文摘

为了准确分析运动训练的动作使用人工智能技术,提出了一种改进的模糊聚类模型。模糊c用于造粒multilabel空间,和不同变量之间的关联度标签是通过信息增益。针对multilabel信息分类的问题,选择一个适当的隶属函数,用于地图的所有信息样本,获得其类别的隶属度。考虑模糊支持向量机的训练效率慢,使用聚类方法优化模糊支持向量机,建立最优超平面,并完成分类根据各自的属性在高维空间中。最后,该算法和其他算法实验比较k和魏兹曼科学人类行为数据集出版。实验结果表明,该方法是有效的和鲁棒性。

1。介绍

人体运动识别是计算机视觉领域的研究热点(1]。随着相关技术的进步,人类的运动识别算法基于深度学习取得了良好的识别效果,当样本容量是足够的2]。然而,在小甚至缺失的样本容量的情况下,几乎没有研究如何确定新行动。

识别的训练动作,除了选择特性来描述动作的能力,我们还应该考虑后续行动的可行性评估。训练运动评价是评价标准的程度的运动执行通过捕获每个链接之间的相对运动的人体3,4]。人体的整体位移是一个无关紧要的干扰特性,如旅游位移在水平方向上运行和垂直高度在跳。因此,人类之间的相对运动特征提取环在训练中运动不仅有利于区分类似的运动,也为行动创造条件评估。然而,在前面的动作识别方法基于传统的特征提取,无关紧要的位移的影响在动作识别人体运动过程中很少被认为是(5,6]。

准确分析和预测人类的运动可以为运动训练提供有效的数据支持。得到人体运动的相关数据,结合标准数据库数据正确的细节运动员的运动,我们可以提高运动员的运动水平。计算机科学和技术的不断进步,人工智能技术逐渐成熟。深神经网络(款)可以自动学习数据特性,发现大数据稀疏和分布式功能(7]。然而,最新的卷积技术不能直接应用于获取人体运动数据。为了获取人体运动数据,卷积滤波器需要覆盖整个范围的人工关节,卷积只发生在时间方向上(8]。

在计算机视觉和图像处理技术的快速发展,基于视觉的智能培训系统信息处理正逐渐应用于运动训练(9)和康复医学领域(10,11]。目前,大多数现有的运动训练指导计划依靠运动过程的智能设备缺乏有效的监督,不能提供反馈和建议,这是不利于初学者掌握运动(12]。解决上述问题,本研究设计一个模糊聚类模型,提高了特征的分类标签通过模糊C分区方法和信息增益和实现信息分类的目的优化依靠模糊支持向量机和集群。

本研究的创新和贡献如下:(1)模糊c用于表面变粗糙multilabel空间和标签不同变量之间的关联度是获得的信息增益。(2)针对multilabel信息分类的问题,选择一个适当的隶属函数,用于映射所有样品和获取会员的类别的信息。(3)考虑模糊支持向量机的训练效率慢,使用聚类方法优化模糊支持向量机,建立最优超平面,并完成分类根据各自的属性在高维空间中。

最终结果的公共数据集上验证k (13和魏兹曼科学14),这种方法在运动训练动作分类的有效性。

本研究包括四个主要部分:第一部分是引言,第二部分是基于模糊向量机优化模糊聚类模型,第三部分是实验和分析,第四部分是结论,除了有抽象和引用。

2。基于模糊向量机优化模糊聚类模型

2.1。模糊C部门

信息分类中使用模糊c优化。根据信息类型的多样性,multilabel信息分类和标签的程度属于一个特定的标签是由隶属度描述P。目标函数的模糊C multilabel空间分工 如下: 在这里, 代表的隶属函数y标签对应x标签。满足 ,和 代表所有标签。W∈(∞)代表了加权指数。构造新的目标函数如以下所示方程,和必要的条件可以通过计算目标函数的最小值:

其中, 代表的拉格朗日乘数法约束。导数是对于每一个输入参数,获取和更新隶属度方程如下:

2.2。信息增益

信息增益可以量化随机标签变量之间的关系我和J,它可以计算如下: 在这里,u(我)表示的概率密度我。U(我,j)代表的联合概率密度我和j。

信息增益可以通过结合熵和熵描述:

信息增益可以有效地代表的程度之间的关系的两个或两个以上的变量标签。信息增益越大,变量之间的关系就越高。

2.3。Dual-Label模糊向量机模型

模糊支持向量机添加所有信息样本的隶属度。multilabel信息,一个适当的隶属函数是根据具体问题首先选择。这个函数需要能够映射加入样品的所有信息他们的类别 。因此,原始训练集 转换成模糊训练集:

其中, 代表了x测试样本的信息d维空间。multilabel分类问题, , 代表训练点的模糊隶属度属于类。

提出了参数是一个错误的程度。模糊的会员指程度的训练点属于一个特定的类。因此, 可用于测试训练点的误差分数不同的重要性。

模糊训练集的超平面的优化调度分配问题转化为以下操作优化问题: 在这里, 代表重要程度的误分类。是放松向量样本的信息。 。米,h代表的常数项和权向量线性评价函数分别在高维特征空间中。

方程的优化问题(7)归程序如下:

最优的解决方案是 。然后,计算最优分类函数如下:

对于非线性问题,添加内核函数 可以将公式(8)以下方程:

计算优化问题后,进一步获得最优分类函数如下:

2.4。基于模糊向量机Multilabel信息分类

根据最优分类函数,初始分类问题分解成z(z−1)/ 2子问题使用一对一的分解策略。所有子问题有多个种类的信息。也就是说,所有信息样本有三种情况:信息只包含第一种样品标签,样品只包含第二种信息标签,和样品包含第一和第二类型的信息标签。为了方便搜索,包含第一信息的样本标签表示为子问题的正样本,和它的输出 。包含第二个信息标签的样本被表示为负样本,并输出 。第一次和第二次的样品信息标签被描述为混合样本,并输出 。

最优超平面是通过搜索支持向量构造机制,然后样品分为两个独立的类的信息。然而,在实际运用中,在某些特定的国家,信息样本计划不能完全投入到一个特定的类别。换句话说,有一个模糊的会员样本和类别之间的关系。因此,添加一个模糊隶属关系通过模糊支持向量机充分利用样本信息。

。其中, 代表d尺寸在测试信息x样品代表不同程度。multilabel分类问题, 。其中,信息的总量和样品训练子集信息样本函数的值为1,−1和0 分别。代表训练点的模糊隶属度属于某个类。

培训的目标是找到超平面 ,这样积极的和消极的信息样本可以满足, 。混合类的样本的信息应满足的要求 ,所以正类样本的评价信息。如果 ,评价是混合类。如果 ,它是评估作为一个负类。样品的不同类型的信息,一个FSVM模型构造了基于线性条件的基础上,超平面的问题 计算和转换成一个二次规划问题:

因为不同的训练信息样本对分类的影响,模糊支持向量机(FSVM)可以添加不同误分类处罚不同信息样本,然后克服噪声干扰的分类。在模糊支持向量机的应用,难点在于如何确定隶属度样品的信息。如果它决定不当,分类器的准确性会减少。

2.5。基于聚类的模糊向量机优化

模糊支持向量机的训练效率慢,和它的大部分业务是寻找支持向量,然后构建最优超平面。结果表明,模糊支持向量通常分布在特征空间的边缘。大部分的向量位于中心的类不支持向量和没有意义构建一个最优的超接口。具体的过程如图1。

在图1,黑色的广场是一个类型的信息和点是另一种类型的信息。B是最优分类超平面,这是由一组支持向量的变化。然而,没有合理的解释通常是一些样品在信息样本,如图像中的噪声点。这些噪声点会造成严重负面影响的最优超平面。一般来说,信息只样本训练集的一部分。因此,一个更现实的方法是删除这些点,不能支持向量,然后训练支持向量机,以减少计算和改进最优超平面的结果。

因为聚类算法收敛效率高的特点,模糊聚类初始化不太敏感的问题,及其隶属函数也可以映射信息样本之间的密切的信息。因此,模糊分区方法引入集群获得模糊聚类算法。

内核映射提出了一个非线性映射的信息样本高维特征空间B。模糊划分矩阵 代表从技术上说,云天化物种集群的集群中心。 代表了模糊加权指数。然后,维 的两个点和在特征空间如下:

模糊聚类方法的具体实现过程如下:(1)选择迭代的终止条件 ,和最大迭代数N。(2)初始化类中心 。(3)操作 ,这 (4) ,如果某些信息的样本 ,所以 。如果所有的样品不是零和存在的信息 ,然后 。如果每个信息的样本不等于零,同时存在, ,然后 。(5)操作 。(6)通过新 返回步骤3和步骤4。计算新值的 。(7)如果 到达最大迭代数N,然后停止操作,否则转到步骤5

的算法,表示参数大于1。H参数是0,和更大的价值,就越难评估信息样本的隶属度达到的标准1。在测试之后,当其值达到0.65,可以获得所需的集群效应。聚类后,样本分为几个模糊的信息类的形式 。

这取决于的价值 ,样本的信息可以分为两类。信息样本完全属于某个类别,这样对其他类样本的隶属度为0。这样的信息样本通常是接近某个类的中心,远离其他类,通常不能成为支持向量。另一个是信息样本和其他类之间的距离,没有太大差异和它们位于不同的界面坐标,这样的样品有一定的概率成为支持向量。对于前者,它可以直接分为最近的类。不需要考虑与其他类的协会,并没有必要进入下一个支持向量机训练。对于后者,需要评估他们的训练和学习,然后分类成一个特定的类别。

3所示。实验和分析

本节首先介绍三个数据集使用,其次是实验结果和讨论不同的数据集。实验进行了计算机与Ubuntu 16.04系统。

3.1。动作识别的数据集

三个动作识别数据集被用在这个实验中,即训练动作的数据集,k数据集,和魏兹曼科学数据集。还装有两个英雄使用的数据集训练行动7黑色与垂直的主要光学轴同步拍摄15运动员,分别命名为主要和次要位置。主机使用相机拍摄平面活动特性。当执行不同的动作时,主机位置被用来拍摄运动员的矢状面和冠状面运动的特点。

k数据集由六人的动作。总共598个视频平均长度4 s组照片是由固定摄像机的帧率25 FPS。魏兹曼科学数据集包含8人的运动。数据集被6个主题和总共包含90个视频在50帧,如图2。

3.2。实验

3.2.1之上。结果数据集训练行动

为了验证该方法识别的结果,在训练数据集,分别实验有以下三个部分:(1)与不同长度特征向量用于表示数据集上的行为包含射击动作的主要和次要引擎位置分别和他们对识别结果影响是观察来验证算法的鲁棒性拍摄角度和背景的变化。(2)通过比较研究中的模型和文献[15),对识别结果的影响。(3)培训模式与不同的数据量是用来观察对识别结果的影响,验证该方法的可移植性在小样本数据集。

实验的数据集包含动作的视频中小飞机的位置。大约2062组9人被随机选中的视频作为测试集,和3792组视频的其他15人被选为训练集,特征向量长度16,64,144,256,400,576,784,和024分别用来表示动作,。实验结果如图3和4。

每个行为类型拍摄一次或几次在九个不同的人,导致93视频序列。采用交叉验证方法。在测试阶段,该模型评估逐帧和视频通过视频。具体来说,帧识别是指提出的识别算法的实现每一帧,然后获得每一帧的识别结果,和帧识别指的是实现全球整个视频序列的识别结果。

通过比较不同特征的识别速度向量的长度,长度16疲软的特征向量描述运动特性。很难捕捉一些位于四肢的运动特点,导致可怜的识别结果。当特征向量的长度增加到64年,大部分的操作可以被识别。同时,主人的识别率射击行动是接近90%。使用特征向量长度144及以上时,正确的识别主机位置是95%以上,二级发动机位置的识别率是80%以上。特征向量的长度576时输入分类器,主要机器的识别率高达97.24%,二级机的识别率也超过90%。识别速度测试结果不同长度的特征向量图所示4。样本识别的时间相同方向的变化与特征向量的长度,和上升趋势是显而易见的。识别速度是相同的,当长度相同的特征向量用于识别主要和辅助飞机的位置,所以图5只显示数据集上的实验结果主要的飞机。基于识别的精度和速度,根据特征向量长度的优化函数方程(7),参数l决心是24岁,和相应的特征向量长度是576。

次要的识别率相机的位置通常是低于主机。这两个原因如下:(1)与主要特征平面的主要相机,联合阻塞更加严重的平面二次相机,这使得它更难提取运动特征。(2)不同的拍摄背景中小飞机的位置也会影响识别结果。尽管如此,该算法的识别率二级相机行动仍然可以达到91.77%,这证明了该方法具有一定的鲁棒性相机角度变化和背景的变化。

为了验证模型的影响在本研究中识别结果,模型在这个研究的结果和文献[15)的主机位置射击训练行为的识别进行了比较。对比结果如图6。与文献[15),该模型在研究中提高了运动在大多数情况下识别率。

因为所有的行动训练行动数据集执行现场,和整体无关的位移对动作识别的影响不大,这个模型的改进行动的识别性能是有限的。

训练集规模对识别结果的影响。为了验证该方法的识别能力与少量的数据集数据,实验数据集进行训练行动拍摄的主机。训练集包含1、2、3、7、10、13、15行动视频用于训练和测试集包含9个动作视频还用于测试。实验结果表中列出1。识别率的变化方向相同的训练集的数据量。然而,随着数据量的增加,提高识别精度,增加训练样本逐渐减少。当一个人培训行动视频(每种类型的动作包含1示例)作为训练集,测试可以获得86.56%的准确率。这是因为这种方法使用特征向量和最优长度代表行动。使用分类器也有良好的识别效果对小样本数据集。添加了解释和标记为蓝色。

3.2.2。打开数据集的实验结果

测试集和训练集k数据集是根据文献的方法来划分(16]。训练集包含动作的视频16个主题,和测试集包含行动9主题的视频。该方法在本研究中用于数据处理,和实验结果表中列出2。

模型之间的比较研究和模型识别结果在文献[15)如图5。六个运动的结果表明,k数据集,该模型在本研究中可以识别五个运动除了拳击更准确,特别是行走的改善效果,慢跑,和跑步是更加明显。这是因为在文学(15人体的整体位移,在一个大范围的走路,慢跑,和跑步运动了运动之间的有效的特点,消除后,识别率大大提高。最后,在k数据集算法的识别率达到91.67%,和模型的应用研究,从而提高整体识别率14。

拳击行动是唯一的行动分类的识别率下降后,使用这种方法,识别错这是慢跑或跑步。原因是跑步和慢跑运动的特点与拳击运动后消除混淆范围广泛的整体位移。通过观察运动识别的结果,发现在拳击运动错误检测、冲压工作范围的主题通常是小,方向是水平的,这类似于上肢的运动跟踪的跑步和慢跑运动,造成错误的检测。为了解决个人运动类别之间的混淆,我们可以增加当地的重量运动特性。

魏兹曼科学数据集分为训练集和3主题和一个测试集,主题。模型与模型相比,本研究在文献[15为数据处理、培训和测试。实验结果表中列出3和图7。除了跑步和慢跑的两个动作,其他六个行动的识别率为100%,和魏兹曼科学数据集的平均识别率为90%。

四种类型的运动的识别率呈现在图7在文献[相对较低15]。每个运动的识别率大大提高通过消除整体位移运动,其中跳和侧的识别率达到100%。这个数据集的总体识别率提高了16.67%。k和魏兹曼科学数据集上实验结果表明,该算法具有良好的泛化能力为相同类型的数据集,并可以应用于类似的行动识别任务。虽然改进的投影策略减少了识别率的拳击动作k数据集,它大大提高了识别率的各种各样的行为。此外,消除人体位移使关节之间的相对运动特征的提取算法来完成运动识别,这是非常重要的为当地进一步提取人体的运动特征和运动质量评价。

表4列出了该算法在魏茨曼和其他四个算法数据集。相比之下,引用(17]- [20.),该方法的平均每帧精度提高了8.05%,4.96%,3.74%,和1.40%,分别。每个视频识别方法的性能提高了12.0%,8.3%,2.43%,和0.84%,分别。因此,实验结果表明,该算法具有良好的效果。尽管该方法可以有效地训练动作分类,一些缺点已确定的研究进展。因为所有的行动训练动作执行数据集和整体无关的位移对动作识别的影响不大,这个模型的改进行动的识别性能是有限的。

实验对比该方法和其他方法是列在表4中。为了验证该方法的识别能力在公共数据集,该方法与其他方法相比,相同的类型。表5列出四种运动识别方法的识别结果在两个公共数据集,所有这一切都是基于特征提取的运动识别方法。四种方法描述运动特性,利用文献[17]- [20.),分别完成运动识别相结合的分类算法。列在表5,该方法的识别精度高于其他方法相同类型的两个公共行动识别数据集。

4所示。结论

与计算机视觉和图像处理技术的快速发展,基于视觉信息处理智能培训系统逐渐应用于运动训练和康复医学领域。准确地分析运动训练的动作使用人工智能技术,提出了一种改进的模糊聚类模型在这项研究中,依靠模糊支持向量机完成multilabel信息的分类和聚类。算法颗粒剂multilabel空间通过使用模糊c均值,以获得不同变量之间的关联度标签。然后选择一个适当的隶属函数,用于映射所有信息样本,和会员的类别。然后,使用聚类方法优化模糊向量机,建立最优超平面,并完成分类根据各自的属性在高维空间中。最后,实验验证了算法的准确性。尽管该方法可以有效地分类multilabel信息,随着研究的深入,发现了一些缺点。因此,未来的研究课题是扩大和优化该方法提高计算能力的方法。

数据可用性

标签数据集用于支持本研究的发现可以从相应的作者。

的利益冲突

作者宣称没有利益冲突。

确认

这项工作得到了聊城大学。