20、人体跟踪的运动模型：从线性到非线性的探索

人体跟踪的运动模型：从线性到非线性的探索

1. 运动学关节限制与平滑运动

人体的运动学结构决定了每个关节的运动范围是有限的。例如，在正常情况下，膝盖和肘部不应过度伸展，躯干也不能随意倾斜或扭转。先验模型的一个核心作用就是确保从图像或图像序列中估计出的姿势符合这些生物力学限制。

虽然关节限制通常通过对每个旋转自由度独立设置阈值来实施，但人体关节限制的真实性质更为复杂。关节限制是动态的，并且依赖于其他关节的状态。幸运的是，根据关节参数化，许多关节约束可以表示为线性不等式。当与线性或二次目标准则结合时，就会得到一个线性或二次规划问题。

然而，仅靠关节限制本身并不能提供足够的先验知识，以实现从单目视频中对姿势进行易于处理和稳健的推断。我们需要一种密度模型，来捕捉典型情况下可行姿势和运动的合理性。

最简单的人体运动先验模型之一是平滑的低阶马尔可夫过程。常见的一阶模型规定，在时间 $t + 1$ 的姿势 $y_{t+1}$ 等于时间 $t$ 的姿势 $y_t$ 加上加性噪声：
$y_{t+1} = y_t + \eta$
其中，过程噪声 $\eta$ 通常假设为均值为零的高斯分布，协方差为 $\Lambda$，即 $\eta \sim N(0, \Lambda)$。这意味着 $y_{t+1}$ 的条件密度为 $y_{t+1}|y_t \sim N(y_t, \Lambda)$，等价于 $p(y_{t+1}|y_t) = G(y_{t+1}; y_t, \Sigma)$，其中 $G(y; \mu, \Lambda)$ 是一个高斯函数，由其均值 $\mu$ 和协方差 $\Lambda$ 参数化，并在 $y$ 处求值。

二阶模型则利用速度