CN108596941A - 基于深度图像的目标体运动轨迹预测方法及*** - Google Patents
基于深度图像的目标体运动轨迹预测方法及*** Download PDFInfo
- Publication number
- CN108596941A CN108596941A CN201810196470.8A CN201810196470A CN108596941A CN 108596941 A CN108596941 A CN 108596941A CN 201810196470 A CN201810196470 A CN 201810196470A CN 108596941 A CN108596941 A CN 108596941A
- Authority
- CN
- China
- Prior art keywords
- movement locus
- point
- objective body
- track
- objective
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 84
- 230000001133 acceleration Effects 0.000 claims description 5
- 230000005484 gravity Effects 0.000 claims description 5
- 238000005070 sampling Methods 0.000 claims description 5
- 238000005516 engineering process Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 210000003746 feather Anatomy 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 210000005036 nerve Anatomy 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/50—Depth or shape recovery
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10016—Video; Image sequence
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及图像处理技术领域,具体提供了一种基于深度图像的目标体运动轨迹预测方法及***,旨在解决如何便捷地获取具有较高精度的目标体轨迹的技术问题。为此目的,本发明中的目标体运动轨迹预测方法,能够基于目标体深度图像中目标体轨迹点,分段预测多条运动轨迹,进而可以根据目标体轨迹点与运动轨迹的空间距离,选取准确率较高的运动轨迹,以能够根据这些运动轨迹得到最佳的目标运动轨迹。同时,本发明中的目标体运动轨迹预测***能够执行并实现上述方法。
Description
技术领域
本发明涉及图像处理技术领域,具体涉及一种基于深度图像的目标体运动轨迹预测方法及***。
背景技术
羽毛球机器人是一种基于计算机和视觉跟踪等技术的智能控制***,其能够模拟人类进行羽毛球运动。其中,羽毛球轨迹预测是影响羽毛球机器人动作准确性的重要因素。当前,可以采用羽毛球物理模型或基于神经网络的计算模型,预测羽毛球轨迹。其中,采用羽毛球物理模型预测羽毛球轨迹,操作简单、易于实现,但是预测精度较低。采用基于神经网络的计算模型预测羽毛球轨迹,虽然具有较高的预测精度,但是需要数量级较大的训练样本才能得到精度较高的预测轨迹。
发明内容
为了解决现有技术中的上述问题,即为了解决如何便捷地获取具有较高精度的目标体轨迹的技术问题。为此目的,本发明提供了一种基于深度图像的目标体运动轨迹预测方法及***。
在第一方面,本发明中基于深度图像的目标体运动轨迹预测方法,包括:
根据预先获取的目标体深度图像,获取多个连续的目标体轨迹点;
基于预设的轨迹预测方法,并根据第1~3个连续的所述目标体轨迹点,得到第一运动轨迹;
基于所述预设的轨迹预测方法,并根据第2~4个连续的所述目标体轨迹点,得到第二运动轨迹;
基于所述预设的轨迹预测方法,并根据第3~5个连续的所述目标体轨迹点,得到第三运动轨迹;
对所述第一运动轨迹、第二运动轨迹和第三运动轨迹进行修正,得到目标体运动轨迹。
进一步地,本发明提供的一个优选技术方案为:
所述预设的轨迹预测方法具体包括:
获取三个连续的目标体轨迹点的空间位置,并根据所获取的空间位置,计算目标体的初始运动速度和初始运动方向;
将三个连续的目标体轨迹点中的第二个目标体轨迹点作为初始位置点;根据所述初始位置点、初始运动速度和初始运动方向,并按照下式所示的方法,计算当前运动轨迹中的目标体轨迹点:
其中,(xi,yi,yi)为所述当前运动轨迹中第i个目标体轨迹点的空间位置坐标;(v0x,v0y,v0z)为所述初始位置点的空间位置坐标;所述vi为目标体在所述第i个目标体轨迹点的运动速度;所述αi为目标体在所述第i个目标体轨迹点的运动方向;所述ts为利用摄像装置获取目标体深度图像的采样间隔。
进一步地,本发明提供的一个优选技术方案为:
所述目标体在第i个目标体轨迹点的运动速度vi和运动方向αi如下式所示:
其中,所述vi-1为目标体在第i-1个目标体轨迹点的运动速度;所述αi-1为目标体在第i-1个目标体轨迹点的运动方向;所述k为空气阻力系数;所述g为重力加速度。
进一步地,本发明提供的一个优选技术方案为:
“对所述第一运动轨迹、第二运动轨迹和第三运动轨迹进行修正,得到目标体运动轨迹”的步骤具体包括:
在所述第四个运动轨迹点和所述第五个运动轨迹点均未偏离所述第一运动轨迹,并且所述第五个运动轨迹点未偏离所述第二运动轨迹的情况下,按照下式所示的方法获取目标体运动轨迹Tm:
在所述第四个运动轨迹点或所述第五个运动轨迹点偏离所述第一运动轨迹,并且所述第五个运动轨迹点未偏离所述第二运动轨迹的情况下,按照下式所示的方法获取目标体运动轨迹Tm:
在所述第四个运动轨迹点或所述第五个运动轨迹点偏离所述第一运动轨迹,并且所述第五个运动轨迹点偏离所述第二运动轨迹的情况下,所述目标体运动轨迹Tm=T3;
其中,所述T1、T2和T3分别为第一运动轨迹、第二运动轨迹和第三运动轨迹。
进一步地,本发明提供的一个优选技术方案为:
“对所述第一运动轨迹、第二运动轨迹和第三运动轨迹进行修正,得到目标体运动轨迹”的步骤之前包括:
计算所述第四个运动轨迹点与所述第一运动轨迹的空间距离Wn+1_1,计算所述第五个运动轨迹点分别与所述第一运动轨迹和第二运动轨迹的空间距离Wn+2_1和Wn+2_2;
根据所述空间距离Wn+1_1和预设阈值e,判断所述第四个运动轨迹点是否偏离所述第一运动轨迹:若Wn+1_1>e,则所述第四个运动轨迹点偏离所述第一运动轨迹;
根据所述空间距离Wn+2_1和所述预设阈值e,判断所述第五个运动轨迹点是否偏离所述第一运动轨迹:若Wn+2_1>e,则所述第五个运动轨迹点偏离所述第一运动轨迹;
根据所述空间距离Wn+2_2和所述预设阈值e,判断所述第五个运动轨迹点是否偏离所述第二运动轨迹:若Wn+2_2>e,则所述第五个运动轨迹点偏离所述第二运动轨迹。
在第二方面,本发明中基于深度图像的目标体运动轨迹预测***,包括:
目标体轨迹点获取模块,配置为根据预先获取的目标体深度图像,获取多个连续的目标体轨迹点;
第一运动轨迹获取模块,配置为基于预设的轨迹预测方法,并根据第1~3个所述目标体轨迹点,得到第一运动轨迹;
第二运动轨迹获取模块,配置为基于所述预设的轨迹预测方法,并根据第2~4个连续的所述目标体轨迹点,得到第二运动轨迹;
第三运动轨迹获取模块,配置为基于所述预设的轨迹预测方法,并根据第3~5个连续的所述目标体轨迹点,得到第三运动轨迹;
目标体运动轨迹获取模块,配置为对所述第一运动轨迹获取模块所获取的第一运动轨迹、所述第二运动轨迹获取模块所获取的第二运动轨迹和所述第三运动轨迹获取模块所获取的第三运动轨迹进行修正,得到目标体运动轨迹。
进一步地,本发明提供的一个优选技术方案为:
所述***还包括轨迹预测模块,其配置为执行如下操作,以使所述***能够获取所述第一运动轨迹、第二运动轨迹和第三运动轨迹:
获取三个连续的目标体轨迹点的空间位置,并根据所获取的空间位置,计算目标体的初始运动速度和初始运动方向;
将三个连续的目标体轨迹点中的第二个目标体轨迹点作为初始位置点;根据所述初始位置点、初始运动速度和初始运动方向,并按照下式所示的方法,计算当前运动轨迹中的目标体轨迹点:
其中,(xi,yi,yi)为所述当前运动轨迹中第i个目标体轨迹点的空间位置坐标;(v0x,v0y,v0z)为所述初始位置点的空间位置坐标;所述vi为目标体在所述第i个目标体轨迹点的运动速度;所述αi为目标体在所述第i个目标体轨迹点的运动方向;所述ts为利用摄像***获取目标体深度图像的采样间隔。
进一步地,本发明提供的一个优选技术方案为:
所述轨迹预测模块包括目标体运动速度/方向计算单元,其配置为执行如下操作:
按照下式所示的方法计算目标体在第i个目标体轨迹点的运动速度vi和运动方向αi:
其中,所述vi-1为目标体在第i-1个目标体轨迹点的运动速度;所述αi-1为目标体在第i-1个目标体轨迹点的运动方向;所述k为空气阻力系数;所述g为重力加速度。
进一步地,本发明提供的一个优选技术方案为:
所述目标体运动轨迹获取模块包括第一轨迹修正单元、第二轨迹修正单元和第三轨迹修正单元;
所述第一轨迹修正单元,配置为在所述第四个运动轨迹点和所述第五个运动轨迹点均未偏离所述第一运动轨迹,并且所述第五个运动轨迹点未偏离所述第二运动轨迹的情况下,按照下式所示的方法获取目标体运动轨迹Tm:
其中,所述T1、T2和T3分别为第一运动轨迹、第二运动轨迹和第三运动轨迹;
所述第二轨迹修正单元,配置为在所述第四个运动轨迹点或所述第五个运动轨迹点偏离所述第一运动轨迹,并且所述第五个运动轨迹点未偏离所述第二运动轨迹的情况下,按照下式所示的方法获取目标体运动轨迹Tm:
所述第三轨迹修正单元,配置为在所述第四个运动轨迹点或所述第五个运动轨迹点偏离所述第一运动轨迹,并且所述第五个运动轨迹点偏离所述第二运动轨迹的情况下,所述目标体运动轨迹Tm=T3。
进一步地,本发明提供的一个优选技术方案为:
所述目标体运动轨迹获取模块还包括目标体偏差计算单元、第一目标体偏离判断单元、第二目标体偏离判断单元和第三目标体偏离判断单元;
所述目标体偏差计算单元,配置为计算所述第四个运动轨迹点与所述第一运动轨迹的空间距离Wn+1_1,计算所述第五个运动轨迹点分别与所述第一运动轨迹和第二运动轨迹的空间距离Wn+2_1和Wn+2_2;
所述第一目标体偏离判断单元,配置为根据所述空间距离Wn+1_1和预设阈值e,判断所述第四个运动轨迹点是否偏离所述第一运动轨迹:若Wn+1_1>e,则所述第四个运动轨迹点偏离所述第一运动轨迹;
所述第二目标体偏离判断单元,配置为根据所述空间距离Wn+2_1和所述预设阈值e,判断所述第五个运动轨迹点是否偏离所述第一运动轨迹:若Wn+2_1>e,则所述第五个运动轨迹点偏离所述第一运动轨迹;
所述第三目标体偏离判断单元,配置为根据所述空间距离Wn+2_2和所述预设阈值e,判断所述第五个运动轨迹点是否偏离所述第二运动轨迹:若Wn+2_2>e,则所述第五个运动轨迹点偏离所述第二运动轨迹。
与最接近的现有技术相比,上述技术方案至少具有如下有益效果:
1、本发明中的基于深度图像的目标体运动轨迹预测方法,能够基于目标体深度图像中目标体轨迹点,分段预测多条运动轨迹,进而可以根据目标体轨迹点与运动轨迹的空间距离,选取准确率较高的运动轨迹,以能够根据这些运动轨迹得到最佳的目标运动轨迹。
2、本发明中的基于深度图像的目标体运动轨迹预测方法,根据摄像装置精度设定空间距离的阈值,从而能够准确判断当前轨迹中的轨迹点是否偏离上一个轨迹。
3、本发明中的基于深度图像的目标体运动轨迹预测方法,采用三个连续的目标体轨迹点预测一段运动轨迹,并根据三段连续的运动轨迹,能够得到最佳的目标体运动轨迹和目标体落地点。
附图说明
图1是本发明实施例中一种基于深度图像的目标体运动轨迹预测方法的主要步骤示意图;
图2是本发明实施例中另一种基于深度图像的目标体运动轨迹预测***的主要步骤示意图;
图3是本发明实施例中一种基于深度图像的目标体运动轨迹预测***的主要结构示意图。
具体实施方式
下面参照附图来描述本发明的优选实施方式。本领域技术人员应当理解的是,这些实施方式仅仅用于解释本发明的技术原理,并非旨在限制本发明的保护范围。
参阅附图1,图1示例性示出了本实施例中一种基于深度图像的目标体运动轨迹预测方法的主要步骤。如图1所示,本实施例中可以按照如下步骤预测目标体的运动轨迹:
步骤S101:根据预先获取的目标体深度图像,获取多个连续的目标体轨迹点。具体地,本实施例中可以采用摄像装置,如深度摄像机,获取目标体移动过程中的深度图像,并且可以采用常规的深度图像处理方法获取目标体轨迹点。例如,本实施例中可以采用Kinect for Windows v2.0 SDK所公开的Depth Basics-D2D程序,获取目标体轨迹点。
步骤S102:基于预设的轨迹预测方法,并根据第1~3个目标体轨迹点,得到第一运动轨迹。
具体地,本实施例中预设的轨迹预测方法包括如下步骤:
首先,获取三个连续的目标体轨迹点的空间位置,并根据所获取的空间位置,计算目标体的初始运动速度和初始运动方向。
其次,将三个连续的目标体轨迹点中的第二个目标体轨迹点作为初始位置点;根据初始位置点、初始运动速度和初始运动方向,并按照下式(1)所示的方法,计算当前运动轨迹中的目标体轨迹点:
公式(1)中各参数含义为:
(xi,yi,yi)为当前运动轨迹中第i个目标体轨迹点的空间位置坐标。(v0x,v0y,v0z)为初始位置点的空间位置坐标。vi为目标体在第i个目标体轨迹点的运动速度。αi为目标体在第i个目标体轨迹点的运动方向。ts为利用摄像装置获取目标体深度图像的采样间隔。
本实施例中目标体在第i个目标体轨迹点的运动速度vi和运动方向αi如下式(2)所示:
公式(2)中各参数含义为:
vi-1为目标体在第i-1个目标体轨迹点的运动速度。αi-1为目标体在第i-1个目标体轨迹点的运动方向。k为空气阻力系数。g为重力加速度。
进一步地,基于上述预设的轨迹预测方法,图1所示目标体运动轨迹预测方法可以按照如下步骤获取第一运动轨迹:
步骤S1021:获取第1~3个连续目标体轨迹点P1、P2和P3的空间位置,即和
步骤S1022:将目标体轨迹点P2作为初始位置点,并按照下式(3)和(4)可以计算得到目标体在第一运动轨迹中的初始运动速度(v0x,v0y,v0z)和初始运动方向α0:
步骤S1023:根据初始位置点、初始运动速度和初始运动方向,并按照公式(1)所示的方法,计算第一运动轨迹中其他目标体轨迹点,进而得到第一运动轨迹。
步骤S103:基于预设的轨迹预测方法,并根据第2~4个连续的目标体轨迹点,得到第二运动轨迹。本实施例中第二运动轨迹的获取方法与第一运动轨迹的获取方法相同,具体可以包括如下步骤:
步骤S1031:获取第2~4个连续目标体轨迹点P2、P3和P4的空间位置,即和
步骤S1032:将目标体轨迹点P3作为初始位置点,并按照公式(3)和(4)所述的方法,计算得到目标体在第二运动轨迹中的初始运动速度(v0x,v0y,v0z)和初始运动方向α0。
步骤S1033:根据初始位置点、初始运动速度和初始运动方向,并按照公式(1)所示的方法,计算第二运动轨迹中其他目标体轨迹点,进而得到第二运动轨迹。
步骤S104:基于预设的轨迹预测方法,并根据第3~5个连续的目标体轨迹点,得到第三运动轨迹。
步骤S1041:获取第3~5个连续目标体轨迹点P3、P4和P5空间位置,即和
步骤S1032:将目标体轨迹点P4作为初始位置点,并按照公式(3)和(4)所述的方法,计算得到目标体在第三运动轨迹中的初始运动速度(v0x,v0y,v0z)和初始运动方向α0。
步骤S1033:根据初始位置点、初始运动速度和初始运动方向,并按照公式(1)所示的方法,计算第三运动轨迹中其他目标体轨迹点,进而得到第三运动轨迹。
步骤S105:对第一运动轨迹、第二运动轨迹和第三运动轨迹进行修正,得到目标体运动轨迹。具体地,本实施例中可以按照如下方法获取目标体运动轨迹:
步骤S1051:判断目标体轨迹点是否偏离运动轨迹:
首先,计算第四个运动轨迹点与第一运动轨迹的空间距离Wn+1_1,计算第五个运动轨迹点分别与第一运动轨迹和第二运动轨迹的空间距离Wn+2_1和Wn+2_2。
其次,根据空间距离Wn+1_1和预设阈值e,判断第四个运动轨迹点是否偏离第一运动轨迹;根据空间距离Wn+2_1和预设阈值e,判断第五个运动轨迹点是否偏离第一运动轨迹;根据空间距离Wn+2_2和预设阈值e,判断第五个运动轨迹点是否偏离第二运动轨迹。
若Wn+1_1>e,则第四个运动轨迹点偏离第一运动轨迹;
若Wn+2_1>e,则第五个运动轨迹点偏离第一运动轨迹;
若Wn+2_2>e,则第五个运动轨迹点偏离第二运动轨迹。
步骤S1052:根据上述判断结果,获取目标体运动轨迹Tm:
1、在第四个运动轨迹点和第五个运动轨迹点均未偏离第一运动轨迹,并且第五个运动轨迹点未偏离第二运动轨迹的情况下,可以按照下式(5)所示的方法获取目标体运动轨迹Tm:
公式(5)中各参数含义为:T1、T2和T3分别为第一运动轨迹、第二运动轨迹和第三运动轨迹。
2、在第四个运动轨迹点或第五个运动轨迹点偏离第一运动轨迹,并且第五个运动轨迹点未偏离第二运动轨迹的情况下,按照下式(6)所示的方法获取目标体运动轨迹Tm:
3、在第四个运动轨迹点或第五个运动轨迹点偏离第一运动轨迹,并且第五个运动轨迹点偏离第二运动轨迹的情况下,目标体运动轨迹Tm=T3。
参阅附图2,图2示例性示出了本实施例中另一种基于深度图像的目标体运动轨迹预测方法的主要步骤。如图2所示,本实施例中可以按照如下步骤预测目标体的运动轨迹:
步骤S201:获取目标体深度图像。
步骤S202:获取第1-3个连续的目标体轨迹点的空间位置。
步骤S203:计算目标体在当前运动轨迹的初始运动速度和初始速度方向。具体地,本实施例中可以按照公式(3)和(4)所示的方法,计算得到目标体在当前运动轨迹中的初始运动速度(v0x,v0y,v0z)和初始运动方向α0。
步骤S204:根据初始位置点、初始运动速度和初始速度方向,计算当前运动轨迹中的其他目标体轨迹点。具体地,本实施例中可以按照公式(1)所示的方法,计算当前运动轨迹中的其他目标体轨迹点。
步骤S205:根据第1-3个连续的目标体轨迹点,及其对应的其他目标体轨迹点,形成第一运动轨迹。
步骤S206:获取第4个目标体轨迹点的空间位置,并重复执行步骤S203-步骤S204,得到第二运动轨迹。
步骤S207:获取第5个目标体轨迹点的空间位置,并重复执行步骤S203-步骤S204,得到第三运动轨迹。
步骤S208:判断第4个目标体轨迹点或第5个目标体轨迹点是否偏离第一运动轨迹。具体地,若第4个目标体轨迹点或第5个目标体轨迹点偏离第一运动轨迹,则转至步骤S209。若第4个目标体轨迹点和第5个目标体轨迹点均未偏离第一运动轨迹,则转至步骤S213。
步骤S209:放弃第一运动轨迹。
步骤S210:判断第5个目标体轨迹点是否偏离第二运动轨迹。具体地,若第5个目标体轨迹点未偏离第二运动轨迹,则转至步骤S211。若第5个目标体轨迹点偏离第二运动轨迹,则放弃第二运动轨迹,并转至步骤S212。
步骤S211:根据第二和第三运动轨迹,得到目标体运动轨迹。具体地,本实施例中可以按照公式(6)所示的方法,获取目标体运动轨迹。
步骤S212:根据第三运动轨迹,得到目标体运动轨迹。具体地,本实施例中目标体运动轨迹为第三运动轨迹。
步骤S213:判断第5个目标体轨迹点是否偏离第二运动轨迹。具体地,若第5个目标体轨迹点偏离第二运动轨迹,则转至步骤S214。若第5个目标体轨迹点未偏离第二运动轨迹,则转至步骤S215。
步骤S214:放弃第二运动轨迹。
步骤S215:根据第一、第二和第三运动轨迹,得到目标体运动轨迹。具体地,本实施例中可以按照公式(5)所示的方法,获取目标体运动轨迹。
上述实施例中虽然将各个步骤按照上述先后次序的方式进行了描述,但是本领域技术人员可以理解,为了实现本实施例的效果,不同的步骤之间不必按照这样的次序执行,其可以同时(并行)执行或以颠倒的次序执行,这些简单的变化都在本发明的保护范围之内。
基于与方法实施例相同的技术构思,本发明实施例还提供一种基于深度图像的目标体运动轨迹预测***。下面结合附图对该基于深度图像的目标体运动轨迹预测***进行具体说明。
参阅附图2,图2示例性示出了本实施例中一种基于深度图像的目标体运动轨迹预测***的主要结构。如图2所示,本实施例中基于深度图像的目标体运动轨迹预测***可以包括目标体轨迹点获取模块11、第一运动轨迹获取模块12、第二运动轨迹获取模块13、第三运动轨迹获取模块14和目标体运动轨迹获取模块15。具体地,本实施例中目标体轨迹点获取模块11可以配置为根据预先获取的目标体深度图像,获取多个连续的目标体轨迹点。第一运动轨迹获取模块12可以配置为基于预设的轨迹预测方法,并根据第1~3个目标体轨迹点,得到第一运动轨迹。第二运动轨迹获取模块13可以配置为基于预设的轨迹预测方法,并根据第2~4个连续的目标体轨迹点,得到第二运动轨迹。第三运动轨迹获取模块14可以配置为基于预设的轨迹预测方法,并根据第3~5个连续的目标体轨迹点,得到第三运动轨迹。目标体运动轨迹获取模块15可以配置为对第一运动轨迹获取模块12所获取的第一运动轨迹、第二运动轨迹获取模块13所获取的第二运动轨迹和第三运动轨迹获取模块13所获取的第三运动轨迹进行修正,得到目标体运动轨迹。
进一步地,本实施例中图2所示目标体轨迹预测***还可以包括轨迹预测模块,其配置为执行如下操作,以使该***能够获取第一运动轨迹、第二运动轨迹和第三运动轨迹:
首先,获取三个连续的目标体轨迹点的空间位置,并根据所获取的空间位置,计算目标体的初始运动速度和初始运动方向。
其次,将三个连续的目标体轨迹点中的第二个目标体轨迹点作为初始位置点;根据初始位置点、初始运动速度和初始运动方向,并按照公式(1)所示的方法,计算当前运动轨迹中的目标体轨迹点。
进一步地,本实施例中轨迹预测模块可以包括目标体运动速度/方向计算单元,其配置为按照公式(2)所示的方法计算目标体在第i个目标体轨迹点的运动速度vi和运动方向αi。
进一步地,本实施例中目标体运动轨迹获取模块15可以包括第一轨迹修正单元、第二轨迹修正单元和第三轨迹修正单元。
具体地,第一轨迹修正单元可以配置为在第四个运动轨迹点和第五个运动轨迹点未偏离第一运动轨迹,并且第五个运动轨迹点未偏离第二运动轨迹的情况下,按照公式(5)所示的方法获取目标体运动轨迹Tm。第二轨迹修正单元可以配置为在第四个运动轨迹点或第五个运动轨迹点偏离第一运动轨迹,并且第五个运动轨迹点未偏离第二运动轨迹的情况下,按照公式(6)所示的方法获取目标体运动轨迹Tm。第三轨迹修正单元可以配置为在第四个运动轨迹点或第五个运动轨迹点偏离第一运动轨迹,并且第五个运动轨迹点偏离第二运动轨迹的情况下,所述目标体运动轨迹Tm=T3。
进一步地,本实施例中目标体运动轨迹获取模块15还可以包括目标体偏差计算单元、第一目标体偏离判断单元、第二目标体偏离判断单元和第三目标体偏离判断单元。
具体地,目标体偏差计算单元可以配置为计算第四个运动轨迹点与第一运动轨迹的空间距离Wn+1_1,计算第五个运动轨迹点分别与第一运动轨迹和第二运动轨迹的空间距离Wn+2_1和Wn+2_2。第一目标体偏离判断单元可以配置为根据空间距离Wn+1_1和预设阈值e,判断第四个运动轨迹点是否偏离第一运动轨迹:若Wn+1_1>e,则第四个运动轨迹点偏离第一运动轨迹。第二目标体偏离判断单元可以配置为根据空间距离Wn+2_1和预设阈值e,判断第五个运动轨迹点是否偏离第一运动轨迹:若Wn+2_1>e,则第五个运动轨迹点偏离第一运动轨迹。第三目标体偏离判断单元可以配置为根据空间距离Wn+2_2和预设阈值e,判断第五个运动轨迹点是否偏离第二运动轨迹:若Wn+2_2>e,则第五个运动轨迹点偏离第二运动轨迹。
上述基于深度图像的目标体运动轨迹预测***实施例可以用于执行上述基于深度图像的目标体运动轨迹预测方法实施例,其技术原理、所解决的技术问题及产生的技术效果相似,所属技术领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的基于深度图像的目标体运动轨迹预测***的具体工作过程及有关说明,可以参考前述基于深度图像的目标体运动轨迹预测方法实施例中的对应过程,在此不再赘述。
本领域技术人员可以理解,上述基于深度图像的目标体运动轨迹预测***还包括一些其他公知结构,例如处理器、存储器等,其中,存储器包括但不限于随机存储器、闪存、只读存储器、可编程只读存储器、易失性存储器、非易失性存储器、串行存储器、并行存储器或寄存器等,处理器包括但不限于CPLD/FPGA、DSP、ARM处理器、MIPS处理器等,为了不必要地模糊本公开的实施例,这些公知的结构未在图2中示出。
应该理解,图2中的各个模块的数量仅仅是示意性的。根据实际需要,各模块可以具有任意的数量。
本领域技术人员可以理解,可以对实施例中的***中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个***中。可以把实施例中的模块或单元组合成一个模块或单元,以及此外可以把它们分成多个子模块或子单元。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外,可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述,本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。
应该注意的是上述实施例对本发明进行说明而不是对本发明进行限制,并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。在权利要求中,不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包括”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。
此外,本领域的技术人员能够理解,尽管在此所述的一些实施例包括其它实施例中所包括的某些特征而不是其它特征,但是不同实施例的特征的组合意味着处于本发明的范围之内并且形成不同的实施例。例如,在本发明的权利要求书中,所要求保护的实施例的任意之一都可以以任意的组合方式来使用。
至此,已经结合附图所示的优选实施方式描述了本发明的技术方案,但是,本领域技术人员容易理解的是,本发明的保护范围显然不局限于这些具体实施方式。在不偏离本发明的原理的前提下,本领域技术人员可以对相关技术特征作出等同的更改或替换,这些更改或替换之后的技术方案都将落入本发明的保护范围之内。
Claims (10)
1.一种基于深度图像的目标体运动轨迹预测方法,其特征在于,所述方法包括:
根据预先获取的目标体深度图像,获取多个连续的目标体轨迹点;
基于预设的轨迹预测方法,并根据第1~3个连续的所述目标体轨迹点,得到第一运动轨迹;
基于所述预设的轨迹预测方法,并根据第2~4个连续的所述目标体轨迹点,得到第二运动轨迹;
基于所述预设的轨迹预测方法,并根据第3~5个连续的所述目标体轨迹点,得到第三运动轨迹;
对所述第一运动轨迹、第二运动轨迹和第三运动轨迹进行修正,得到目标体运动轨迹。
2.根据权利要求1所述的基于深度图像的目标体运动轨迹预测方法,其特征在于,所述预设的轨迹预测方法具体包括:
获取三个连续的目标体轨迹点的空间位置,并根据所获取的空间位置,计算目标体的初始运动速度和初始运动方向;
将三个连续的目标体轨迹点中的第二个目标体轨迹点作为初始位置点;根据所述初始位置点、初始运动速度和初始运动方向,并按照下式所示的方法,计算当前运动轨迹中的目标体轨迹点:
其中,(xi,yi,yi)为所述当前运动轨迹中第i个目标体轨迹点的空间位置坐标;(v0x,v0y,v0z)为所述初始位置点的空间位置坐标;所述vi为目标体在所述第i个目标体轨迹点的运动速度;所述αi为目标体在所述第i个目标体轨迹点的运动方向;所述ts为利用摄像装置获取目标体深度图像的采样间隔。
3.根据权利要求2所述的基于深度图像的目标体运动轨迹预测方法,其特征在于,所述目标体在第i个目标体轨迹点的运动速度vi和运动方向αi如下式所示:
其中,所述vi-1为目标体在第i-1个目标体轨迹点的运动速度;所述αi-1为目标体在第i-1个目标体轨迹点的运动方向;所述k为空气阻力系数;所述g为重力加速度。
4.根据权利要求1-3任一项所述的基于深度图像的目标体运动轨迹预测方法,其特征在于,“对所述第一运动轨迹、第二运动轨迹和第三运动轨迹进行修正,得到目标体运动轨迹”的步骤具体包括:
在所述第四个运动轨迹点和所述第五个运动轨迹点均未偏离所述第一运动轨迹,并且所述第五个运动轨迹点未偏离所述第二运动轨迹的情况下,按照下式所示的方法获取目标体运动轨迹Tm:
在所述第四个运动轨迹点或所述第五个运动轨迹点偏离所述第一运动轨迹,并且所述第五个运动轨迹点未偏离所述第二运动轨迹的情况下,按照下式所示的方法获取目标体运动轨迹Tm:
在所述第四个运动轨迹点或所述第五个运动轨迹点偏离所述第一运动轨迹,并且所述第五个运动轨迹点偏离所述第二运动轨迹的情况下,所述目标体运动轨迹Tm=T3;
其中,所述T1、T2和T3分别为第一运动轨迹、第二运动轨迹和第三运动轨迹。
5.根据权利要求4所述的基于深度图像的目标体运动轨迹预测方法,其特征在于,“对所述第一运动轨迹、第二运动轨迹和第三运动轨迹进行修正,得到目标体运动轨迹”的步骤之前包括:
计算所述第四个运动轨迹点与所述第一运动轨迹的空间距离Wn+1_1,计算所述第五个运动轨迹点分别与所述第一运动轨迹和第二运动轨迹的空间距离Wn+2_1和Wn+2_2;
根据所述空间距离Wn+1_1和预设阈值e,判断所述第四个运动轨迹点是否偏离所述第一运动轨迹:若Wn+1_1>e,则所述第四个运动轨迹点偏离所述第一运动轨迹;
根据所述空间距离Wn+2_1和所述预设阈值e,判断所述第五个运动轨迹点是否偏离所述第一运动轨迹:若Wn+2_1>e,则所述第五个运动轨迹点偏离所述第一运动轨迹;
根据所述空间距离Wn+2_2和所述预设阈值e,判断所述第五个运动轨迹点是否偏离所述第二运动轨迹:若Wn+2_2>e,则所述第五个运动轨迹点偏离所述第二运动轨迹。
6.一种基于深度图像的目标体运动轨迹预测***,其特征在于,所述***包括:
目标体轨迹点获取模块,配置为根据预先获取的目标体深度图像,获取多个连续的目标体轨迹点;
第一运动轨迹获取模块,配置为基于预设的轨迹预测方法,并根据第1~3个所述目标体轨迹点,得到第一运动轨迹;
第二运动轨迹获取模块,配置为基于所述预设的轨迹预测方法,并根据第2~4个连续的所述目标体轨迹点,得到第二运动轨迹;
第三运动轨迹获取模块,配置为基于所述预设的轨迹预测方法,并根据第3~5个连续的所述目标体轨迹点,得到第三运动轨迹;
目标体运动轨迹获取模块,配置为对所述第一运动轨迹获取模块所获取的第一运动轨迹、所述第二运动轨迹获取模块所获取的第二运动轨迹和所述第三运动轨迹获取模块所获取的第三运动轨迹进行修正,得到目标体运动轨迹。
7.根据权利要求6所述的基于深度图像的目标体运动轨迹预测***,其特征在于,所述***还包括轨迹预测模块,其配置为执行如下操作,以使所述***能够获取所述第一运动轨迹、第二运动轨迹和第三运动轨迹:
获取三个连续的目标体轨迹点的空间位置,并根据所获取的空间位置,计算目标体的初始运动速度和初始运动方向;
将三个连续的目标体轨迹点中的第二个目标体轨迹点作为初始位置点;根据所述初始位置点、初始运动速度和初始运动方向,并按照下式所示的方法,计算当前运动轨迹中的目标体轨迹点:
其中,(xi,yi,yi)为所述当前运动轨迹中第i个目标体轨迹点的空间位置坐标;(v0x,v0y,v0z)为所述初始位置点的空间位置坐标;所述vi为目标体在所述第i个目标体轨迹点的运动速度;所述αi为目标体在所述第i个目标体轨迹点的运动方向;所述ts为利用摄像***获取目标体深度图像的采样间隔。
8.根据权利要求7所述的基于深度图像的目标体运动轨迹预测***,其特征在于,所述轨迹预测模块包括目标体运动速度/方向计算单元,其配置为执行如下操作:
按照下式所示的方法计算目标体在第i个目标体轨迹点的运动速度vi和运动方向αi:
其中,所述vi-1为目标体在第i-1个目标体轨迹点的运动速度;所述αi-1为目标体在第i-1个目标体轨迹点的运动方向;所述k为空气阻力系数;所述g为重力加速度。
9.根据权利要求6-8任一项所述的基于深度图像的目标体运动轨迹预测***,其特征在于,所述目标体运动轨迹获取模块包括第一轨迹修正单元、第二轨迹修正单元和第三轨迹修正单元;
所述第一轨迹修正单元,配置为在所述第四个运动轨迹点和所述第五个运动轨迹点均未偏离所述第一运动轨迹,并且所述第五个运动轨迹点未偏离所述第二运动轨迹的情况下,按照下式所示的方法获取目标体运动轨迹Tm:
其中,所述T1、T2和T3分别为第一运动轨迹、第二运动轨迹和第三运动轨迹;
所述第二轨迹修正单元,配置为在所述第四个运动轨迹点或所述第五个运动轨迹点偏离所述第一运动轨迹,并且所述第五个运动轨迹点未偏离所述第二运动轨迹的情况下,按照下式所示的方法获取目标体运动轨迹Tm:
所述第三轨迹修正单元,配置为在所述第四个运动轨迹点或所述第五个运动轨迹点偏离所述第一运动轨迹,并且所述第五个运动轨迹点偏离所述第二运动轨迹的情况下,所述目标体运动轨迹Tm=T3。
10.根据权利要求9所述的基于深度图像的目标体运动轨迹预测***,其特征在于,所述目标体运动轨迹获取模块还包括目标体偏差计算单元、第一目标体偏离判断单元、第二目标体偏离判断单元和第三目标体偏离判断单元;
所述目标体偏差计算单元,配置为计算所述第四个运动轨迹点与所述第一运动轨迹的空间距离Wn+1_1,计算所述第五个运动轨迹点分别与所述第一运动轨迹和第二运动轨迹的空间距离Wn+2_1和Wn+2_2;
所述第一目标体偏离判断单元,配置为根据所述空间距离Wn+1_1和预设阈值e,判断所述第四个运动轨迹点是否偏离所述第一运动轨迹:若Wn+1_1>e,则所述第四个运动轨迹点偏离所述第一运动轨迹;
所述第二目标体偏离判断单元,配置为根据所述空间距离Wn+2_1和所述预设阈值e,判断所述第五个运动轨迹点是否偏离所述第一运动轨迹:若Wn+2_1>e,则所述第五个运动轨迹点偏离所述第一运动轨迹;
所述第三目标体偏离判断单元,配置为根据所述空间距离Wn+2_2和所述预设阈值e,判断所述第五个运动轨迹点是否偏离所述第二运动轨迹:若Wn+2_2>e,则所述第五个运动轨迹点偏离所述第二运动轨迹。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810196470.8A CN108596941B (zh) | 2018-03-09 | 2018-03-09 | 基于深度图像的目标体运动轨迹预测方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810196470.8A CN108596941B (zh) | 2018-03-09 | 2018-03-09 | 基于深度图像的目标体运动轨迹预测方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108596941A true CN108596941A (zh) | 2018-09-28 |
CN108596941B CN108596941B (zh) | 2020-10-02 |
Family
ID=63625957
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810196470.8A Active CN108596941B (zh) | 2018-03-09 | 2018-03-09 | 基于深度图像的目标体运动轨迹预测方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108596941B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112328086A (zh) * | 2020-11-14 | 2021-02-05 | 上海卓腾展览展示有限公司 | 基于视频识别的智能显示方法、***、装置及存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2012096907A1 (en) * | 2011-01-10 | 2012-07-19 | Hangzhou Conformal & Digital Technology Limited Corporation | Mesh animation |
CN102752855A (zh) * | 2012-08-01 | 2012-10-24 | 重庆大学 | 基于路径规则和预测的室内人员定位***及方法 |
CN106454722A (zh) * | 2016-09-09 | 2017-02-22 | 华南理工大学 | 一种移动通信终端基于地图匹配的动态差分定位方法 |
CN107645701A (zh) * | 2017-09-12 | 2018-01-30 | 咪咕互动娱乐有限公司 | 一种生成运动轨迹的方法及装置 |
-
2018
- 2018-03-09 CN CN201810196470.8A patent/CN108596941B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2012096907A1 (en) * | 2011-01-10 | 2012-07-19 | Hangzhou Conformal & Digital Technology Limited Corporation | Mesh animation |
CN102752855A (zh) * | 2012-08-01 | 2012-10-24 | 重庆大学 | 基于路径规则和预测的室内人员定位***及方法 |
CN106454722A (zh) * | 2016-09-09 | 2017-02-22 | 华南理工大学 | 一种移动通信终端基于地图匹配的动态差分定位方法 |
CN107645701A (zh) * | 2017-09-12 | 2018-01-30 | 咪咕互动娱乐有限公司 | 一种生成运动轨迹的方法及装置 |
Non-Patent Citations (3)
Title |
---|
MICHAEL L. GLEICHER 等: "Re-Cinematography:Improving the Camera Dynamics of Casual Video", 《PROCEEDING MM "07 PROCEEDINGS OF THE 15TH ACM INTERNATIONAL CONFERENCE ON MULTIMEDIA》 * |
TING, H. Y. 等: "Kinect-Based Badminton Movement Recognition and Analysis System", 《INTERNATIONAL JOURNAL OF COMPUTER SCIENCE IN SPORT》 * |
程照辉 等: "基于运动特征的视频检索", 《信号处理》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112328086A (zh) * | 2020-11-14 | 2021-02-05 | 上海卓腾展览展示有限公司 | 基于视频识别的智能显示方法、***、装置及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN108596941B (zh) | 2020-10-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
He et al. | The parameters selection of PSO algorithm influencing on performance of fault diagnosis | |
CN107145161B (zh) | 无人机访问多目标点的航迹规划方法及装置 | |
CN111176334B (zh) | 一种多无人机协同目标搜索方法 | |
CN111008999B (zh) | 用包含跟踪网络的cnn跟踪对象的方法和使用该方法的装置 | |
CN107677285B (zh) | 机器人的路径规划***及方法 | |
CN109682392A (zh) | 基于深度强化学习的视觉导航方法及*** | |
CN105259786B (zh) | 待辨识目标的惯性参数辨识方法和装置 | |
CN102999664B (zh) | 一种室内污染源位置识别方法 | |
CN110009037B (zh) | 一种基于物理信息耦合的工程风速短时预测方法及*** | |
US8260734B2 (en) | Method and a system for estimating the impact area of a military load launched from an aircraft | |
CN104748735B (zh) | 基于智能终端的室内定位方法和设备 | |
US20130235047A1 (en) | Method for animating characters, with collision avoidance based on tracing information | |
CN105892658A (zh) | 基于头戴显示设备预测头部姿态的方法和头戴显示设备 | |
CN109663323A (zh) | 一种基于可穿戴设备的运动状态监测方法及可穿戴设备 | |
CN112307685B (zh) | 水声传感网中基于高斯混合模型的流体运动边界预测方法 | |
Li et al. | Whale optimization algorithm with chaos strategy and weight factor | |
CN112327888A (zh) | 路径规划方法、装置、电子设备和存储介质 | |
CN109918718A (zh) | 无人机飞行质量评估方法、装置、存储介质及电子设备 | |
CN109903367B (zh) | 构建地图的方法、装置和计算机可读存储介质 | |
CN108596941A (zh) | 基于深度图像的目标体运动轨迹预测方法及*** | |
CN102607591A (zh) | 一种用于捷联惯导软件测试的轨迹数据生成方法 | |
Mironov et al. | Applying neural networks for prediction of flying objects trajectory | |
CN111414720B (zh) | 一种基于神经网络的流场旋涡检测方法 | |
CN108051001A (zh) | 一种机器人移动控制方法、***及惯性传感控制装置 | |
CN115542746B (zh) | 高超声速飞行器的能量管控再入制导方法及装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |