1.一种基于自适应模型的人体姿态实时估计方法，其特征在于：所述方法包括以下步骤：j

步骤1)获取人体各关节点空间位置数据y，使用神经网络建立运动轨迹模型fi和动作c识别模型fi；

步骤2)分别建立各动作下人体各关节点的运动轨迹模型，确定过程噪声 的协方差以及建立各动作下人体姿态的量测模型，确定量测噪声 及其协方差步骤3)确定人体各关节点的初始状态值及其协方差 Pi,0|0；人体各关节点的初始状态值为关节点i在视觉传感器坐标系下x,y,z轴上的值， 和Pi,0|0为人体关节点i的初始位置信息及其协方差；

步骤4)根据建立的动作识别模型，计算出k时刻各关节点的动作ji,k，选择对应的各关节点运动轨迹模型，若不满足触发条件，直接执行步骤5)，否则，更新各关节点运动轨迹模型的细胞状态 和隐藏状态 继而执行步骤5)；其中ji,k为人体关节点i在k时刻的动作类别， 和 为人体各关节点i在k‑1时刻运动轨迹模型的细胞状态和隐藏状态；

步骤5)根据选择的运动轨迹模型，使用UT变换，分别计算各关节点的状态预测值及其协方差Pi,k|k‑1，并更新各关节点运动轨迹模型的细胞状态 和隐藏状态步骤6)读取人体各关节点姿态的量测值zi,k，计算各关节点的卡尔曼增益Ki,k，并分别计算各关节点的状态估计值 及其协方差Pi,k|k；

重复执行步骤4)‑6)完成对人体各关节点的状态估计，实现基于自适应模型的人体姿态实时估计。

2.如权利要求1所述的一种基于自适应模型的人体姿态实时估计方法，其特征在于：步骤1)中，所述神经网络为LSTM神经网络，以采样t‑1时刻人体关节点的位置 作为网络的输入，在采样t时刻的位置 作为网络的期望输出，对动作j的样本进行神经网络训练，j＝j

1,2,…,N为动作类别，得到动作j的各关节点运动轨迹模型函数fi：其中，i＝1,2,…,15表示人体各关节点的序号，包括头部、胸椎、左肩、右肩、左肘、右肘、左腕、右腕、骶椎、左髋、右髋、左膝、右膝、左踝、右踝共15个人体姿态估计所需的关节点；t＝1,2,…为离散采样时间序列； 为采样t‑1时刻动作j关节点i的状态信息， 分别表示动作j关节点i在深度传感器坐标系下x,y,z轴上的值，为神经网络的输入； 为神经网络输出的动作j关节点i的状态信息，分别表示动作j关节点i在深度传感器坐标系下x,y,z轴上的值； 为训练好的运动轨迹模型函数； 和 分别表示输入门、遗

j

忘门、输出门、候选态的权重矩阵和偏差，Wi 和 分别表示全连接层的权重矩阵和偏差；

和 分别表示细胞状态和隐藏状态在t‑1时刻的输出； 分别表示输入门、遗忘门、输出门、候选态的输出值；σ表示sigmoid激活函数，tanh表示tanh激活函数；

以采样t时刻的人体关节点的位置yi,t作为网络的输入，动作ji,t作为网络的期望输出，c对神经网络进行训练，得到实时的各关节点动作识别模型函数fi：其中，上标c表示动作识别模型， 为采样t时刻关节点i的状态信息，分别表示关节点i在深度传感器坐标系下x,y,z轴上的值，为神经网络的输入；

为神经网络输出的动作类别； 为训练好的动作识别模型函数；softmax表示Softmax激活函数。

3.如权利要求1所述的一种基于自适应模型的人体姿态实时估计方法，其特征在于：所述步骤2)中，建立人体关节点的运动轨迹模型和基于深度图像的量测模型如下：其中，k＝1,2,…为离散时间序列， 为关节点i在k时刻的状态信息，分别表示关节点i在深度传感器坐标系下x,y,z轴上的值，为关节点i从深度图像中获取的量测信息， 分别表示关节点i在深度传感器坐j标系下x,y,z轴上的值；fi 为实时选择的各关节点运动轨迹模型函数； 是均值为0且协方差为 的高斯白噪声， 是均值为0且协方差为 的高斯白噪声； 为基于动作j的人体关节点i的过程噪声协方差， 为基于动作j的人体关节点i的量测噪声协方差。

4.如权利要求1所述的一种基于自适应模型的人体姿态实时估计方法，其特征在于：所述步骤4)中，事件触发条件为：ji,k≠ji,k‑1 (15)。

5.如权利要求1所述的一种基于自适应模型的人体姿态实时估计方法，其特征在于：所述步骤5)中，UT变换是一种计算非线性变换中随机变量统计特性的有效方法，根据公式(m) (c)(18)、(19)计算2n+1个Sigma点χl及一阶权重Wl 和二阶权重Wl ：其中，n为状态向量维数，α，β，κ为确定常数；

对每个Sigma点通过运动轨迹模型传播，得到：

j

yl＝fi(χl) l＝0,1,…,2n (20)根据公式(21)、(22)计算各关节点的状态预测值 及其协方差Pi,k|k‑1：。

6.如权利要求1所述的一种基于自适应模型的人体姿态实时估计方法，其特征在于：所述步骤6)具体过程如下：根据状态预测值 及其协方差Pi,k|k‑1，再次使用UT变换，产生新的Sigma点集：将Sigma点集Υl通过量测模型传播，得到：

Zl＝Υl l＝0,1,…,2n (24)

并根据公式(25)‑(27)计算得量测值的一步预测 及量测预测误差协方阵 和状态预测误差和量测预测误差的互协方差阵 为：最后，读取当前状态的量测值zi,k，根据公式(28)‑(30)计算各关节点的卡尔曼增益Ki,k，状态估计值 及其协方差Pi,k|k：‑1

Ki,k＝Pxkzk(Pzkzk) (28)

。