用于人机互动的基于激光传感器深度摄像头系统数据处理方法技术方案

本发明专利技术公开了一种用于人机互动的基于激光传感器深度摄像头系统数据处理方法，包括数据获取和噪声处理，其特征在于，所述噪声处理的方法是：将从摄像头系统获取的原始采集的图像数据，分成两部分，对其中第一部分进行动态自适应滤波，对其中第二部分进行无迹卡尔曼滤波，最后对处理好的上述数据进行聚类滤波，输出处理后的数据。本发明专利技术可以有效去除深度摄像头系统获得的数据中的噪声，能够保证系统的轨迹跟踪的高精准度和强抗干扰性，同时确保人机互动系统能具有很好的稳定性和鲁棒性。

【技术实现步骤摘要】
用于人机互动的基于激光传感器深度摄像头系统数据处理方法
本专利技术涉及一种数据处理方法，特别涉及一种人机互动系统中的图像数据的噪声抑制方法。
技术介绍
人机互动就是实现人和机器之间的互动。随着多媒体技术和投影技术的快速发展，人机互动系统在我们的生活中的应用越来越广泛。例如博物馆和展会的人机互动技术可以让人们更好的接受科普知识和商品信息。但是现在人们的生活质量提高了，也要求人机互动系统的各方面有更高的性能。在人机互动系统中，目标运动轨迹的定位准确性和互动系统的抗干扰性，鲁棒性都是很重要的指标。为了保证互动效果的良好，在设计互动系统的时候要着重考虑这些指标。目前的人机互动系统中，主要是基于语音或者机器视觉来实现的。基于语音交互的系统，效率低下，互动效果较差，尤其在嘈杂的环境中，很难达到预想的目标。基于视觉交互的系统，硬件的成本低，交互的方式多种多样。但是目前的人机交互系统对目标轨迹的跟踪不精确，抗干扰能力也较差，因此不能很好的达到实时精准人机交互的目标。基于激光传感器深度摄像头系统，可以接受红外信号，使用者利用红外笔配合手势进行人机互动，将使人机交互不受到普通显示屏幕的限制，对人机交互的应用具有显著意义。但是，如何处理摄像头系统的数据，以适应较为复杂的视觉应用环境，是需要解决的问题。
技术实现思路
本专利技术的专利技术目的是提供一种用于人机互动的基于激光传感器深度摄像头系统数据处理方法，保证目标轨迹跟踪的精准度和抗干扰性，以提升互动体验。为达到上述专利技术目的，本专利技术采用的技术方案是：一种用于人机互动的基于激光传感器深度摄像头系统数据处理方法，包括数据获取和噪声处理，所述噪声处理的方法是：将从摄像头系统获取的原始采集的图像数据，分成两部分，对其中第一部分进行动态自适应滤波，对其中第二部分进行无迹卡尔曼滤波，最后对处理好的上述数据进行聚类滤波，输出处理后的数据。上述技术方案中，所述动态自适应滤波方法如下：依据感应测距系统的极坐标值(li,j,λi,j)，数据分析窗口设计为：式中，i表示人机互动系统感应测距数据的采样时刻；j指的是一帧数据中测量点的编号，上述数据分析窗口中的9个测量值在空间和时间上有较大相关性，定义Δlmin为li,j和相邻测量值的差值，如下所示：Δlmin＝min{|lt+i,s+j-li,j|,t,s＝-1,0,1&t≠0,s＝0&t＝0,s≠0}(2)如果Δlmin>δ(l,υ)，则测量值li,j就被当作测量噪声而舍去，δ(l，v)为邻近差值阈值。在动态环境中，邻近差值阈值设计定义如下：式中，σ(l)是深度摄像头系统感应测量的标准差，由不同互动系统感应测量距离值数据得到，vgoal为动态环境目标的运动速度。上述技术方案中，所述无迹卡尔曼滤波的方法是：①利用公式(4)和(5)获得一组采样点，利用公式(6)算出其对应权值，X(t)为t时刻的系统状态，是状态均值，P是计算方差，λ是缩放比例参数，n为状态的维数，w(t)是t时刻系统状态对应的权值，下标m为均值，c为协方差，α，β是待选的非负权系数，X(i)(k|k)是基于k时刻系统状态估计的k时刻的状态向量，是基于k时刻系统状态估计的k时刻的预测状态向量，P(k|k)是基于k时刻系统状态估计的k时刻的计算方差，②利用公式(7)计算2n+1个Sigma点集的一步预测，X(i)(k+1|k)为基于k时刻系统状态估计的k+1时刻系统状态的一步预测，X(i)(k+1|k)＝f[k,X(i)(k|k)](7)③利用公式(8)(9)计算系统状态量的一步预测及协方差矩阵，是基于k时刻系统状态估计的k+1时刻的预测状态向量，w(i)是i时刻系统状态对应的权值，P(k+1|k)是基于k时刻系统状态估计的k+1时刻的计算方差，Q为系统噪声的协方差阵，④根据一步预测值再次进行UT变换，产生新的sigma点集，⑤将步骤④预测的sigma点集代入观测方程，得到预测的观测量，如公式(10)所示，Z(i)(k+1|k)是基于k时刻估计的k+1时刻的预测的观测量，h是非线性观测方程函数，Z(i)(k+1|k)＝h[X(i)(k+1|k)](10)⑥由步骤⑤得到sigma点集的观测预测值，通过加权求和得到系统预测的均值和协方差，如公式(11)(12)(13)所示，是基于k时刻估计的k+1时刻的预测的观测量均值，是基于k时刻观测量的计算方差，R是观测噪声的协方差阵，⑦利用公式(14)计算Kalman增益矩阵，K(k+1)是k+1时刻的卡尔曼增益矩阵，⑧计算系统的状态更新和协方差更新，如公式(15)(16)所示，是基于k+1时刻估计的k+1时刻的预测的系统状态，P(k+1|k)是基于k+1时刻系统状态估计的k+1时刻的计算方差，上述技术方案中，所述聚类滤波采用Meanshift聚类算法进行，聚类后保留红外笔发出的红外线的深度图像点，过滤掉其它的噪声点。由于上述技术方案运用，本专利技术与现有技术相比具有下列优点：本专利技术通过联合滤波方法，可以有效去除深度摄像头系统获得的数据中的噪声，能够保证系统的轨迹跟踪的高精准度和强抗干扰性，同时确保人机互动系统能具有很好的稳定性和鲁棒性。具体实施方式下面结合实施例对本专利技术作进一步描述：实施例一：一种用于人机互动的基于激光传感器深度摄像头系统数据处理方法，包括数据获取和噪声处理。首先将需要预处理的原始采集的数据，分成两部分。第一部分是动态自适应滤波，便于消除外部噪声。第二部分是无迹卡尔曼滤波，利用其无迹变换的原理，处理非线性的离散系统的协方差和均值的非线性传递问题。最后是对预处理好的数据进行聚类滤波，使用Mean-shift滤波算法将预处理好的数据分成不同的集合。具体步骤如下所示：步骤一：激光传感器深度摄像头所接受的数据是红外线,但由于灯光中，太阳光中都会含有一定的红外线，因此这些外部噪声会在深度图像中形成干扰，因此需要滤除这些外部干扰，预处理采集到的数据。预处理的方式就是采用动态自适应滤波法。动态环境在线滤波对达到人机互动系统的实时性尤其重要。通过对采集到的数据进行实时比较，并与预先设置好的阈值进行比较过滤，从而达到滤除干扰的效果。本文采用在线的动态自适应滤波法(简称DAF，DynamicAdaptiveFilter)消除外界环境噪声扰动。依据感应测距系统的极坐标值(li,j,λi,j)，数据分析窗口可设计为：上式中，i表示人机互动系统感应测距数据的采样时刻；j指的是一帧数据中测量点的编号。上述数据分析窗口中的9个测量值在空间和时间上有较大相关性，定义Δlmin为li,j和相邻测量值的差值，如下所示：Δlmin＝min{|lt+i,s+j-li,j|,t,s＝-1,0,1&t≠0,s＝0&t＝0,s≠0}(2)如果Δlmin>δ(l,υ)，则测量值li,j就被当作测量噪声而舍去。在动态环境中，动态目标运动速度的影响至关重要，则邻近差值阈值可设计定义如下：式中，σ(l)是3D传感器系统感应测量的标准差，由不同互动系统感应测量距离值数据得到。vgoal为动态环境目标的运动速度。为了对当前时刻的数据进行判别，必须先将当前时刻的测量值置于缓存器中，等待下一时刻的测量数据被接受，才能实现DAF处理。因此该滤波的数据更新会比实本文档来自技高网...

【技术保护点】
一种用于人机互动的基于激光传感器深度摄像头系统数据处理方法，包括数据获取和噪声处理，其特征在于，所述噪声处理的方法是：将从摄像头系统获取的原始采集的图像数据，分成两部分，对其中第一部分进行动态自适应滤波，对其中第二部分进行无迹卡尔曼滤波，最后对处理好的上述数据进行聚类滤波，输出处理后的数据。

【技术特征摘要】
1.一种用于人机互动的基于激光传感器深度摄像头系统数据处理方法，包括数据获取和噪声处理，其特征在于，所述噪声处理的方法是：将从摄像头系统获取的原始采集的图像数据，分成两部分，对其中第一部分进行动态自适应滤波，对其中第二部分进行无迹卡尔曼滤波，最后对处理好的上述数据进行聚类滤波，输出处理后的数据。2.根据权利要求1所述的用于人机互动的基于激光传感器深度摄像头系统数据处理方法，其特征在于：所述动态自适应滤波方法如下：依据感应测距系统的极坐标值(li,j,λi,j)，数据分析窗口设计为：式中，i表示人机互动系统感应测距数据的采样时刻；j指的是一帧数据中测量点的编号，上述数据分析窗口中的9个测量值在空间和时间上有较大相关性，定义Δlmin为li,j和相邻测量值的差值，如下所示：Δlmin＝min{|lt+i,s+j-li,j|,t,s＝-1,0,1&t≠0,s＝0&t＝0,s≠0}(2)如果Δlmin>δ(l,υ)，则测量值li,j就被当作测量噪声而舍去，δ(l，v)为邻近差值阈值。3.根据权利要求2所述的用于人机互动的基于激光传感器深度摄像头系统数据处理方法，其特征在于：在动态环境中，邻近差值阈值设计定义如下：式中，σ(l)是深度摄像头系统感应测量的标准差，由不同互动系统感应测量距离值数据得到，vgoal为动态环境目标的运动速度。4.根据权利要求1所述的用于人机互动的基于激光传感器深度摄像头系统数据处理方法，其特征在于：所述无迹卡尔曼滤波的方法是：①利用公式(4)和(5)获得一组采样点，利用公式(6)算出其对应权值，X(t)为t时刻的系统状态，是状态均值，P是计算方差，λ是缩放比例参数，n为状态的维数，w(t)是t时刻系统状态对应的权值，下标m为均值，c为协方差，α，β是待选的非负权系数，X(i)(k|k)是基于k时刻系统状态估计的k时刻的状态向量，是基于k时刻系统状态估计的k时刻的预测状态向量，P(k|k)是基于k时刻系统状态估计的k时刻的计算方差，②利用公式(7)计算2n+1个S...

【专利技术属性】
技术研发人员：余雷，戴广军，徐浩楠，
申请(专利权)人：苏州大学，
类型：发明
国别省市：江苏,32