CN104463146B - 基于近红外tof相机深度信息的姿势识别方法和装置 - Google Patents

Abstract

本发明公开了一种基于近红外TOF相机深度信息的姿势识别方法，该方法通过SR4000获取深度图像进行前期运处理得到人体目标并骨骼化后，提取人体目标的头、手、脚、质心的端点坐标，并计算各端点距离地面的高度和距离质心的骨架线距离，根据骨架线距离和离地高度识别各端点的属性，然后结合动作的特征和深度信息实现姿势的识别；从而降低了目标追踪的难度和算法的复杂性，提高了识别有效率和目标分割的准确性，方便了实时嵌入式移植。本发明还公开了一种用于实现上述方法的装置。

Description

基于近红外TOF相机深度信息的姿势识别方法和装置

技术领域

本发明涉及图像处理技术领域，特别是涉及一种应用于无人驾驶汽车领域的基于近红外TOF相机深度信息的姿势识别方法和装置。

背景技术

目前，交互式人体识别已经在游戏、零售体验、人机交互、安全工程、远程控制以及卫生保健等行业中得到广泛的应用。然而，由于现有的姿势识别***一般采用传统的彩色摄像机来捕获彩色图像，而彩色图像容易受到光照变化和复杂背景的影响，导致目标追踪困难和目标分割不精确。同时，现有姿势识别***通过对彩色图像进行处理获得目标的方法存在着算法复杂度较高、实时嵌入式移植不方便等问题。

发明内容

本发明的目的在于克服现有技术的缺点与不足，提供一种基于近红外TOF相机深度信息的姿势识别方法，通过SR4000获取深度图像进行前期运处理得到人体目标并骨骼化后，提取人体目标的头、手、脚、质心的端点坐标，并计算各端点距离地面的高度和距离质心的骨架线距离，根据骨架线距离和离地高度识别各端点的属性，然后结合动作的特征和深度信息实现姿势的识别；从而降低了目标追踪的难度和算法的复杂性，提高了识别有效率和目标分割的准确性，方便了实时嵌入式移植。本发明还提供了一种用于实现上述方法的装置。

本发明是通过以下技术方案实现的：一种基于近红外TOF相机深度信息的姿势识别方法，包括以下步骤：

步骤1：获取深度图像；

步骤2：根据深度图像提取人体目标，以及人体目标的质心和骨架；

步骤3：根据人体目标的质心和骨架标记并提取人体头部端点、左手端点、右手端点、左脚端点和右脚端点的坐标；

步骤4：识别人体目标各端点属性；

步骤5：根据姿势动作特征和各端点属性提取人体目标姿势运动轨迹；

步骤6：判断人体目标姿势，实现姿势识别。

进一步，所述步骤1中，通过近红外TOF相机获取深度图像。通过近红外TOF相机获取深度图像减少了拍摄环境的影响，其具有优于传统彩色图像的环境适应性，能够用于夜间和恶劣气候，能够穿透雾霾对目标进行成像，提供全天候和抗干扰的图像信息，有效地提高了图像的识别有效率和保证了图像的稳定性。

进一步，所述步骤2中实现人体目标及其质心和骨架的提取包括以下步骤：

步骤21：对深度图像依次进行背景差分处理和图像二值化运算处理，得到目标二值图像；

步骤22：对目标二值图像依次进行孔洞填充、开运算处理以及连通域标记，得到连通域的质心；

步骤23：通过对目标二值图像进行zhang快速并行细化运算，实现人体目标骨架及其坐标的提取。

利用背景差分法处理深度图像，采用图像序列中的当前帧和背景参考模型比较来检测运动物体，具有检测速度快、检测准确和易于实现等优点。然后通过图像二值化运算继续对深度图像进行处理，有利于简化图像、减少数据量和凸显目标的轮廓。继续通过对目标二值图像进行孔洞填充和开运算操作，分离图像中连接在一起的物体和消除图像中的小物体，并解决了由于噪声带来的图像边缘不平滑、物体内部有孤立小孔、孤立白噪声点等问题；通过连通域标记处理和zhang快速并行细化运算有利于快速地提取一个单像素宽的目标骨架。

进一步，所述步骤3中，实现人体头部端点、左手端点、右手端点、左脚端点和右脚端点的提取和标记包括以下步骤：

步骤31：在骨架中标记距离质心最近的骨架点，生成骨架质心；

步骤32：通过森林树遍历的方法以骨架质心为父节点遍历骨架，获取多个骨架分支节点；

步骤33：根据骨架坐标中骨架分支端点坐标数组的分支节点信息判断骨架分支节点是否存在；若存在，执行步骤34；若不存在，将骨架分支节点存入骨架分支端点坐标数组，执行步骤34；

步骤34：以每个骨架分支节点为子节点遍历骨架，寻找骨架结束端点；

步骤35：根据骨架坐标中骨架结束端点坐标数组的结束端点信息判断骨架结束端点是否存在；若存在，执行步骤36；若不存在，将骨架结束端点存入骨架结束端点坐标数组中，执行步骤36；

步骤36：完成人体头部端点、左手端点、右手端点、左脚端点和右脚端点的提取和标记。

进一步，所述步骤4中，实现人体目标各端点属性的识别包括以下步骤：

步骤41：计算人体头部端点、左手端点、右手端点、左脚端点和右脚端点等各端点距离地面的高度、以及各端点沿骨架线到质心的距离；

步骤42：根据骨架线距离和离地高度识别各端点的属性。

所述步骤41中，实现各端点距离地面的高度和距离质心的骨架线距离的计算包括以下步骤：

步骤411：测量相机离地高度H、像素端点横倾斜度θ、像素端点竖倾斜度β、像素端点距离相机的距离值D；则像素端点的离地高度h＝H-D·cosθ·sinβ；实现质心和各端点距离地面的高度的计算；

步骤412：在深度图像中，求任意两点P₁和P₂的三维距离和d；三维距离和d根据下述公式求得：其中P₁P_{1y_2xz}为点P₁在Y轴方向的高度差，P₂′P_{1y_2xz}为点P₁和点P₂的水平方向的距离差，P_{1y_2xz}是P₁点在P₂点所处xz平面的映射点；P₂P₂′为P₂在Z轴方向的深度差；

步骤413：所述三维距离和d为骨架线距离，根据三维距离和的计算公式得到人体头部端点、左手端点、右手端点、左脚端点和右脚端点分别距离质心的骨架线距离。

所述步骤42中，实现各端点属性的识别包括以下步骤：

步骤421：骨架线距离最大的两点为脚部端点，骨架线距离最小的一点为头部端点，骨架线距离大于最小骨架线距离且小于最大骨架线距离为手部端点；

步骤422：完成人体头部端点、左手端点、右手端点、左脚端点和右脚端点共5个端点的属性识别。

所述步骤5中，实现人体目标姿势运动轨迹的提取包括以下步骤：

步骤51：设置姿势动作特征为手部姿势特征；

步骤52：利用质心与头部端点的平均深度距离信息作为阈值分割人体身躯前的手势；

步骤53：通过计算骨架线距离识别出人体目标的头部端点和手部端点；通过手部端点的横向坐标识别左手端点和右手端点；

步骤54：根据最近邻分类原则，获取手势运动轨迹图，实现人体目标姿势运动轨迹的提取。

进一步，所述步骤6中，根据人体骨架端点属性和数量、身躯前手势数量、手势轨迹及其方差结合判断人体目标姿势和实现姿势识别。

因此，相对于现有技术，本发明通过对深度图像进行前期运处理得到人体目标并骨骼化后，提取人体目标的头、手、脚、质心的端点坐标，并计算各端点距离地面的高度和距离质心的骨架线距离，根据骨架线距离和离地高度识别各端点的属性，然后结合动作的特征和深度信息实现姿势的识别；从而降低了目标追踪的难度和算法的复杂性，提高了识别有效率和目标分割的准确性，方便了实时嵌入式移植。

本发明还提供了一种基于近红外TOF相机深度信息的姿势识别装置，包括近红外TOF相机、图像预处理模块、骨架端点标志模块、端点属性识别模块、运动轨迹提取模块和姿势识别模块。所述近红外TOF相机用于获取深度图像，并传送至图像预处理模块；所述图像预处理模块用于根据深度图像提取人体目标、人体目标的质心和骨架，并传送至骨架端点标志模块；所述骨架端点标志模块用于根据人体目标的质心和骨架标记并提取人体头部端点、左手端点、右手端点、左脚端点和右脚端点的坐标，并传送至端点属性识别模块；所述端点属性识别模块用于识别骨架各端点的属性，并传送至运动轨迹提取模块；所述运动轨迹提取模块根据姿势动作特征和骨架各端点的运动提取人体目标姿势运动轨迹，并传送至所述姿势识别模块；所述姿势识别模块用于判断人体目标姿势以实现姿势识别。

相对于现有技术，本发明通过近红外TOF相机和图像预处理模块实现深度图像的获取和对深度图像进行前期运处理得到人体目标并骨骼化；通过骨架端点标志模块提取人体目标的头、手、脚、质心的端点坐；通过端点属性识别模块计算各端点距离地面的高度和距离质心的骨架线距离，根据骨架线距离和离地高度识别各端点的属性；通过运动轨迹提取模块和姿势识别模块结合动作的特征和深度信息实现姿势的识别；从而降低了目标追踪的难度和算法的复杂性，提高了识别有效率和目标分割的准确性，同时简化了本装置的结构和方便了本装置的实时嵌入式移植。

为了更好地理解和实施，下面结合附图详细说明本发明。

附图说明

图1是本发明的基于近红外TOF相机深度信息的姿势识别方法的方法流程图；

图2是本发明的基于近红外TOF相机深度信息的姿势识别方法的算法流程图；

图3是本发明的步骤S1中获取得到的彩色深度图像图；

图4是经过本发明的步骤S21处理得到的灰色深度图；

图5是经过本发明的步骤S22处理得到的人体目标二值图；

图6是经过本发明的步骤S23处理得到的人体骨架端点图；

图7是实现公式的推导中P₁、P₂和相机的坐标系图；

图8是靠边停车手势运动轨迹图；

图9是左转弯手势运动轨迹图；

图10是停止信号手势运动轨迹图；

图11是直行信号手势运动轨迹图；

图12是变道信号手势运动轨迹图；

图13是减速慢行手势运动轨迹图；

图14是本发明的基于近红外TOF相机深度信息的姿势识别装置的连接示意图。

具体实施方式

请同时参阅图1～图6，本发明提供了一种基于近红外TOF相机深度信息的姿势识别方法，其包括以下步骤：

S1：获取深度图像。在本实施例中，通过近红外TOF相机SR4000获取深度图像。

S2：根据深度图像提取人体目标，以及人体目标的质心和骨架。具体地，包括以下步骤：

S21：对深度图像依次进行背景差分处理和图像二值化运算处理，得到目标二值图像；

S22：对目标二值图像依次进行孔洞填充、开运算处理以及连通域标记，得到连通域的质心；

S23：通过对目标二值图像进行zhang快速并行细化运算，实现人体目标骨架及其坐标的提取。所述骨架坐标的提取包括对骨架中各个分支节点信息和骨架结束端点信息的保存，并建立分支节点数组以保存各个分支节点信息，同时建立结束端点数组以保存结束端点信息。

其中，背景差分处理是采用图像序列中的当前帧背景和背景参考模型比较来检测运动物体；开运算是指用同一个结构元素，对图像进行先腐蚀后膨胀，其物理意义是将图像中某些连接在一起的物体分开、消除图像中的小物体；解决由于噪声带来的图像边缘不平滑、物体内部有孤立小孔、孤立白噪声点等情况；连通区域标记是指将图像中符合某种连通规则(4邻域连通、8邻域连通或m邻域)的像素标识为同一目标，设计合适的数据结构保存每个像素点所属的目标的标号，并保存相关目标的属性，例如目标的面积即目标的像素点的数量、质心、二阶矩等参数；图像细化是指在保持原图像拓扑结构的情况下尽可能快地抽出一个单像素宽的骨架的过程。

S3：根据人体目标的质心和骨架标记并提取人体头部端点、左手端点、右手端点、左脚端点和右脚端点的坐标。具体地，包括以下步骤:

S31：在骨架中标记距离质心最近的骨架点，生成骨架质心；

S32：通过森林树遍历的方法以骨架质心为父节点遍历骨架，获取多个骨架分支节点；

S33：根据骨架坐标中骨架分支端点坐标数组的分支节点信息判断骨架分支节点是否存在；若存在，执行步骤S34；若不存在，将骨架分支节点存入骨架分支端点坐标数组，执行步骤S34。

在本实施例中，通过将多个骨架分支节点与骨架分支端点坐标数组进行对比，实现对骨架分支节点是否已经存在于骨架分支端点坐标数组的判断。

S34：以每个骨架分支节点为子节点遍历骨架，寻找骨架结束端点；

S35：根据骨架坐标中骨架结束端点坐标数组的结束端点信息判断骨架结束端点是否存在；若存在，执行步骤S36；若不存在，将骨架结束端点存入骨架结束端点坐标数组中，执行步骤S36；

在本实施例中，通过将骨架结束端点与骨架结束端点坐标数组进行对比，实现对骨架结束端点是否存在于骨架结束端点坐标数组的判断。

S36：完成人体头部端点、左手端点、右手端点、左脚端点和右脚端点的提取和标记。

S4：识别人体目标各端点属性。具体地，包括以下步骤：

S41：计算人体头部端点、左手端点、右手端点、左脚端点和右脚端点等各端点距离地面的高度、以及各端点沿骨架线到质心的距离；具体地，包括以下步骤：

S411：测量相机离地高度H、像素端点横倾斜度θ、像素端点竖倾斜度β、像素端点距离相机的距离值D；则像素端点的离地高度h＝H-D·cosθ·sinβ；实现质心和各端点距离地面的高度的计算。也即，根据上述公式h＝H-D·cosθ·sinβ分别计算出质心、体头部端点、左手端点、右手端点、左脚端点和右脚端点等端点距离地面的高度。

S412：在深度图像中，求任意两点P₁和P₂的三维距离和d；三维距离和d根据下述公式求得：其中P₁P_{1y_2xz}为点P₁在Y轴方向的高度差，P₂′P_{1y_2xz}为点P₁和点P₂的水平方向的距离差，P₂P_{1y_2xz}为点P₂在Y轴方向的高度差，P_{1y_2xz}是P₁点在P₂点所处xz平面的映射点；P₂P₂′为P₂在Z轴方向的深度差。

请同时参阅图7，具体地，公式的推导过程如下：

设P₁、P₂为图像中的任意两点，d₁、d₂为这两点的深度距离，点P₁、P₂与相机的横倾斜度夹角θ₁、θ₂，以及竖倾斜度夹角β₁、β₂可由相机的角度分辨率0.23°与点P₁、P₂的横坐标计算得到：

θ₁＝0.23°×P_1x，β₁＝0.23°×P_1y

θ₂＝0.23°×P_2x，β₂＝0.23°×P_2y

已知d₁、d₂和θ₁、θ₂，β₁、β₂要求两点距离d，首先要求出两点分别在Y轴方向的高度差P₁P_{1y_2xz}和P₂P_{1y_2xz}。其中点P_{1y_2xz}是P₁点在P₂点所处xz平面的映射点。由上文计算出的端点高度h可得：

P₁P_{1y_2xz}＝h₁-h₂

其中h₁、h₂为两点离地高度。而要求P₂P_{1y_2xz}，要先求出两点水平方向的距离差P₂′P_{1y_2xz}和Z轴方向的深度差P₂P₂′：

P₂′P_{1y_2xz}＝P_2yP₂′+P₁P_1y

＝d₂sinθ₂+d₁sinθ₁

P₂P₂′＝OO′-P_2zO′

＝O′P_1ycosβ₁-O′P_2y′cosθ₂

＝d₁cosθ₁cosβ₁-d₂cosθ₂cosβ₂

其中，点O′为相机所在的点，O为O′在XY平面的映射点；

最后由勾股定理得：

S413：所述三维距离和d为骨架线距离，根据三维距离和的计算公式得到人体头部端点、左手端点、右手端点、左脚端点和右脚端点分别距离质心的骨架线距离。

本文所述的骨架线指的是人体骨架线端点到其它端点之间所有像素点的实际三维距离之和。请参阅图6，P₁头部端点的骨架线距离指的是P₂～P₅这4个点沿着骨架线上的像素点到P₁点的实际三维距离值之和。

S42：根据骨架线距离和离地高度识别各端点的属性；具体地，包括以下步骤：

S421：骨架线距离最大的两点为脚部端点，骨架线距离最小的一点为头部端点，骨架线距离大于最小骨架线距离且小于最大骨架线距离为手部端点；如表一所示：

表一端点骨架线距离

	P1	P2	P3	P4	P5	骨架线距离
							P1	0	116	120	172	169	577
P2	116	0	176	228	225	745
							P3	120	176	0	232	229	757
P4	172	228	232	0	197	829
							P5	169	225	229	197	0	820

S422：完成人体头部端点、左手端点、右手端点、左脚端点和右脚端点共5个端点的属性识别。也即，通过表一中的计算结果可知，P₁为头部端点，P₂和P₃为手部端点，P₄和P₅为脚部端点。

S5：根据姿势动作特征和各端点属性提取人体目标姿势运动轨迹。具体地，包括以下步骤：

S51：设置姿势动作特征为手部姿势特征；

S52：利用质心与头部端点的平均深度距离信息作为阈值分割人体身躯前的手势；此步骤需要执行的条件为：出现手部挡在身体前等自遮挡情况，如手臂置于身体前，导致骨架线没有手部端点，此时需设定一深度信息的阈值，分离手和身体躯干，得到自遮挡部分的手部端点。

S53：通过计算骨架线距离识别出人体目标的头部端点和手部端点；通过手部端点的横向坐标识别左手端点和右手端点；

S54：根据最近邻分类原则，获取手势运动轨迹图，实现人体目标姿势运动轨迹的提取。

S6：判断人体目标姿势，实现姿势识别。在实施例中，所述步骤S6中，根据人体骨架端点属性和数量、身躯前手势数量、手势轨迹及其方差结合判断人体目标姿势和实现姿势识别。

具体地，在步骤S5～S6中，以交警的姿势动作特征为基础对其进行说明：

本文通过结合交通警察的8个指挥动作的特征和上述姿势端点识别算法，识别停止、直行、左转弯、左转弯待转、右转弯、变道、减速慢行、靠边停车8个标准交警指挥姿势。

以靠边停车姿势为例子，利用质心与头部端点的平均深度距离信息作为阈值分割身躯前的手势。

对分割出来的手势图进行连通域图像标记，删除面积较小的连通区域，找出每个区域距离值的中值点，将该点作为该区域手势的代表点并计算该点离地高度。

对人体目标进行上述姿势识别算法的运算，识别出人体目标的头和手部端点。手部端点可通过其横坐标的值区分右手和左手端点。因为交警指挥动作一般是站立完成，脚步端点可忽略。

请同时参阅图8～图13，在一个完整的交警动作序列帧里，身躯前的手势代表点有时候会有一个点，有时会有两个，根据最近邻分类原则，当帧代表点的坐标位置离前一帧代表点的坐标位置最近的点，将该两点作为同一手势点的连续动作，如图8～13所示，分类得到的6个指挥动作(左转弯和右转弯选一个，左转弯待转信号没有身前手势运动轨迹，故忽略)身躯前手势运动轨迹图，以代表点的离地高度为轨迹的特征值绘图。

将人体骨架端点属性和数量(由于交警始终处于站立姿态，所以只取头，手的端点)，身躯前手势数量，手势轨迹及其方差结合判断交警姿势。

当没有手部端点活动，身躯前没有手势运动，则为站立姿势。

当有一手部端点活动，身躯前没有手势运动，则为左转弯待转信号。

当有两手部端点活动，身躯前有两手势运动，多点高度高于头部端点，则为靠边停车信号。如图8所示。

当有两手部端点活动，身躯前有两手势运动轨迹，没有高于头部端点的轨迹，则为左转弯信号或右转弯信号。如图9所示。再根据较高的那个手部端点的横坐标在头部端点的左右两侧来判断是左转弯还是右转弯。

当有一手部端点活动，身躯前有一手势运动，可能的姿势有停止信号，直行信号，变道信号和减速慢行信号。其中只有停止信号的轨迹图有多点高度高于头部端点，如图10所示，另外三个信号由于波动的剧烈程度存在明显差别，如图11～图13所示。为准确的识别出此处的手势运动为直行信号，变道信号还是减速慢行信号，本发明通过判断手势运动轨迹的方差大小对这三种姿势进行判断。首先，对手势运动轨迹上的各个点进行计算，得出轨迹方差；然后，根据轨迹方差值对当前姿势信号进行判断：当轨迹方差值高于2000，当前手势运动为直行信号；当轨迹方差值低于500，当前手势运动为变道信号；当轨迹方差值介于500-2000之间，当前手势运动为减速慢行信号。

根据停止、直行、左转弯、左转弯待转、右转弯、变道、减速慢行、车辆靠边停车这8种标准交通警察姿势，本发明对20个人在不同的环境下每种获取多个样本，且其识别率如表二所示。

表二交警姿势识别率

由表二可知，并经过实验表明，本发明方法算法复杂度较低，便于嵌入式移植，可实时应用于无人驾驶汽车等领域。

因此，相对于现有技术，本发明通过对深度图像进行前期运处理得到人体目标并骨骼化后，提取人体目标的头、手、脚、质心的端点坐标，并计算各端点距离地面的高度和距离质心的骨架线距离，根据骨架线距离和离地高度识别各端点的属性，然后结合动作的特征和深度信息实现姿势的识别；从而降低了目标追踪的难度和算法的复杂性，提高了识别有效率和目标分割的准确性，方便了实时嵌入式移植。

请参阅图14，本发明还提供了一种基于近红外TOF相机深度信息的姿势识别装置，包括近红外TOF相机1、图像预处理模块2、骨架端点标志模块3、端点属性识别模块4、运动轨迹提取模块5和姿势识别模块6。所述近红外TOF相机1用于获取深度图像，并传送至图像预处理模块2；所述图像预处理模块2用于根据深度图像提取人体目标、人体目标的质心和骨架，并传送至骨架端点标志模块3；所述骨架端点标志模块3用于根据人体目标的质心和骨架标记并提取人体头部端点、左手端点、右手端点、左脚端点和右脚端点的坐标，并传送至端点属性识别模块4；所述端点属性识别模块4用于识别骨架各端点的属性，并传送至运动轨迹提取模块5；所述运动轨迹提取模块5根据姿势动作特征和骨架各端点的运动提取人体目标姿势运动轨迹，并传送至所述姿势识别模块6；所述姿势识别模块6用于判断人体目标姿势以实现姿势识别。

其中，图像预处理模块2处理和分析图像采用Windows7操作***，Intel(R)Core(TM)i7-3610Q处理器，2.30GHz主频。***采用的软件开发环境：Matlab2012b。处理每帧交警姿势深度图平均所需时间为24ms，大约每秒可处理42帧的图像，可以满足实时性的需求。

相对于现有技术，本发明通过近红外TOF相机1和图像预处理模块2实现深度图像的获取和对深度图像进行前期运处理得到人体目标并骨骼化；通过骨架端点标志模块3提取人体目标的头、手、脚、质心的端点坐；通过端点属性识别模块4计算各端点距离地面的高度和距离质心的骨架线距离，根据骨架线距离和离地高度识别各端点的属性；通过运动轨迹提取模块5和姿势识别模块6结合动作的特征和深度信息实现姿势的识别；从而降低了目标追踪的难度和算法的复杂性，提高了识别有效率和目标分割的准确性，同时简化了本装置的结构和方便了本装置的实时嵌入式移植。

本发明并不局限于上述实施方式，如果对本发明的各种改动或变形不脱离本发明的精神和范围，倘若这些改动和变形属于本发明的权利要求和等同技术范围之内，则本发明也意图包含这些改动和变形。

Claims (8)

1.一种基于近红外TOF相机深度信息的姿势识别方法，其特征在于：包括以下步骤：

步骤1：获取深度图像；

步骤2：根据深度图像提取人体目标，以及人体目标的质心和骨架；

步骤3：根据人体目标的质心和骨架标记并提取人体头部端点、左手端点、右手端点、左脚端点和右脚端点的坐标；

步骤4：识别人体目标各端点属性；包括以下步骤：

步骤41：计算人体头部端点、左手端点、右手端点、左脚端点和右脚端点等各端点距离地面的高度、以及各端点沿骨架线到质心的距离；包括以下步骤：

步骤411：测量相机离地高度H、像素端点横倾斜度θ、像素端点竖倾斜度β、像素端点距离相机的距离值D；则像素端点的离地高度h＝H-D·cosθ·sinβ；实现质心和各端点距离地面的高度的计算；

步骤412：在深度图像中，求任意两点P₁和P₂的三维距离和d；三维距离和d根据下述公式求得：其中P₁P_{1y_2xz}为点P₁在Y轴方向的高度差，P₂′P_{1y_2xz}为点P₁和点P₂的水平方向的距离差，P_{1y_2xz}是P₁点在P₂点所处xz平面的映射点；P₂P₂′为P₂在Z轴方向的深度差；

步骤413：所述三维距离和d为骨架线距离，根据三维距离和的计算公式得到人体头部端点、左手端点、右手端点、左脚端点和右脚端点分别距离质心的骨架线距离；

步骤42：根据骨架线距离和离地高度识别各端点的属性；

步骤5：根据姿势动作特征和各端点属性提取人体目标姿势运动轨迹；

步骤6：判断人体目标姿势，实现姿势识别。

2.根据权利要求1所述的基于近红外TOF相机深度信息的姿势识别方法，其特征在于：所述步骤1中，通过近红外TOF相机获取深度图像。

3.根据权利要求2所述的基于近红外TOF相机深度信息的姿势识别方法，其特征在于：所述步骤2中实现人体目标及其质心和骨架的提取包括以下步骤：

步骤21：对深度图像依次进行背景差分处理和图像二值化运算处理，得到目标二值图像；

步骤22：对目标二值图像依次进行孔洞填充、开运算处理以及连通域标记，得到连通域的质心；

步骤23：通过对目标二值图像进行zhang快速并行细化运算，实现人体目标骨架及其坐标的提取。

4.根据权利要求3所述的基于近红外TOF相机深度信息的姿势识别方法，其特征在于：所述步骤3中，实现人体头部端点、左手端点、右手端点、左脚端点和右脚端点的提取和标记包括以下步骤：

步骤31：在骨架中标记距离质心最近的骨架点，生成骨架质心；

步骤32：通过森林树遍历的方法以骨架质心为父节点遍历骨架，获取多个骨架分支节点；

步骤33：根据骨架坐标中骨架分支端点坐标数组的分支节点信息判断骨架分支节点是否存在；若存在，执行步骤34；若不存在，将骨架分支节点存入骨架分支端点坐标数组，执行步骤34；

步骤34：以每个骨架分支节点为子节点遍历骨架，寻找骨架结束端点；

步骤35：根据骨架坐标中骨架结束端点坐标数组的结束端点信息判断骨架结束端点是否存在；若存在，执行步骤36；若不存在，将骨架结束端点存入骨架结束端点坐标数组中，执行步骤36；

步骤36：完成人体头部端点、左手端点、右手端点、左脚端点和右脚端点的提取和标记。

5.根据权利要求1～4任一项所述的基于近红外TOF相机深度信息的姿势识别方法，其特征在于：所述步骤42中，实现各端点属性的识别包括以下步骤：

步骤421：骨架线距离最大的两点为脚部端点，骨架线距离最小的一点为头部端点，骨架线距离大于最小骨架线距离且小于最大骨架线距离为手部端点；

步骤422：完成人体头部端点、左手端点、右手端点、左脚端点和右脚端点共5个端点的属性识别。

6.根据权利要求5所述的基于近红外TOF相机深度信息的姿势识别方法，其特征在于：所述步骤5中，实现人体目标姿势运动轨迹的提取包括以下步骤：

步骤51：设置姿势动作特征为手部姿势特征；

步骤52：利用质心与头部端点的平均深度距离信息作为阈值分割人体身躯前的手势；

步骤53：通过计算骨架线距离识别出人体目标的头部端点和手部端点；通过手部端点的横向坐标识别左手端点和右手端点；

步骤54：根据最近邻分类原则，获取手势运动轨迹图，实现人体目标姿势运动轨迹的提取。

7.根据权利要求6所述的基于近红外TOF相机深度信息的姿势识别方法，其特征在于：所述步骤6中，根据人体骨架端点属性和数量、身躯前手势数量、手势轨迹及其方差结合判断人体目标姿势和实现姿势识别。

8.一种基于近红外TOF相机深度信息的姿势识别装置，其特征在于：包括近红外TOF相机、图像预处理模块、骨架端点标志模块、端点属性识别模块、运动轨迹提取模块和姿势识别模块；所述近红外TOF相机用于获取深度图像，并传送至图像预处理模块；所述图像预处理模块用于根据深度图像提取人体目标、人体目标的质心和骨架，并传送至骨架端点标志模块；所述骨架端点标志模块用于根据人体目标的质心和骨架标记并提取人体头部端点、左手端点、右手端点、左脚端点和右脚端点的坐标，并传送至端点属性识别模块；所述端点属性识别模块用于识别骨架各端点的属性，并传送至运动轨迹提取模块；所述运动轨迹提取模块根据姿势动作特征和骨架各端点的运动提取人体目标姿势运动轨迹，并传送至所述姿势识别模块；所述姿势识别模块用于判断人体目标姿势以实现姿势识别；其中，所述端点属性识别模块对骨架各端点属性的识别包括以下步骤：

步骤41：计算人体头部端点、左手端点、右手端点、左脚端点和右脚端点等各端点距离地面的高度、以及各端点沿骨架线到质心的距离；包括以下步骤：

步骤411：测量相机离地高度H、像素端点横倾斜度θ、像素端点竖倾斜度β、像素端点距离相机的距离值D；则像素端点的离地高度h＝H-D·cosθ·sinβ；实现质心和各端点距离地面的高度的计算；

步骤412：在深度图像中，求任意两点P₁和P₂的三维距离和d；三维距离和d根据下述公式求得：其中P₁P_{1y_2xz}为点P₁在Y轴方向的高度差，P₂′P_{1y_2xz}为点P₁和点P₂的水平方向的距离差，P_{1y_2xz}是P₁点在P₂点所处xz平面的映射点；P₂P₂′为P₂在Z轴方向的深度差；

步骤413：所述三维距离和d为骨架线距离，根据三维距离和的计算公式得到人体头部端点、左手端点、右手端点、左脚端点和右脚端点分别距离质心的骨架线距离；

步骤42：根据骨架线距离和离地高度识别各端点的属性。