【技术实现步骤摘要】
本专利技术涉及惯性导航、计算机视觉等，尤其涉及一种基于多模态数据的人因智能姿态估计方法、边缘计算设备及介质。
技术介绍
1、高精度的头部姿态估计对于提升人机交互体验、准确进行健康治疗效果评估、提升表情识别准确度、准确估计人物行为意图等具有重要作用，因此如何提高头部姿态估计精度成为关注的重点。
2、相关技术基于视觉进行头部姿态估计过于依赖图像质量，因外部环境或人员姿态动作的影响会导致图像存在信息缺失，从而影响姿态估计的准信，且图像处理算法复杂度较高，无法运行在低端嵌入式设备上，且用户个体差异也会影响头部姿态的估计准确性。
技术实现思路
1、本专利技术实施方式旨在至少在一定程度上解决相关技术中的技术问题之一。为此，本专利技术的一个目的在于提出一种可以提高姿态估计精度的基于多模态数据的人因智能姿态估计方法、装置、边缘计算设备以及存储介质。
2、本专利技术实施方式提供一种基于多模态数据的人因智能姿态估计方法，基于多模态数据的人因智能姿态估计方法包括：获取当前imu头部姿态估计数据以及当前视觉头部姿态估计数据；将当前imu头部姿态估计数据和当前视觉头部姿态估计数据进行融合，得到融合头部姿态估计数据；将融合头部姿态数据替换当前imu头部姿态估计数据，以基于融合头部姿态数据继续进行估计得到后续imu头部姿态估计数据。
3、示例性地，将当前imu头部姿态估计数据和当前视觉头部姿态估计数据进行融合，得到融合头部姿态估计数据，包括：确定当前imu头部姿态估计数据和当
4、示例性地，基于误差更新当前imu头部姿态估计数据，包括：基于误差，确定误差动态系数；基于误差动态系数和误差得到更新量；将当前imu头部姿态估计数据减去更新量，得到更新后的当前imu头部姿态估计数据。
5、示例性地，获取当前imu头部姿态估计数据，包括：获取头部姿态变化数据和头部姿态误差数据中的至少之一；基于头部姿态变化数据和头部姿态误差数据中的至少之一，更新上一时刻的imu头部姿态估计数据，得到当前imu头部姿态估计数据。
6、示例性地，基于头部姿态变化数据和头部姿态误差数据，更新上一时刻的imu头部姿态估计数据，得到当前imu头部姿态估计数据，包括：基于头部姿态变化数据，更新上一时刻的imu头部姿态估计数据，得到第一次更新后的imu头部姿态估计数据；基于头部姿态误差数据，对第一次更新后的imu头部姿态估计数据进行更新，得到当前imu头部姿态估计数据。
7、示例性地，获取头部姿态变化数据，包括：获取上一时刻的角速度测量值、当前时刻的角速度测量值以及上一时刻的陀螺零偏标称值；基于上一时刻的角速度测量值、当前时刻的角速度测量值、上一时刻的陀螺零偏标称值以及上一时刻和当前时刻之间的时刻差，得到姿态角度变化量；基于姿态角度变化量，得到头部姿态变化数据。
8、示例性地，获取头部姿态误差数据，包括：基于卡尔曼更新方式，根据上一时刻的误差状态数据得到当前时刻的误差状态数据；基于当前时刻的误差状态数据，得到头部姿态误差数据。
9、示例性地，基于卡尔曼更新方式，根据上一时刻的误差状态数据得到当前时刻的误差状态数据，包括：基于误差状态变量、陀螺噪声和游走噪声，构建误差状态空间方程；基于误差状态空间方程、陀螺噪声和游走噪声，得到误差状态协方差矩阵；基于观测量和误差状态协方差矩阵，对上一时刻的误差状态数据进行更新，得到当前时刻的误差状态数据。
10、示例性地，基于误差状态空间方程、陀螺噪声和游走噪声，得到误差状态协方差矩阵，包括：基于所述误差状态空间方程，得到状态转移矩阵；基于陀螺噪声、游走噪声和状态转移矩阵，得到误差状态协方差矩阵。
11、示例性地，基于观测量和误差状态协方差矩阵，对上一时刻的误差状态数据进行更新，得到当前时刻的误差状态数据，包括：基于观测量，得到观测矩阵、观测量的测量协方差矩阵和残差矩阵；基于误差状态协方差矩阵、观测矩阵、测量协方差矩阵、残差矩阵和卡尔曼增益，对上一时刻的误差状态数据进行更新，得到当前时刻的误差状态数据，其中，卡尔曼增益与误差状态协方差矩阵、所述观测矩阵、测量协方差矩阵相关联。
12、示例性地，获取当前视觉头部姿态估计数据，包括：对头部图像数据进行人脸检测以及特征提取，得到二维图像特征点；将二维图像特征点转换为三维空间特征点；基于三维空间特征点，得到当前视觉头部姿态估计数据。
13、本专利技术实施方式提供一种基于多模态数据的人因智能姿态估计装置，基于多模态数据的人因智能姿态估计装置包括：获取模块，用于获取当前imu头部姿态估计数据以及当前视觉头部姿态估计数据；融合模块，用于将当前imu头部姿态估计数据和当前视觉头部姿态估计数据进行融合，得到融合头部姿态估计数据；估计模块，用于将融合头部姿态数据替换当前imu头部姿态估计数据，以基于融合头部姿态数据继续进行估计得到后续imu头部姿态估计数据。
14、本专利技术实施方式提供一种边缘计算设备，包括：处理器和存储器，存储器存储可在处理器上运行的程序或指令，程序或指令被处理器执行时实现上述基于多模态数据的人因智能姿态估计方法。
15、本专利技术实施方式提供一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现上述基于多模态数据的人因智能姿态估计方法。
16、上述实施方式中，基于多模态数据的人因智能姿态估计方法包括：获取当前imu头部姿态估计数据以及当前视觉头部姿态估计数据；将当前imu头部姿态估计数据和当前视觉头部姿态估计数据进行融合，得到融合头部姿态估计数据；将融合头部姿态数据替换当前imu头部姿态估计数据，以基于融合头部姿态数据继续进行估计得到后续imu头部姿态估计数据。上述方法通过数据融合，imu的数据可在计算机视觉受影响时提供辅助信息，计算机视觉的结果也可在一定程度上修正imu的误差，提高了姿态估计的准确性和可靠性，且计算机视觉在光线过暗、过亮或存在遮挡的情况下，难以准确提取头部特征信息，导致姿态估计失败或不准确；imu不受光照和遮挡影响，在这些情况下可以提供头部的大致运动信息，帮助系统维持对头部姿态的估计，或为计算机视觉恢复正常工作后提供初始姿态估计值。
17、本专利技术附加的方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本专利技术的实践了解到。
本文档来自技高网...【技术保护点】
1.一种基于多模态数据的人因智能姿态估计方法，其特征在于，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，所述将所述当前IMU头部姿态估计数据和所述当前视觉头部姿态估计数据进行融合，得到融合头部姿态估计数据，包括：
3.根据权利要求2所述的方法，其特征在于，所述基于所述误差更新所述当前IMU头部姿态估计数据，包括：
4.根据权利要求1所述的方法，其特征在于，获取所述当前IMU头部姿态估计数据，包括：
5.根据权利要求4所述的方法，其特征在于，基于所述头部姿态变化数据和所述头部姿态误差数据，更新上一时刻的IMU头部姿态估计数据，得到当前IMU头部姿态估计数据，包括：
6.根据权利要求4所述的方法，其特征在于，获取所述头部姿态变化数据，包括：
7.根据权利要求5所述的方法，其特征在于，获取所述头部姿态误差数据，包括：
8.根据权利要求7所述的方法，其特征在于，所述基于卡尔曼更新方式，根据上一时刻的误差状态数据得到当前时刻的误差状态数据，包括：
9.根据权利要求8所述的方法，其特征
10.根据权利要求8所述的方法，其特征在于，所述基于观测量和所述误差状态协方差矩阵，对上一时刻的误差状态数据进行更新，得到当前时刻的误差状态数据，包括：
11.根据权利要求1-10中任意一项所述的方法，其特征在于，获取所述当前视觉头部姿态估计数据，包括：
12.一种边缘计算设备，其特征在于，包括：处理器和存储器，所述存储器存储可在所述处理器上运行的程序或指令，所述程序或指令被所述处理器执行时实现如权利要求1至11任一项所述的基于多模态数据的人因智能姿态估计方法的步骤。
13.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1-11中任意一项所述的方法。
...【技术特征摘要】
1.一种基于多模态数据的人因智能姿态估计方法，其特征在于，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，所述将所述当前imu头部姿态估计数据和所述当前视觉头部姿态估计数据进行融合，得到融合头部姿态估计数据，包括：
3.根据权利要求2所述的方法，其特征在于，所述基于所述误差更新所述当前imu头部姿态估计数据，包括：
4.根据权利要求1所述的方法，其特征在于，获取所述当前imu头部姿态估计数据，包括：
5.根据权利要求4所述的方法，其特征在于，基于所述头部姿态变化数据和所述头部姿态误差数据，更新上一时刻的imu头部姿态估计数据，得到当前imu头部姿态估计数据，包括：
6.根据权利要求4所述的方法，其特征在于，获取所述头部姿态变化数据，包括：
7.根据权利要求5所述的方法，其特征在于，获取所述头部姿态误差数据，包括：
8.根据权利要求7所述的方法，其特征在于，所述基于卡尔曼...
【专利技术属性】
技术研发人员：请求不公布姓名，请求不公布姓名，
申请(专利权)人：北京津发科技股份有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。