1.一种基于高斯过程回归和渐进滤波的人体姿态预测方法，其特征在于，包括：步骤1）将已收集到的各人体关节点的三维位置状态及相应姿态作为训练数据集，利用高斯过程回归分别建立人体各个关节点的位置状态转移模型；

步骤2）确定第j个人体关节点的初始位置状态 和初始协方差 ， ， 为被监测的人体关节点数量；

步骤3）建立观测模型，获得k时刻传感器对第j个人体关节点的量测值 ，以及零均值且协方差为 的量测噪声 ；

步骤4）读取传感器的量测信息，获得关于第j个人体关节点在k时刻的位置状态 的量测值 ，根据读取的传感器的量测值 和观测模型输出的位置状态的预测值，位置状态的预测值即为先验估计位置状态，判断k时刻的量测值 是否在预测值的置信区间内，若在所述的置信区间内，则进入步骤5），若不在所述的置信区间内，则用先验估计位置状态替换量测值 ,重新执行步骤4）；

步骤5）渐进引入量测值 对当前位置状态进行修正，获得位置状态 的估计值和协方差 ，判断是否出现过估计情况，若未出现过估计情况，则继续进行修正，反之，则跳出步骤5）；

步骤6）使用所述的位置状态转移模型，根据步骤5）获得的当前时刻第j个人体关节点的位置状态 及其协方差 ，预测下一时刻第j个人体关节点的位置状态 及其协方差 ；

步骤7）对每个人体关节点重复步骤4）至步骤6），完成姿态预测；

在步骤5）中，渐进引入量测值 对当前位置状态进行修正的方法包括：步骤51）设置迭代参数 初始值为0，设置渐进引入量测更新步数的最大值为N，设置迭代步长 ，迭代参数 ， 表示迭代次数；

步骤52）计算第 次迭代时，第j个人体关节点在k时刻的位置状态量测值 的预测值、协方差 及协方差 ：其中， 和 分别为对应的sigma点和权重值；

步骤53）第j个人体关节点在k时刻的位置状态量测值 在第 次的滤波增益： ；

步骤54）计算第j个人体关节点在k时刻的位置状态 及其协方差 在第 次迭代的值：，

；

步骤55）判断是否出现过估计情况，若未出现过估计情况，则 自加1后，从步骤52）继续执行修正，反之，则进入步骤6）。

2.根据权利要求1所述的一种基于高斯过程回归和渐进滤波的人体姿态预测方法，其特征在于，步骤1）中，已收集到的训练数据集 ，其中 为输入向量集合，为输出向量集合，表示数据的数量，新的输入记为第k时刻的位置状态 ，选择预设的核函数 ，使用高斯过程回归建立第 个人体各个关节点的位置状态转移模型为：其中， 表示状态转移函数，k=1,2,…为离散时间序列，为人体关节点的位置状态， 、

及 分别为k+1时刻人体关节点在x轴、y轴和z轴上的坐标值， 、 及分别为k时刻人体关节点在x轴、y轴和z轴上的速度， 零均值且协方差为   的高斯噪声。

3.根据权利要求2所述的一种基于高斯过程回归和渐进滤波的人体姿态预测方法，其特征在于，步骤6）中使用所述的位置状态转移模型预测下一时刻人体各关节点的位置状态及其方差 的方法为： 和。

4.根据权利要求1至3任一项所述的一种基于高斯过程回归和渐进滤波的人体姿态预测方法，其特征在于，步骤3）中，建立的观测模型为：

其中， ，表示k时刻传感器对关节点j的量测值。

5.根据权利要求1所述的一种基于高斯过程回归和渐进滤波的人体姿态预测方法，其特征在于，在步骤55）中，判断是否出现过估计情况的方法包括：令 ，若 且 ，则判定未出现过估

计情况，反之，则判定出现过估计情况。

6.根据权利要求1至3任一项所述的一种基于高斯过程回归和渐进滤波的人体姿态预测方法，其特征在于，被监测的人体关节点头关节、胸椎关节、肩关节、肘关节、腕关节、骶椎关节、髋关节、膝关节及踝关节中的一个或多个。

7.根据权利要求1至3任一项所述的一种基于高斯过程回归和渐进滤波的人体姿态预测方法，其特征在于，所述位置状态及量测值均指直角坐标系下的三维坐标值。

8.根据权利要求1至3任一项所述的一种基于高斯过程回归和渐进滤波的人体姿态预测方法，其特征在于，步骤2）中高斯噪声 为零均值且协方差为 的高斯噪声。

9.根据权利要求1至3任一项所述的一种基于高斯过程回归和渐进滤波的人体姿态预测方法，其特征在于，在步骤4)中，观测模型的预测位置状态是指利用高斯过程回归方法建立的观测模型所预测到的关节点j位置状态 及其协方差 。