预览加载中,请您耐心等待几秒...
1/10
2/10
3/10
4/10
5/10
6/10
7/10
8/10
9/10
10/10

亲,该文档总共12页,到这已经超出免费预览范围,如果喜欢就直接下载吧~

如果您无法下载资料,请参考说明:

1、部分资料下载需要金币,请确保您的账户上有足够的金币

2、已购买过的文档,再次下载不重复扣费

3、资料包下载后请先用软件解压,在使用对应软件打开

(19)中华人民共和国国家知识产权局*CN102048621A*(12)发明专利申请(10)申请公布号CN102048621A(43)申请公布日2011.05.11(21)申请号201010620212.1(22)申请日2010.12.31(71)申请人重庆邮电大学地址400065重庆市南岸区崇文路2号(72)发明人罗元张毅胡章芳李林李敏徐晓东(74)专利代理机构北京同恒源知识产权代理有限公司11275代理人赵荣之(51)Int.Cl.A61G5/04(2006.01)A61G5/10(2006.01)G06K9/66(2006.01)权利要求书2页说明书7页附图2页(54)发明名称基于头势的智能轮椅的人机交互系统及方法(57)摘要本发明涉及计算机视觉控制技术领域,具体涉及一种智能轮椅的人机交互系统及其交互方法,本发明通过唇部分类器得到唇部的窗口,然后将检测到的唇部窗口与一个位置固定的矩形窗口进行比较得到头势,通过头势确定智能轮椅的运动状态;卡尔曼滤波器根据上一帧唇部窗口的具体位置预测下一个唇部检测窗口可能出现的位置,将预测到的搜索窗口位置作为初始搜索位置反馈回唇部分类器,实施对检测对下一帧图像的检测,大大提高了唇部检测时间,并且提高了唇部检测的精度,解决了智能轮椅在用头势控制的控制过程中因为唇部检测时间过长而使得在智能轮椅运动的过程中产生延时的问题,达到了智能轮椅在头势控制的过程中运动连贯的目的。CN102486ACCNN110204862102048625A权利要求书1/2页1.基于头势的智能轮椅的人机交互系统,其特征在于:包括摄像装置,用于获取人面部图像;Adaboost训练器,用于从人面部图像中收集唇部信息,训练唇部分类器;唇部分类器,用于从人面部图像中搜索唇部,用矩形窗口标记出唇部的位置;卡尔曼滤波器,用于通过唇部分类器获得的唇部的位置,预测下一帧人面部图像中唇部的位置,并将预测的唇部位置反馈到唇部分类器,供唇部分类器作为对下一帧人面部图像处理时的初始搜索位置;控制装置,将唇部分类器检测得到矩形窗口与一个位置固定的矩形窗口进行比较,确定头势的状态,控制轮椅做相应的运动。2.如权利要求1所述的基于头势的智能轮椅的人机交互系统,其特征在于:还包括图像预处理装置,用于将摄像装置获取的人面部图像转换为灰度图像,并用直方图均衡化方法对灰度图像进行处理,然后传输给Adaboost训练器和/或唇部分类器。3.如权利要求1所述的基于头势的智能轮椅的人机交互系统,其特征在于:校正模块,用于将卡尔曼滤波器预测的唇部位置进行校正后再反馈到唇部分类器。4.如权利要求1至3中任一项所述的基于头势的智能轮椅的人机交互系统,其特征在于:所述卡尔曼滤波器的状态方程为:观测方程为:上式中,其中是tk时刻的n×1维状态向量;是tk时刻的m×1维观测向量;Ak,k-1是tk-1时刻到tk时刻的n×n维状态转移矩阵;Hk是tk时刻的m×n维观测矩阵;是tk时刻状态的n×1维随机干扰噪声向量;是tk时刻的m×1维观测噪声向量。5.如权利要求4所述的基于头势的智能轮椅的人机交互系统,其特征在于:所述卡尔曼滤波器的状态向量为:其中,xk,yk分别为唇部检测窗口标记出来的矩形窗口的左上角的坐标点;观测状态向量为:状态转移矩阵为:;其中T观测矩阵Hk=(1,0);观测噪声向量为0,随机干扰噪声向量为高斯白噪声,T为向量的转置,s是时间单位秒。6.基于头势的智能轮椅的人机交互方法,其特征在于:包括如下步骤:1)通过摄像装置获取人面部图像;2)通过由Adaboost算法训练好的唇部分类器从人面部图像中搜索唇部息,并用矩形窗口标记出唇部的位置;2CCNN110204862102048625A权利要求书2/2页3)将唇部分类器检测得到矩形窗口与一个位置固定的矩形窗口进行比较,确定头势的状态,控制轮椅做相应的运动;4)用唇部分类器获得的唇部的位置,通过卡尔曼滤波器预测下一帧人面部图像中唇部的位置;5)将预测的唇部位置反馈到唇部分类器,供唇部分类器作为对下一帧人面部图像处理时的初始搜索位置。7.如权利要求6所述的基于头势的智能轮椅的人机交互方法,其特征在于:步骤4)中,具体通过如下步骤预测下一帧人面部图像中唇部的位置:41)获得步骤2)中得到的矩形窗口的左上角坐标a(x,y),通过获得得到一个先验估计值上式中,Ak,k-1是tk-1时刻到tk时刻的n×n维状态转移矩阵;是tk时刻状态的n×1维随机干扰噪声向量;42)通过对先验估计值进行修正,获得后验估计值作为预测的下一帧人面部图像中唇部的位置;上式中,是tk时刻的m×1维观测向量,Hk是tk时刻的m×n维观测矩阵,Kk为tk时刻的增益矩阵。8.如权利要求7所述的基于头势的智能轮椅的人机交互方法,其特征在于:状态转移矩阵为:;其