CN105979119B - 一种红外摇臂跟踪运动数据的滤波方法和终端 - Google Patents

Abstract

本发明提供了一种红外摇臂跟踪运动数据的滤波方法和终端，所述方法包括：获取当前时刻前N个时间数据和前N个红外摇臂跟踪的运动数据，其中，N大于预设数值；根据当前时刻前N个时间数据和运动数据拟合出当前时刻的红外摇臂跟踪的运动数据。所述方法和终端通过获取当前时刻前N个时间数据和运动数据，并利用这些数据拟合出当前时刻的红外摇臂跟踪的运动数据，拟合出的红外摇臂跟踪的运动数据有效消除了噪音，实现了在虚拟演播室系统中摄像机低速运动时虚拟背景运动平滑的跟踪效果。

Description

一种红外摇臂跟踪运动数据的滤波方法和终端

技术领域

本发明涉及数据处理领域，尤其涉及一种红外摇臂跟踪运动数据的滤波方法和终端。

背景技术

基于蓝箱抠像技术的虚拟演播室系统作为实时电视节目制作的一种重要手段，目前已广泛应用于各类电视节目制作中，其中，当摄像机进行推拉摇移运动时，前景主持人和虚拟背景要保证同步运动是虚拟演播室系统的基本指标之一。其中将摄像机放置于摇臂上，在摇臂上加装红外发送装置并在演播室适当位置加装红外接收装置的红外摇臂跟踪是虚拟演播室系统跟踪技术方案中非常优秀的一种跟踪方式，利用该跟踪方式可以使前景主持人和虚拟背景同步运动。该跟踪方式适用于任何摇臂、导轨或带脚轮的摄像机三脚架，同时无需对上述设备进行机械加工改造，也对上述设备本身的制造工艺无任何要求，因而深受用户欢迎。

红外摇臂跟踪技术的计算过程为：红外发射装置发射特定形状的红外光，红外接收装置(一般采用视频摄像传感器)采集红外图像，识别特定形状的红外图像边缘，计算摄像机运动数据，传递给渲染引擎进行虚拟背景3D场景图像的渲染。由于红外发射装置在红外视频摄像传感器的成像面积较小，加上红外视频摄像传感器存在固有的各种噪声，因此采集的红外图像存在各种噪声，造成红外图像的边缘不稳定，计算出的运动数据含有不可忽略的噪声，导致虚拟背景运动出现抖动。在摄像机摇臂做低速运动时，噪声往往会达到有用信号的数量级，而低速运动是演播室拍摄的常见方式，因此有必要对数据进行有效的滤波才能达到满意的跟踪效果。

发明内容

本发明提供了一种红外摇臂跟踪运动数据的滤波方法和终端，该方法和终端通过对红外摇臂跟踪运动数据进行滤波，有效消除了数据的噪音，实现了在虚拟演播室系统中摄像机低速运动时虚拟背景运动平滑的跟踪效果。

一种红外摇臂跟踪运动数据的滤波方法，该方法包括：

获取当前时刻前N个时间数据{x₁,x₂,…,x_N}和前N个红外摇臂跟踪的运动数据{y₁,y₂,…,y_N}，其中，N大于预设数值；

根据当前时刻前N个时间数据{x₁,x₂,…,x_N}和运动数据{y₁,y₂,…,y_N}拟合出当前时刻的红外摇臂跟踪的运动数据。

一种终端，该终端包括：

获取模块，用于获取当前时刻前N个时间数据{x₁,x₂,…,x_N}和前N个红外摇臂跟踪的运动数据{y₁,y₂,…,y_N}，其中，N大于预设数值；

拟合模块，用于根据当前时刻前N个时间数据{x₁,x₂,…,x_N}和运动数据{y₁,y₂,…,y_N}拟合出当前时刻的红外摇臂跟踪的运动数据。

上述方法和终端通过获取当前时刻前N个时间数据和运动数据，并利用这些数据拟合出当前时刻的红外摇臂跟踪的运动数据，拟合出的红外摇臂跟踪的运动数据有效消除了噪音，实现了在虚拟演播室系统中摄像机低速运动时虚拟背景运动平滑的跟踪效果。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例的一种红外摇臂跟踪运动数据的滤波方法的示意流程图；

图2为图1中步骤S12的具体方法示意流程图；

图3为图2中步骤S21的具体方法示意流程图；

图4为图2中步骤S23的具体方法示意流程图；

图5为本发明实施例的一种终端的示意性框图；

图6为第一计算模块的示意性框图；

图7为第二计算模块的示意性框图；

图8为本发明另一实施例的一种终端的示意性框图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

应当理解，当在本说明书和所附权利要求书中使用时，术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。

请参看图1，为一种红外摇臂跟踪运动数据的滤波方法的示意流程图，该方法包括：

步骤S11，获取当前时刻前N个时间数据{x₁,x₂,…,x_N}和前N个红外摇臂跟踪的运动数据{y₁,y₂,…,y_N}，其中，N大于预设数值。N为大于零的整数，优选地，N>＝10。前N个时间数据{x₁,x₂,…,x_N}和前N个红外摇臂跟踪的运动数据{y₁,y₂,…,y_N}是一一对应的，一个时间数据对应该时间数据下的一个红外摇臂跟踪的运动数据。

步骤S12，根据当前时刻前N个时间数据{x₁,x₂,…,x_N}和运动数据{y₁,y₂,…,y_N}拟合出当前时刻的红外摇臂跟踪的运动数据。

上述实施例通过当前时刻前N个时间数据和运动数据拟合出当前时刻的红外摇臂跟踪的运动数据，拟合出的红外摇臂跟踪的运动数据能有效消除噪音，实现在虚拟演播室系统中摄像机低速运动时虚拟背景运动平滑的跟踪效果。

请参看图2，为步骤S12的具体方法流程图。步骤S12具体包括：

步骤S21，根据当前时刻前N个时间数据{x₁,x₂,…,x_N}和前N个运动数据{y₁,y₂,…,y_N}的标准偏差sd计算权重。其中，标准偏差sd是通过前N个时间数据所对应的前N个运动数据{y₁,y₂,…,y_N}计算得到。

步骤S22，根据权重对当前时刻前N个时间数据{x₁,x₂,…,x_N}和运动数据{y₁,y₂,…,y_N}进行修正。

步骤S23，根据修正后的前N个时间数据{x₁',x'₂,…,x'_N}和运动数据{y₁',y'₂,…,y'_N}，利用最小二乘法计算当前时刻的红外摇臂跟踪的运动数据。

上述实施例进一步具体描述了如何利用前N个时间数据和运动数据拟合出当前时刻x的红外摇臂跟踪的运动数据y，即先对前N个时间数据和运动数据进行修正，根据修正后的时间数据和运动数据，利用最小二乘法计算当前时刻的红外摇臂跟踪的运动数据。

请参看图3，为步骤S21的具体方法流程图。步骤S21具体包括：

步骤S211，根据第一公式Value[i]＝K₁*sd*i计算第一数值Value[i]，其中K₁为常数。

步骤S212，根据第二公式计算第二数值acc，其中K₂为常数。

步骤S213，根据第一数值Value[i]和第二数值acc计算权重Weight[i]＝K₃*Value[i]/acc，其中K₃为常数。

其中，K₁、K₂、K₃为常数值，由经验值来确定。一般K₁＝K₂，当K₁＝K₂时，acc即为权重均值。取K₃＝1，实现将权重均一化(权重之和为N)。权重均一化后，离当前时刻时间越长的运动数据，权重越小；离当前时刻时间越近的运动数据，权重越大。可以理解为，当前时刻前N个运动数据对当前时间的运动数据都有贡献，离当前时刻越近的运动数据贡献越大。

当K₂>K₁时，当前时刻前N个点的权重之和大于N，即放大当前时刻前N个点的作用，即使得拟合之后当前时刻x的红外摇臂跟踪的运动数据y也做相应的放大。这种情况适用于摇臂运动为加速度越来越大的加速运动，则当前时刻的运动数据要比前N个运动数据要大很多，因此将前N个值进行相应的放大，就能获得合适的当前时刻的运动数据。当K₂<K₁时，当前时刻前N个点的权重之和小于N，即缩小当前时刻前N个点的作用，使得经过拟合之后当前时刻x的红外摇臂跟踪的运动数据y也做相应的缩小。这种情况适用于摇臂运动为加速度越来越小的运动，对前N个点的运动数据进行缩小，就能得到合适的当前的运动数据。

上述实施例使得离当前时刻时间越长的运动数据，权重越小，离当前时刻时间越近的运动数据，权重越大，通过计算权重可进一步提高拟合后的运动数据的准确性。

根据权重对当前时刻前N个时间数据{x₁,x₂,…,x_N}和运动数据{y₁,y₂,…,y_N}进行修正具体使用如下公式，其中，{x₁',x'₂,…,x'_N}、{y₁',y'₂,…,y'_N}分别为修正后的时间数据和运动数据：

{x₁*Weight[1],x₂*Weight[2],…,x_N*Weight[N]}＝{x₁',x'₂,…,x'_N}；

{y₁*Weight[1],y₂*Weight[2],…,y_N*Weight[N]}＝{y₁',y'₂,…,y'_N}。

请参看图4，为步骤S23的具体方法流程图。该方法包括如下步骤：

步骤S231，根据修正后的前N个时间数据{x₁',x'₂,…,x'_N}和运动数据{y₁',y'₂,…,y'_N}，利用最小二乘法计算出(a,b)，其中最小二乘法的目标函数为：

步骤S232，根据计算得到的(a,b)和预设的函数y＝ax+b，计算出当前时刻的红外摇臂的运动数据，其中，x表示时间数据，y表示红外摇臂的运动数据。预设的函数即为拟合函数，(a,b)为拟合函数的系数。将当前时刻的时间数据代入拟合函数中，可计算出当前时刻的红外摇臂的运动数据。

上述实施例进一步具体描述了如何使用最小二乘法计算出当前时刻的红外摇臂的运动数据。

请参看图5，为本发明实施例的一种终端的示意性框图。该终端50包括获取模块51、拟合模块52。

获取模块51，用于获取当前时刻前N个时间数据{x₁,x₂,…,x_N}和前N个红外摇臂跟踪的运动数据{y₁,y₂,…,y_N}，其中，N大于预设数值。N为大于零的整数，优选地，N>＝10。前N个时间数据{x₁,x₂,…,x_N}和前N个红外摇臂跟踪的运动数据{y₁,y₂,…,y_N}是一一对应的，一个时间数据对应该时间数据下的一个红外摇臂跟踪的运动数据。

拟合模块52，用于根据当前时刻前N个时间数据{x₁,x₂,…,x_N}和运动数据{y₁,y₂,…,y_N}拟合出当前时刻的红外摇臂跟踪的运动数据。

具体地，拟合模块52包括第一计算模块521、修正模块522、第二计算模块523。

第一计算模块521，用于根据当前时刻前N个时间数据{x₁,x₂,…,x_N}和前N个运动数据{y₁,y₂,…,y_N}的标准偏差sd计算权重。其中，标准偏差sd是通过前N个时间数据所对应的前N个运动数据{y₁,y₂,…,y_N}计算得到。

具体地，如图6所示，第一计算模块521包括第一计算单元5211、第二计算单元5212、第三计算单元5213。第一计算单元5211，用于根据第一公式Value[i]＝K₁*sd*i计算第一数值Value[i]，其中K₁为常数。第二计算单元5212，用于根据第二公式计算第二数值acc，其中K₂为常数。第三计算单元5213，用于根据第一数值Value[i]和第二数值acc计算权重Weight[i]＝K₃*Value[i]/acc，其中K₃为常数。

其中，K₁、K₂、K₃为常数值，由经验值来确定。一般K₁＝K₂，当K₁＝K₂时，acc即为权重均值。取K₃＝1，实现将权重均一化(权重之和为N)。权重均一化后，离当前时刻时间越长的运动数据，权重越小；离当前时刻时间越近的运动数据，权重越大。可以理解为，当前时刻前N个运动数据对当前时间的运动数据都有贡献，离当前时刻越近的运动数据贡献越大。

当K₂>K₁时，当前时刻前N个点的权重之和大于N，即放大当前时刻前N个点的作用，即使得拟合之后当前时刻x的红外摇臂跟踪的运动数据y也做相应的放大。这种情况适用于摇臂运动为加速度越来越大的加速运动，则当前时刻的运动数据要比前N个运动数据要大很多，因此将前N个值进行相应的放大，就能获得合适的当前时刻的运动数据。当K₂<K₁时，当前时刻前N个点的权重之和小于N，即缩小当前时刻前N个点的作用，使得经过拟合之后当前时刻x的红外摇臂跟踪的运动数据y也做相应的缩小。这种情况适用于摇臂运动为加速度越来越小的运动，对前N个点的运动数据进行缩小，就能得到合适的当前的运动数据。

修正模块522，用于根据权重对当前时刻前N个时间数据{x₁,x₂,…,x_N}和运动数据{y₁,y₂,…,y_N}进行修正。根据权重对当前时刻前N个时间数据{x₁,x₂,…,x_N}和运动数据{y₁,y₂,…,y_N}进行修正具体使用如下公式，其中，{x₁',x'₂,…,x'_N}、{y₁',y'₂,…,y'_N}分别为修正后的时间数据和运动数据：

{x₁*Weight[1],x₂*Weight[2],…,x_N*Weight[N]}＝{x₁',x'₂,…,x'_N}；

{y₁*Weight[1],y₂*Weight[2],…,y_N*Weight[N]}＝{y₁',y'₂,…,y'_N}。

第二计算模块523，用于根据修正后的前N个时间数据{x₁',x'₂,…,x'_N}和运动数据{y₁',y'₂,…,y'_N}，利用最小二乘法计算当前时刻的红外摇臂跟踪的运动数据。

具体地，如图7所示，第二计算模块523包括第四计算单元5231、第五计算单元5232。第四计算单元5231，用于根据修正后的前N个时间数据{x₁',x'₂,…,x'_N}和运动数据{y₁',y'₂,…,y'_N}，利用最小二乘法计算出(a,b)，其中最小二乘法的目标函数为：第五计算单元5232，用于根据计算得到的(a,b)和预设的函数y＝ax+b，计算出当前时刻的红外摇臂的运动数据，其中，x表示时间数据，y表示红外摇臂的运动数据。预设的函数即为拟合函数，(a,b)为拟合函数的系数。将当前时刻的时间数据代入拟合函数中，可计算出当前时刻的红外摇臂的运动数据。

上述终端通过当前时刻前N个时间数据和运动数据拟合出当前时刻的红外摇臂跟踪的运动数据，拟合出的红外摇臂跟踪的运动数据能有效消除噪音，实现在虚拟演播室系统中摄像机低速运动时虚拟背景运动平滑的跟踪效果。

请参看图8，其为本发明另一实施例一种终端的示意性框图。该终端80包括存储器81、处理器82，存储器81与处理器82通过总线83连接，其中：

存储器81，用于存储带有各种功能的程序数据。本发明实施例中存储器81存储的数据包括当前时刻前N个时间数据{x₁,x₂,…,x_N}和运动数据{y₁,y₂,…,y_N}，K₁、K₂、K₃，以及其他可调用并运行的程序数据。具体实现中，本发明实施例的存储器81可以是系统存储器，比如，挥发性的(诸如RAM)，非易失性的(诸如ROM，闪存等)，或者两者的结合。具体实现中，本发明实施例的存储器81还可以是系统之外的外部存储器，比如，磁盘、光盘、磁带等。

处理器82，用于调用存储器81中存储的程序数据，并执行如下操作：

获取当前时刻前N个时间数据{x₁,x₂,…,x_N}和前N个红外摇臂跟踪的运动数据{y₁,y₂,…,y_N}，其中，N大于预设数值；

根据当前时刻前N个时间数据{x₁,x₂,…,x_N}和运动数据{y₁,y₂,…,y_N}拟合出当前时刻的红外摇臂跟踪的运动数据。

在其他可行的实施例中，处理器82还执行如下操作：

获取当前时刻前N个时间数据{x₁,x₂,…,x_N}和前N个红外摇臂跟踪的运动数据{y₁,y₂,…,y_N}，其中，N大于预设数值；

根据当前时刻前N个时间数据{x₁,x₂,…,x_N}和运动数据{y₁,y₂,…,y_N}的标准偏差sd计算权重；

根据权重对当前时刻前N个时间数据{x₁,x₂,…,x_N}和运动数据{y₁,y₂,…,y_N}进行修正；

根据修正后的前N个时间数据{x₁',x'₂,…,x'_N}和运动数据{y₁',y'₂,…,y'_N}，利用最小二乘法计算当前时刻的红外摇臂跟踪的运动数据。

在其他可行的实施例中，处理器82还执行如下操作：

根据第一公式Value[i]＝K₁*sd*i计算第一数值Value[i]，其中K₁为常数；

根据第二公式计算第二数值acc，其中K₂为常数；

根据第一数值Value[i]和第二数值acc计算权重Weight[i]＝K₃*Value[i]/acc，其中K₃为常数。

在其他可行的实施例中，处理器82还执行如下操作：

根据权重对当前时刻前N个时间数据{x₁,x₂,…,x_N}和运动数据{y₁,y₂,…,y_N}按照如下公式进行修正。其中，{x₁',x'₂,…,x'_N}、{y₁',y'₂,…,y'_N}分别为修正后的时间数据和运动数据：

{x₁*Weight[1],x₂*Weight[2],…,x_N*Weight[N]}＝{x₁',x'₂,…,x'_N}；

{y₁*Weight[1],y₂*Weight[2],…,y_N*Weight[N]}＝{y₁',y'₂,…,y'_N}。

在其他可行的实施例中，处理器82还执行如下操作：

根据修正后的前N个时间数据{x₁',x'₂,…,x'_N}和运动数据{y₁',y'₂,…,y'_N}，利用最小二乘法计算出(a,b)，其中最小二乘法的目标函数为：

根据计算得到的(a,b)和预设的函数y＝ax+b，计算出当前时刻的运动数据，其中，x表示时间数据，y表示红外摇臂的运动数据。

本发明实施例的模块和/或单元，可以以通用集成电路(如中央处理器CPU)，或以专用集成电路(ASIC)来实现。

在本申请所提供的几个实施例中，应该理解到，所揭露的终端和方法，可以通过其它的方式实现。例如，以上所描述的终端实施例仅仅是示意性的，例如，所述模块和/或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。本发明实施例的方法的步骤顺序可以根据实际需要进行调整、合并或删减。

所述作为分离部件说明的模块和/或单元可以是或者也可以不是物理上分开的，作为模块和/或单元显示的部件可以是或者也可以不是物理单元。可以根据实际的需要选择其中的部分或者全部单元来实现本发明实施例方案的目的。

另外，在本发明各个实施例中的各功能模块和/或单元可以集成在一个处理模块和/或单元中，也可以是各个模块和/或单元单独物理存在，也可以是两个或两个以上模块和/或单元集成在一个单元中。上述集成的模块和/或单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。

以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。

Claims (6)

1.一种红外摇臂跟踪运动数据的滤波方法，其特征在于：

获取当前时刻前N个时间数据{x₁,x₂,…,x_N}和前N个红外摇臂跟踪的运动数据{y₁,y₂,…,y_N}，其中，N大于预设数值；

根据当前时刻前N个时间数据{x₁,x₂,…,x_N}和运动数据{y₁,y₂,…,y_N}拟合出当前时刻的红外摇臂跟踪的运动数据；

其中，所述根据当前时刻前N个时间数据{x₁,x₂,…,x_N}和运动数据{y₁,y₂,…,y_N}拟合出当前时刻的红外摇臂跟踪的运动数据，包括：

根据当前时刻前N个时间数据{x₁,x₂,…,x_N}和前N个运动数据{y₁,y₂,…,y_N}的标准偏差sd计算权重；根据权重对当前时刻前N个时间数据{x₁,x₂,…,x_N}和运动数据{y₁,y₂,…,y_N}进行修正；根据修正后的前N个时间数据{x'₁,x'₂,…,x'_N}和运动数据{y'₁,y'₂,…,y'_N}，利用最小二乘法计算当前时刻的红外摇臂跟踪的运动数据；

其中，所述根据当前时刻前N个时间数据{x₁,x₂,…,x_N}和前N个运动数据{y₁,y₂,…,y_N}的标准偏差sd计算权重，包括：

根据第一公式Value[i]＝K₁*sd*i计算第一数值Value[i]，其中K₁为常数；根据第二公式计算第二数值acc，其中K₂为常数；根据第一数值Value[i]和第二数值acc计算权重Weight[i]＝K₃*Value[i]/acc，其中K₃为常数。

2.如权利要求1所述的方法，其特征在于，根据权重对当前时刻前N个时间数据{x₁,x₂,…,x_N}和运动数据{y₁,y₂,…,y_N}进行修正包括：

{x₁*Weight[1],x₂*Weight[2],…,x_N*Weight[N]}＝{x'₁,x'₂,…,x'_N}；

{y₁*Weight[1],y₂*Weight[2],…,y_N*Weight[N]}＝{y'₁,y'₂,…,y'_N}，其中{x'₁,x'₂,…,x'_N}、{y'₁,y'₂,…,y'_N}分别为修正后的前N时间数据和运动数据。

3.如权利要求1所述的方法，其特征在于，根据修正后的前N个时间数据{x'₁,x'₂,…,x'_N}和运动数据{y'₁,y'₂,…,y'_N}，利用最小二乘法计算当前时刻的红外摇臂跟踪的运动数据包括：

根据修正后的前N个时间数据{x'₁,x'₂,…,x'_N}和运动数据{y'₁,y'₂,…,y'_N}，利用最小二乘法计算出(a,b)，其中最小二乘法的目标函数为：

根据计算得到的(a,b)和预设的函数y＝ax+b，计算出当前时刻的运动数据，其中，x表示时间数据，y表示红外摇臂的运动数据。

4.一种终端，其特征在于，所述终端包括：

获取模块，用于获取当前时刻前N个时间数据{x₁,x₂,…,x_N}和前N个红外摇臂跟踪的运动数据{y₁,y₂,…,y_N}，其中，N大于预设数值；

拟合模块，用于根据当前时刻前N个时间数据{x₁,x₂,…,x_N}和运动数据{y₁,y₂,…,y_N}拟合出当前时刻的红外摇臂跟踪的运动数据；

其中，所述拟合模块具体包括：

第一计算模块，用于根据当前时刻前N个时间数据{x₁,x₂,…,x_N}和前N个运动数据{y₁,y₂,…,y_N}的标准偏差sd计算权重；修正模块，用于根据权重对当前时刻前N个时间数据{x₁,x₂,…,x_N}和运动数据{y₁,y₂,…,y_N}进行修正；第二计算模块，用于根据修正后的前N个时间数据{x'₁,x'₂,…,x'_N}和运动数据{y'₁,y'₂,…,y'_N}，利用最小二乘法计算当前时刻的红外摇臂跟踪的运动数据；

其中，所述第一计算模块具体包括：

第一计算单元，用于根据第一公式Value[i]＝K₁*sd*i计算第一数值Value[i]，其中K₁为常数；第二计算单元，用于根据第二公式计算第二数值acc，其中K₂为常数；第三计算单元，用于根据第一数值Value[i]和第二数值acc计算权重Weight[i]＝K₃*Value[i]/acc，其中K₃为常数。

5.如权利要求4所述的终端，其特征在于，所述修正模块用于根据权重对当前时刻前N个时间数据{x₁,x₂,…,x_N}和运动数据{y₁,y₂,…,y_N}进行修正，具体使用如下公式进行修正：

{x₁*Weight[1],x₂*Weight[2],…,x_N*Weight[N]}＝{x'₁,x'₂,…,x'_N}；

{y₁*Weight[1],y₂*Weight[2],…,y_N*Weight[N]}＝{y'₁,y'₂,…,y'_N}，其中{x'₁,x'₂,…,x'_N}、{y₁',y'₂,…,y'_N}分别为修正后的前N时间数据和运动数据。

6.如权利要求4所述的终端，其特征在于，第二计算模块包括：

第四计算单元，用于根据修正后的前N个时间数据{x'₁,x'₂,…,x'_N}和运动数据{y'₁,y'₂,…,y'_N}，利用最小二乘法计算出(a,b)，其中最小二乘法的目标函数为：

第五计算单元，用于根据计算得到的(a,b)和预设的函数y＝ax+b，计算出当前时刻的红外摇臂的运动数据，其中，x表示时间数据，y表示红外摇臂的运动数据。