用于存儲特征數(shù)據(jù)庫，特征數(shù)據(jù)庫包括至少一個特征類別；特征測試器，將接收的圖像數(shù)據(jù)的目標(biāo)的特征與存儲在特征數(shù)據(jù)庫存儲模塊中的特征數(shù)據(jù)庫的特征類別進行并行測試，以從特征數(shù)據(jù)庫中選擇至少一個特征組；顯著特征選擇器，根據(jù)所述至少一個特征組的有效性指示參數(shù)對所述至少一個特征組進行評估，以選擇顯著特征集合；顯著特征檢測器，基于顯著特征集合對輸入的圖像執(zhí)行特征檢測，確定輸入的圖像中是否存在顯著特征集合中的特征，以獲得輸入圖像的顯著特征檢測結(jié)果；姿態(tài)推算模塊，根據(jù)顯著特征檢測結(jié)果執(zhí)行姿態(tài)估計。
文檔編號G06T7/00GK102136139SQ20101010550
公開日2011年7月27日 申請日期2010年1月22日 優(yōu)先權(quán)日2010年1月22日
發(fā)明者林華書, 楚汝峰, 胡芝蘭, 陳茂林 申請人:三星電子株式會社, 北京三星通信技術(shù)研究有限公司