捕捉三维人体运动姿势在基于视频识别的虚拟现实

文摘

运动姿态捕获技术可以有效地解决困难的问题定义角色运动在3 d动画制作的过程中,大大减少工作量的角色运动控制,从而提高效率的动画角色运动的发展和忠诚。运动动作捕捉技术广泛应用在虚拟现实系统中,虚拟训练场地和运动轨迹的实时跟踪对象。本文提出了一种估计算法适应嵌入的态度。前面的集中式卡尔曼滤波分为两步卡尔曼滤波。根据传感器的不同特点,他们分别处理之间的隔离cross-influence传感器。提出了一种基于模糊逻辑的自适应调整方法。加速度、角速度和地磁场强度的环境作为输入模糊逻辑来判断载体的运动状态,然后调整滤波器的协方差矩阵。自适应调整传感器转换为运动状态的识别。研究人体运动姿态捕获、设计验证实验的基础上,在实验室现有的机械手臂。实验表明,研究运动姿态捕获方法具有更好的性能。 The human body motion gesture is designed for capturing experiments, and the capture results show that the obtained pose angle information can better restore the human body motion. A visual model of human motion posture capture was established, and after comparing and analyzing with the real situation, it was found that the simulation approach reproduced the motion process of human motion well. For the research of human motion recognition, this paper designs a two-classification model and human daily behaviors for experiments. Experiments show that the accuracy of the two-category human motion gesture capture and recognition has achieved good results. The experimental effect of SVC on the recognition of two classifications is excellent. In the case of using all optimization algorithms, the accuracy rate is higher than 90%, and the final recognition accuracy rate is also higher than 90%. In terms of recognition time, the time required for human motion gesture capture and recognition is less than 2 s.

1。介绍

虚拟身临其境的虚拟现实(VR)是一个交互式的环境,使用与计算机技术为核心的现代高科技生成一个特定范围的现实的视觉,听觉,触觉虚拟环境(1]。虚拟现实技术的研究目的是创建这样一个模拟的虚拟环境中,这样用户可以与对象交互环境中提供必要的设备来达到一个“身临其境”效应,就像真实环境的感受和体验(2]。随着虚拟现实技术的发展,自然人类和计算机之间的交互作用和多通道交互将成为主要的人类和计算机之间的交互方式。在这种背景下,动作捕捉技术,虚拟现实的关键技术,得到了越来越多的注意力从研究[3]。动作捕捉技术是指使用光学,声学,或其他运动数据采集设备记录的行为表现和记录的数据转换成数据的后续处理,可以驱动计算机虚拟角色的运动。跟踪收集的信息可以用来简单地描述了在特定的三维空间中的位置的拍摄对象的四肢,也可以用于描述复杂的细微变化的脸或皮肤(4]。

随着计算机技术的快速发展,纽约计算机图形技术实验室设计了一个水银镜光学设备项目的性能带来了真正的舞者在电脑屏幕上的关键帧作为参考数字舞蹈动画(5,6]。它也促进运动动作捕捉技术的发展。运动动作捕捉技术已经迅速引起了更多学者的注意,甚至开发人员(7]。例如,生物力学实验室在美国和麻省理工学院的运动已经开始进行研究基于计算机技术的动作捕捉技术。美国太平洋数据图形公司设计一个输入设备与8自由度控制动画角色的位置和嘴唇的运动(8]。这个设备的出现表明,人们的研究水平运动的动作捕捉技术已经上升到一个新的水平。近年来,国外体育动作捕捉技术已经从实验研究到实际应用,和增加对动画生产效率和产品质量的需求,各种类型出现在一些国家的市场9,10]。也有一定的差异运动姿态捕获设备的实现方案,以及相应的强调不同的实际应用也非常不同,而且价格是更昂贵的(11]。同时,运动姿态捕获设备的应用范围已逐渐超越了动画制作领域,很多已经应用于许多领域,如游戏开发和人体工程学(12]。游戏动画产业的迅速发展和影视制作领域,有更高要求的影响工作的忠诚,以及生产效率和质量13,14]。这也促进了运动的动作捕捉技术不断发展和发展。快速发展之后,3 d电影《阿凡达》拍摄基于运动动作捕捉技术赢得了全世界观众的一致好评,也起到了一定的参考,促进了国内影视创作领域15- - - - - -17]。尤其是在相关领域的国际会议讨论后,动作捕捉技术吸引了越来越多的注意力从人18]。全国大部分主要的大学开设了动画生产和其他相关专业学科(19,20.]。动画的生产效率和保真度促进高效、技术和艺术的完美结合,和对体育的需求姿态捕获技术知识和运动姿态捕获系统是巨大的(21- - - - - -23]。已收到广泛关注从主要的科研机构和公司24]。一般的声动作捕捉设备主要由数据处理模块,超声波发射器,和一个超声波接收器25,26]。设备修复一个超声波发生器中的特定位置捕获现场传输超声波(27,28]。接收器组成的三个超声波探测器(安排在一个三角形)接收信号。它测量的时间和相位差当超声波接收到不同的接收器29日,30.]。由于超声波具有良好的穿透性,这种声学解决方案有一定的优势;也就是说,它可以解决盲点引起阻塞的问题[31日]。目前,超声波动作捕捉设备由瑞士罗技和囊在德国是相对成熟的产品32]。基于视频序列的运动捕捉主要模仿人眼的原则。它使用比较两帧图像之间通过两个空间相机同时确定运动物体并完成空间运动对象的定位(33]。这种方法使用智能算法来识别行为,不需要穿制造商点操作对象,从而减少收集设备的要求(34,35]。可以认为,这是一个特殊的光学捕获系统。

当前惯性动作捕捉系统的卡尔曼滤波器已经成熟完美的建模和算法,实现态度估计在各种运动状态下,具有精度高,稳定性好。然而,模型算法复杂,计算很大,所以高速数据处理和复杂的态度估计算法只能实现在PC上。因此,惯性动作捕捉系统应用主要集中在离线处理应用程序。另一方面,大量的数据传输提出了相应要求数据传输和电源,尤其是在高速运动捕捉和无线数据传输网络。本文旨在研究和组织相关实验对人体运动跟踪和识别方法基于MEMS加速度计和MEMS陀螺仪。我们选择适当的数据采集设备和确定最佳定位,完成数据的分析组件,并提出一种预处理方法。我们设计一个小波阈值降噪方法适用于MEMS传感器数据和组织人类运动数据降噪实验分析和验证降噪设计模型。在实验中人体运动姿态捕获,本文使用机器人手臂的稳定和更精确的特征来验证设计的运动姿态获取方法和证明它的正确性。具体来说,本文的技术贡献可以概括如下:首先,提出了一种两步卡尔曼滤波器。这种方法不仅可以大大降低单片机的计算负担,还有效地提高数据的利用率。为了进一步提高估计精度和系统稳定性、过滤和噪音的信息分配系数矩阵R和问实时调整,采用基于模糊逻辑的自适应调整方法,使各种运动状态下的统一。它能保证稳定的输出,进一步简化故障检测与隔离算法,并减少容错计算的负担。其次,在收集、去噪和分析人体运动数据,最初的和动态的姿势角度通过人体的运动姿态捕获方法,从而完成人体捕捉工作得很好。视觉模型,建立了人体运动姿态捕获通过人类VR模型和MATLAB / VR工具箱,和结束的人体的运动轨迹在空间是通过Sim力学。这两种方法复制运动过程。比较之后,可以看出捕捉结果基本上符合实际的人体运动。第三,网格搜索支持向量分类器(GS-SVC),遗传算法支持向量分类器(GA-SVC)和粒子群optimization-support向量分类器(PSO-SVC)三个优化svc two-classification模式识别研究。实验结果表明,无论如何使用优化方法,两个分类的识别精度已达到90%以上;网格搜索算法的准确性GS-SVC multiclassification模式并不理想,和出错率约为10%;GA-SVC的识别精度和PSO-SVC启发式算法达到92%以上的two-classification模式。

本文的其余部分组织如下。部分2论述了人类运动姿态捕获和识别的关键技术。部分3设计了姿态估计算法的运动捕捉系统。节4,人体运动姿态捕获和识别实验。部分5总结了全文。

2。人类运动姿态捕获和识别的关键技术

2.1。虚拟现实场景生成基于真实场景

有三个方面需要考虑以现实为基础的虚拟现实环境的建模:一个是现实主义。这里的忠诚不是一模一样我们所说的忠诚一般3 d建模。一般来说,三维建模的忠诚是让用户看起来像某个场景在现实中,而不是具体有限的场景,只要用户感觉可以接受的。基于真实场景和虚拟现实场景建模要求一个场景的各个方面尽可能如实反映,必须承受比较。第二个是实时的。这包括连续性的感觉走路时通过现场和其他场景的平滑动画过程。这也是最大的区别从通用三维建模渲染的目的。为了确保实时虚拟现实的需求,一个不能简单地追求美丽和过多的细节。对于复杂的真实场景,必须采用一定的简化策略。第三是可控性。这意味着必须适合控制的建模对象。这是在虚拟现实human-scene交互的特殊要求。应该必须合并,合并的对象和对象之间的关系必须确定根据要实现的目的。

从实现的角度,通常有三个方案,这是直接与图形绘制功能或与第三方建模软件建模,然后出口,另一个是与特定的设备和自动生成依赖于非接触视觉技术。因为真实场景的复杂性通常相对较高,包括大量的不规则表面,很难选择参数直接绘制函数,和重建的方法与非接触物体的几何信息可视化方法需要特殊的设备和校准,这是非常复杂的。在这里,第三方建模软件通常用于模型,然后导出对象信息。此外,使用第三方建模软件的原因是为了方便实现各种功能的虚拟对象在虚拟现实环境中,如碰撞检测。虚拟现实系统的组成如图1。

为了更有效地提高整个系统的运行效率,多层次细节模型机制采用手动创建一个复杂的和简单的模型为每个对象。当对象是远离观点,使用相对简单的模型。这可以实现现实主义之间的平衡和速度。由于室内活动之间的距离并不是特别明显,我们只设置2到3级别。每一层的适用范围是动态分配的,有交集,这是不同于一般的系统。所谓的动态分配是指决定基于总当前场景的复杂性。如果它太高了,一个简单的模型的一些对象将使用;否则,它通常会呈现这样的选择模型可以由自适应速度的变化。所谓的交集意味着,的前提下保证速度和一定的保真度,这两个简单的模型和复杂模型可以被称为在一定距离范围内,也就是说,维护“模型调用”的惯性,减少频繁切换的模型在一个固定范围边界区。

2.2。运动姿态采集技术

人体运动姿态采集技术是一个热门话题在人体运动分析和智能信息处理,也是人体姿态识别的第一步。根据设备是否需要穿或标志着运动员,它分为接触识别技术和非接触式识别技术。常用联系人识别技术包括机械、光学、电磁、非接触识别是计算机视觉。

机械运动姿态捕获是实验者获得实时的记录移动目标跟踪和测量穿机械设备连接到一个传感器,和人类的驾驶动作的唯一方法是机械装置来获取数据。这种方法的优点是成本低、精度和设备磨损,可以提高和实时测量。然而,机械设备的穿着可能会导致运动对运动员的限制。

电磁和光学运动姿态捕获系统都需要运动员穿传感器或者是身体的关键部位,在规定的空间与运动员的动作。这种运动姿态捕获的优势是它获得多维信息,信息内容丰富。此外,姿态采集速度快,实时性能很好。与机械运动姿态捕获可穿戴设备相比,更简单,更方便,不会影响运动员的运动姿态。缺点是,它有严格的环境要求。例如,电磁式容易金属电磁场分布的影响,以及光在光学类型是影响地面反射等问题。

计算机应用人体运动姿态捕获技术是获取视频信息通过镜头设备,然后识别人体运动姿态的视频或图像。人类运动姿态捕获的框架图如图2。

2.3。人体运动姿态特征提取技术

身体运动通常可以被身体姿势、运动轨迹、运动时间、运动速度、运动强度和运动的节奏。其中,最直接的视觉接触的人是身体的姿势。因此,这种类型的信息的描述人体手势识别技术具有重要意义。身体姿势是指身体的状态和身体的不同部位在不同阶段的运动。基于运动的拉伸性描述操作姿势是一种常见的方法来描述身体的姿势。

描述人体运动姿态通过特征信息是人类运动的一个关键步骤的姿态捕获和识别。其中,特征提取的特征描述符的能力有很大影响的准确性和鲁棒性的识别在识别运动姿态。因此,当该特性信息准确地描述了同一类别的运动姿态,它还需要反映的程度不同类别之间的区别。此外,类似的特性得到相同的提取方法有不同的姿态描述功能为不同类型的运动。因此,有必要根据各种因素选择不同类型的特性如获得视频的质量,实际的类型的运动,发生现场,参加锻炼的人数。例如,在长期情况下,它可以根据移动目标轨迹变化分析;在后者的情况下,人体的四肢和躯干的变化可以分析通过从视频图像序列中提取的信息。

全球功能描述人体的方法例如移动目标跟踪或获得的前景检测和描述通过剪影轮廓,光流信息,和力矩特性。全球功能良好的不变性的特点,简单的计算过程,和直观和丰富的表情,但他们更对噪声敏感,部分阻塞,视角变化,非常依赖于准确的底层视觉处理,和大的信息量。

局部特征提取是指点或块的描述感兴趣的视频,而不需要跟踪移动目标或执行任何轮廓轨迹建模。地方特色是对复杂背景、光照变化、视角变化,和部分遮挡问题,但他们无法描述的整体信息移动的目标。

就像当人类进行视觉分析,被认为是全球和本地信息。全局特征和局部特征在计算机视觉也有自己的优点和缺点。因此,多个特征信息的提取,相互补充,有利于运动姿态的识别和分类。

级的融合可以分为两种类型:直接功能组合和特征选择组合根据分析和处理方法。直接功能组合的方法是直接将所有特征向量组合为一个新特性向量组根据一个简单的规则,如串行和并行融合方法。特征选择和组合方法一起把所有的原始特征向量,根据一定的规则选择,选择和保留一些特征向量从原始特征向量作为一种新的特征向量的组合。串行融合方法是最简单和最有效的特征融合方法。其缺点是,融合后的特征维数增加,保留所有的特性信息,还有大量的冗余特征向量。并行融合方法确保特性尺寸不变,但复杂的使用空间向量增加操作的复杂性和对实时识别的性能有一定的影响。

2.4。人体运动姿态捕获和识别技术

人体运动姿态捕获和识别的过程是完成基于特征信息的分类器训练的运动姿态样本计算和比较测试图像序列的特征信息来实现分类。这个过程是监督学习。

2.4.1。基于概率统计的方法

运动姿态是由一个连续的状态序列,关键帧的静态运动姿势设置作为一个国家,和概率关系用于表示状态之间的变化,并对应于整个状态序列的联合概率计算分类执行行动。它通常分为两类:生产分类器和歧视的分类器。生产分类器估计的联合概率分布,建立一个后验概率模型,基于统计和贝叶斯理论,反映了各种类型的数据的分布,并专注于类似的数据的相似性,如隐马尔可夫模型。判别分类器估计条件概率密度,寻找最优之间的接口不同的类别,并专注于不同类型的数据之间的差异,如支持向量机。

2.4.2。基于模板匹配的方法

在基于模板的方法中,已知的人体运动姿态提取视频序列及其相关特性作为一组模板来表示运动的姿势,和相似性测度作为标准匹配的运动姿势要测试模板与已知模板。主要有模板匹配方法和动态时间扭曲。模板匹配从特征选择的角度来看,它可以分为颜色、轮廓和纹理。动态时间规整算法是基于动态编程时间扭曲的原则,可以减少时间用于搜索和比较匹配的过程。这种基于模板的方法低计算复杂度的优势,但识别结果容易受到时间间隔和噪声的变化。

2.4.3。基于语义的方法

基于语法的方法是添加语法信息基于运动姿态的特征的过程中人体运动手势识别,有高层次的意义和形式的抽象描述运动姿态。这类似于人类大脑如何理解和认识到运动姿态。

2.5。人体姿态测量原理和方案设计

人体姿态测量的核心算法实现动作捕捉系统。算法涉及到定位检测、测量、规模和空间位置坐标定位方法,最后综合人体运动捕捉的数据格式信息,计算机可以识别和处理。电脑驱动主机上的虚拟角色复制捕获的骨骼运动轨迹通过处理和分析人体运动数据,然后实现了扩展应用在其他领域。

人体姿态测量技术基于多个传感器使用惯性加速度计等设备陀螺仪和磁力计和磁敏感设备来测量人类骨骼关节的旋转角度。图3显示了人类运动姿态测量算法的实现过程设计。首先,我们改善姿态信息融合算法根据传统的姿态计算算法的特点,融合三种不同类型的传感器数据,准确地获取单个节点的姿态角的地理坐标系统,然后建立一个人类骨骼模型和定义骨架亲子关系。基于正运动学的原理,我们建立一个联合旋转角模型和人类骨骼运动位置模型和推导出旋转角度和相对位移的每个关节相对于父关节;然后,支撑脚检测根据人类行走的步态特征状态;最后,人体运动轨迹捕获。

3所示。姿态估计算法的运动捕捉系统的态度

3.1。人类的运动模型

在实际应用中,人们已经引入了一个阈值判断的方法来检测运动加速度的大小,这是作为判断的标准。的最大角度误差阈值的判断

根据阈值的计算结果判断,角度估计误差仍然存在,不能满足实际使用要求。此外,当有不同程度的运动加速度三轴,振幅可能接近 。如果只使用加速度振幅直接调整的可靠性X,Y,Z轴,很容易造成误判。

假设转动关节的角速度ω角加速度α和旋转中心节点P,载体的运动加速度的坐标点P可以得到:

载体的运动加速度坐标转换成地理坐标,和胸部是作为中心来建立整个身体的运动加速度估计方程:

估计运动加速度提供了新的参数和重力场向量的误差校正方法的准确性因为每个轴的重力加速度随运动加速度的增加而减小。当运动的加速度X轴,只有的可信度X轴组件调整重力加速度。此时,Y和Z轴重力加速度分量仍然可以参与卡尔曼滤波计算。摘要组件的三轴加速度分别处理每个轴的运动加速度,这减少了每个轴之间的相互干扰,提高了数据的利用率,提高识别的准确性的运动加速度。

3.2。两步卡尔曼滤波器设计

卡尔曼滤波是一种无偏最优估计理论,线性最小方差。知道状态向量的数学模型和观测向量,噪声统计特性的状态向量和观测向量,和系统状态的初始值,传感器的测量数据和状态方程可用于获得系统状态向量和观测数据之间的关系。最优估计一般分为两个步骤:评估和修正,分别对应于状态向量的更新方程和观测向量。前者是基于状态的最优估计K−1和第一状态时的结构K。后者是将电流传感器的输出构造的后评估状态的时间K,两人轮流交替完成实现状态的最优估计。

最优卡尔曼滤波器的估计是实现当状态向量的数学模型和观测向量是准确的,噪声的统计特性和系统状态的初始值是已知的。因此,噪声的统计特性的准确性在很大程度上决定了卡尔曼滤波。系统模型的不准确的主要原因,例如,缺乏一个完整的理解实际物理问题或足够的统计数据;为了满足实际工程要求,真正的物理模型是简化,或非线性方程线性化和近似。忽略一些小的外部干扰,从而导致系统的数学模型或噪声的统计特性不能准确地反映实际系统的物理过程,不能反映真正的系统状态,甚至使滤波器发散。此外,很难准确地理解时变噪声的统计特性在过滤操作。上述因素使得理论上最优卡尔曼滤波器和稳定,但在实际应用可能是不同的。

当传统的集中式卡尔曼滤波器进行数据融合的惯性运动姿态捕获系统,有许多严重的问题,如:(1)卡尔曼滤波是一种基于矩阵运算的最优估计算法,及其计算将基于矩阵维度。很难保证实时性能,尤其是在多传感器组合测量。(2)使用多个传感器子系统cross-influence传感器之间的概率增加,和某一子系统失败。如果不及时发现和隔离,它将进一步影响整个系统,降低可靠性。

针对这些缺点,分散卡尔曼滤波器实现多传感器信息的最优合成。它不仅提高了系统的测量精度也有一定的容错,从而获得最佳的总体性能。为分散过滤器,传感器具有不同特点是孤立和并行处理,从而避免传感器之间的传质,减少计算量。

无论使用欧拉角和四元数的表达式,这两种类型使用更新的载体的态度陀螺仪作为卡尔曼滤波器的状态向量,但是前者使用承运人的态度计算了加速度计和磁强计作为卡尔曼滤波器的状态向量。观察向量称为松耦合模式;后者使用加速度计和磁强计的输出作为观测向量的卡尔曼滤波器,称为紧密耦合模式。后者有结构紧凑但涉及6-dimensional甚至能量矩阵运算和不适合嵌入式系统。

考虑卡尔曼滤波器的计算速度的要求,本文使用承运人态度计算了加速度计和磁强计的观测矢量滤波器,避免了非线性操作的卡尔曼滤波器。然而,在计算的过程中态度的加速度计和磁强计,如果计算的音高和滚动角加速度计的重力向量作为输入值计算地磁场向量,获得的偏航角将包括磁干扰。因此,在本文中,我们首先完成音高和滚动角的角度估计根据陀螺仪和加速度计和使用评估结果作为输入的偏航角的解决方案,以避免传输错误引起的运动加速度。

针对传感器的随机噪声、环境干扰,运动造成的测量误差,结合态度计算惯性跟踪和分散的卡尔曼滤波方法,介绍了一种两步卡尔曼,设计滤波器如图4。因为在载体的运动,加速度计主要受运动加速度,和磁强计主要是受到周围的电磁干扰的影响,所以传感器输出的误差是不同的,加速度计和磁强计分别对待。因为错误的原因是不同的,两步卡尔曼滤波,自适应调整基础也不同。两步卡尔曼滤波器由两个sub-Kalman过滤器,如下:第一步是进行卡尔曼滤波的俯仰和滚角度。卡尔曼滤波器的音高和滚动角是由陀螺仪和加速度计组成的。陀螺仪更新状态向量,纠正重力向量更新观测向量组成一个二维卡尔曼滤波器,如以下公式所示。采样间隔。 第二步是进行偏航角的卡尔曼滤波器。根据评估结果的第一步,它被替换到地磁场矢量方程。我们把它从承运人的地理坐标的坐标X- - - - - -Y飞机获得偏航角的观测向量,陀螺仪和更新状态向量的偏航角形成一维卡尔曼滤波器。

摘要两步卡尔曼滤波执行状态更新和角的估计,滚,和偏航角序列,简化了复杂的误差分析和矩阵集中卡尔曼滤波计算,大大减少了单片机的计算负担,提高了处理速度。相反,用音高和滚动角到解决方案偏航角提供了更精确的观测方程的偏航角的卡尔曼滤波方程。两步卡尔曼滤波器将传统卡尔曼滤波器一步一步。两个地方过滤器交替执行,分别处理不同的传感器特性,可大大减少单片机计算,避免传感器之间的传质,改善系统错误隔离和重构的能力。

3.3。基于模糊逻辑的两步卡尔曼滤波算法

卡尔曼滤波器是最优分配重量的信息之间的状态向量和观测向量误差状态向量和观测向量的大小,从而实现最优估计的状态。误差的大小和状态向量之间的观测向量协方差矩阵反映的问和R。状态向量的误差和观测向量形式创新的卡尔曼滤波器序列,所以卡尔曼滤波器的自适应调整主要是在进行创新。为了提高滤波器的估计精度,本文提出了一种自适应调整基于运动状态。根据模糊逻辑的判断结果,协方差矩阵问和R实时在线调整。

与传统逻辑相比,模糊逻辑建立控制规则基于实际操作经验,所以它可以更直接反映人类思维和判断结果和不完整的信息可以实现合理的判断和操作。模糊逻辑可以减少系统建模和分析的复杂性,大大减少了计算量,可以实现更快速、准确地控制计算。此外,模糊逻辑需要更少的存储空间,从而降低硬件的技术要求。

来近似实际方差矩阵Cr窗口的平均估计:

我们定义理论和实际之间的差异方差值作为DoM(匹配度)。如果DoM值接近于零,这意味着矩阵的理论和实际价值R很好地估计,只有一个小的调整Rk是必需的。如果DoM是正的,我们减少Rk;否则,我们增加Rk。如果使用DoM作为模糊逻辑的输入值,对应的输出值是ΔR。

自适应多模卡尔曼滤波器取代了以前的振幅调整时间与新和相关函数的函数卡尔曼滤波器,然后分配每个假设检验模型的概率分布。改进后的算法称为RCKFB(剩余相关卡尔曼滤波器银行)。该方法检测和法官基于新的信息系统故障在一段时间,所以会有一定的时间延迟系统的失败。然而,输入信息的需求减少,提高故障识别的准确性。

尽管各种自适应滤波的实现方法是不同的,它们都是基于统计创新的创新序列。理论计算值往往是一致的,从而减少噪声的统计特征的精度要求的观测向量,尤其是当噪声特征改变,然后,卡尔曼滤波增益矩阵K改变来改善估计精度。这种方法实现的自适应调整问或R并避免滤波发散。然而,方差匹配使用一定量的创新的平均值作为实际方差值。它更多地依赖统计特征和不能准确区分。

根据上述两步卡尔曼滤波器,加速度计和磁强计的输出分别处理两subfilters,每个轴的运动加速度估计,所以每个角的观测值的误差在欧拉角可以分别估计;也就是说,运动的加速度X设在,运动的加速度Y设在和Z设在和地磁场的强度,分别对应的误差大小,滚,和偏航角,结合载体角速度的调整矩阵R。根据角速度,运动加速度,每个轴的地磁场强度,本文提出了一种自适应调整方法基于运动状态。传感器的输出与估计每个轴的运动加速度作为模糊逻辑的判断基础确定载流子运动。根据载体的不同运动状态,分别,我们估计数据可靠性和角估计误差中每个传感器的当前状态和调整方差矩阵问状态向量和方差矩阵R的观测向量。例如,当承运人迅速旋转,状态向量的精度提高;也就是说,问是减少了,R增加;当承运人旋转速度缓慢或静止状态,问增加和R却降低了。根据运动状态,卡尔曼滤波的自适应调整执行,避免了单纯依赖创新序列,可以更准确地估计当前状态中的每个传感器的误差大小。

陀螺仪的测量误差主要包括零点误差和量化误差。零点偏移将继续积累随着时间的推移,但这将是一个固定值在一个固定的采样间隔。量化误差的增加线性增加的角速度。角速度在地理坐标与三轴角速度在载体坐标系。为便于操作,本文是简化的线性与角速度的振幅之间的关系。因此,承运人的态度由陀螺仪误差更新包括三个部分。

承运人在不同运动状态时,加速度计测量的可靠性俯仰和横摇角的变化。根据上述,俯仰和滚角度观察向量的每个轴的运动加速度直接相关,和运动加速度的估计精度是影响IMU安装误差和角速度测量误差。

当磁力仪受到外部的电磁干扰,偏航角变化的可靠性;另一方面,地磁场矢量的计算是基于音高和滚动角的估计价值,和每个轴的角速度反映了承运人的旋转状态,所以矩阵R是磁场强度之间的方程,角速度,和创新。

在前面的分析中,提出了一个基于模糊逻辑的自适应调整方法。根据载体的运动状态,建立了卡尔曼滤波自适应调整参数表。每个运动状态都有一个相应的调整参数。卡尔曼滤波器的自适应调整的模糊识别运动状态。判断的基础主要包括每个轴向运动的加速度、角速度,地磁场的强度。根据最大成员的原则,载体的运动状态的判断。

假设的修正Y设在重力场组件 ,运动加速度的估计误差唉,Z设在重力场组件 ,和运动加速度的估计误差阿兹。运动加速度的估计误差K,然后,螺距角的估计误差如下:

在某种态度,角估计误差和运动加速度估计误差近似线性变化。

两步卡尔曼滤波器,传感器与不同特点区别对待,以减少传质引起的滤波器故障或降低精度。根据载体的不同运动状态的估计,每个传感器的测量精度是评价,方差矩阵问和R自适应调整,更好地反映每个滤波器的估计精度的变化。这样就避免了依赖创新的统计数据,降低了系统故障的判断时间,具有更好的动态特性。此外,模糊逻辑的引入和建立的运动状态变换滤波器的自适应调整运动状态的判断和识别。这不仅可以有效地避免过滤器的分歧也避免调整传感器输出和过滤器之间的数学模型。它可以更多地依赖于大量的调整经验,系统误差分析建立模糊逻辑判断规则,简化了故障检测。和孤立的算法大大减少了容错估计的计算负担。根据不完整的状态数据载体,滤波器的调整因素可以直接确定,实现更准确判断传感器的误差分布,提高滤波器的估计精度。

4所示。人体运动姿态捕获和识别实验

4.1。实验程序设计

首先,人体运动姿态捕获实验是基于机器人手臂平稳运行的特点,可以更精确地控制运动的速度和位置;然后,我们设计实验研究,采用人力运动运动运动姿态捕获方法进行姿态角捕获;最后,我们使用虚拟现实技术和Sim力学仿真模块实现人体运动姿态捕获的视觉验证,与实际情况比较结果,得出相应的结论。

无线动作捕捉系统单元安装在人体各关节的位置实现姿态测量的四肢。Zigbee无线网络负责动作捕捉单位和个人电脑之间的数据传输。根据实时姿态的四肢、关节运动的角色模型驱动的。设计的三维运动捕捉方法是用来计算的初始姿态角和动态姿态角操纵者。同时,机械臂的初始角可以通过控制算法获得的,而真正的旋转角度和角速度可以测量通过圆形磁网格,然后,角速度和角速度的值可以比较。

基于人类运动的一系列研究和设计的识别,实验计划如图5。

在人类运动的实验研究识别中,不同类型的运动项目分别进行设计和实验。本文利用这些实验方案验证SVC在不同情况下的识别性能。摘要人体运动识别的研究是面向人体的日常运动。

4.2。运动姿态捕获方法的实验验证

由于人类运动的不确定性大,运动姿态捕获方法设计在前一篇文章中不能直接验证。然而,机器人手臂可以进行更精确的控制自己的运动控制算法和可以记录操作角度和角速度的机械臂通过圆形磁网格测量机制的角度。

4.2.1。准备验证初始姿态角的捕获方法

我们收集的加速度数据初始位置平行四边形的机制。初始位置的加速度采集过程至少需要0.8秒收集足够的数据。计算夹角Z轴和X轴和水平位置如图6。

从图可以看出6这之间的角度X轴和水平位置是32°和36°之间,平均值是33.8°;之间的角度Z轴和水平位置在0.9°,0.98°之间,平均值是0.94°。从理想的角度这并没有太大的区别。考虑到有一定误差固定的数据采集设备,它可以满足捕获需求的初始姿态角。

4.2.2。验证动态姿态角的捕获方法

在旋转过程中,角度和角速度测量的数据圆形磁网格,和获得的数据在图所示7。此外,角速度陀螺仪和降噪处理收集的数据在图所示8。

从图可以看出8这一Z设在收集的角速度陀螺仪不同−3 - 2,这表明角速度数据降噪处理后反映真正的机械手臂的运动。剩下的两个轴的角速度数据保持基本稳定,只有小波动不超过±0.1°,和干扰Z轴陀螺仪的可以忽略。动态姿态角计算使用数据图8并计算根据运动捕捉方法如图的态度9。比较实际的运动姿态角数据,初始姿态角是不考虑。

从图可以看出9的动态姿态角数据Z轴陀螺仪的基本上是一样的角变化值平行四边形关节的机械臂。均方根误差的动态姿态角和零的位置X轴和Y设在计算是0.036和0.032,分别。对非职业X轴和Y设在陀螺仪,计算角波动值非常小。

实验验证基于机械臂后,从捕获的结果初始姿态角和动态姿态角,本文中的运动捕捉方法设计的态度显示了良好的性能在运动态度捕捉小错误,所以它可以使用。

4.3。实验和分析人体运动姿态捕获

人体的运动有很强的不确定性和不稳定性。人类运动的过程中,速度,轨迹,启动和停止的位置无法提前知道,只能大致沿着预期的运动轨迹来收集数据。基于上述人体运动的特点,本文设计的人体运动动作进行实验和分析通过捕获的运动过程,这两个动作相同的志愿者。

为了研究实验的结果,这个过程向前摆动运动的规定如下:躯干的志愿者可以站在任何方向。人体的波动面前,重复几次,最后返回到初始位置,保持静止。

操作的加速度和角速度数据收集,和角速度数据获得在应用小波阈值来减少噪声图所示10。

从图可以看出10志愿者的上肢向前执行摇动0.8秒。图10 ()显示的角速度数据X轴,波动很大。数据10 (b)和10 (c)的角速度数据吗Y设在和Z轴。可以看出,两个轴的角速度数据有一个小范围的波动开始后的行动。这些运动偏离预期的运动都是人类的动作。

在这个实验中,第一个20集的加速度数据在应用小波阈值去噪的静态用于捕获初始姿态角。计算初始横摇角γ和螺旋角θ人体的图所示11。

人体的静态状态并不是绝对的,一定量的抖动。由于加速度数据用于捕获初始姿态角有一个很小的波动幅度,取平均值的初始姿态角的捕获效果。最初的横摇角的平均值γ和最初的螺旋角θ−3.12°和1.14°,分别;之间的角度Y轴和X轴的数据采集设备和飞机在地理坐标系−3.12°和1.14°,分别。初始姿态角的捕获结果表明人体偏离铅垂线的后方人体在运动开始前一定的角度。人类的捕获结果构成角度如图12。

在图12人体动态姿态角和角速度数据反映了相同的运动趋势。在图12(一个),横摇角γ反映了人类身体的摇摆运动,和几个小波动发生在中间阶段。在开始阶段,横摇角γ保持初始姿态角不变,最后阶段,人体横摇角γ基本上回到零位,这意味着人类的身体锻炼后体重基本上保持垂直状态。周期性的上肢螺旋角的变化θ和偏航角ψ在数据12 (b)和12 (c)是由人类运动的不确定性和不稳定性引起的。

使用MATLAB / VR工具箱,结合的捕获方法的初始姿态角和动态姿态角人类运动,我们运用收集到的加速度和角速度数据的行动来执行虚拟视觉模拟和验证。

视觉模型在虚拟现实环境中仍不能显示人体运动的所有细节。人体通过Sim力学建模仿真模块,并根据人体姿态角,最终的轨迹可以获得人体的空间。

4.4。人体运动识别实验

我们定义的分类标签站和运动状态,1和2所示。因为two-classification模式是相对简单的,这个实验收集2志愿者的运动数据进行降噪和分割操作获得68套的特征值。所有特征值都是由降维处理后,前10主成分达到一种解释水平的90%以上。

三个优化svc, GS-SVC GA-SVC, PSO-SVC,用于训练和识别。K-CV方法下,SVC对训练集是最优的。图13显示了部分结果基于视频的人体运动姿态捕获的认可。

的训练和识别结果two-classification模式使用三个优化svc在图所示14。从图可以看出14符合我们之前分析SVC, SVC two-classification识别具有良好的性能。不仅所有优化算法的准确率达到90%以上,也最终的识别准确率达到90%以上。此外,捕获和识别人类的运动姿势所需的时间小于2 s。

5。结论

针对不同特征的传感器的惯性运动姿态捕获系统,提出了一种两步卡尔曼滤波器,分别处理加速度计和磁强计和简化了滤波算法从能量三维矩阵运算。该算法提高了计算速度,使角估计算法实现高速嵌入式系统抽样估计。为了提高滤波器的估计精度,建立了一个基于模糊逻辑的自适应调整方法。相应的调整因素决定不同的运动状态,调整滤波器是转化为运动状态的识别,这减少了计算负担。在完成研究人体姿态角的计算方法,人体的研究工作完成捕获通过捕获人体的初始和动态姿态角。对于这个过程,本文使用虚拟现实技术建立一个可视化模型和模拟人体捕获过程。本文研究了基于支持向量机的识别人类的运动。首先,SVC对人体运动识别是基于SVM理论设计,然后,各种优化方法,包括网格搜索算法和启发式算法用来优化设计SVC来获得更好的性能。结合人体运动姿态捕获和识别的研究,我们制定相应的实验计划。人体捕获的运动姿态捕获方法验证,和人体运动捕捉实验设计。 The capture process was verified through a visual model. For the capture and recognition of three-dimensional human motion gestures, a two-classification model is designed for experiments, and the experimental results are analyzed. The sensor static correction method is divided into two steps: online data collection and offline processing. However, when in different experimental environments, it is necessary to reprocess the error correction of the sensor and modify the corresponding error model, which brings great inconvenience to actual use. Therefore, it is necessary to introduce online correction of the sensor.

数据可用性

使用的数据来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

这部分工作是支持2020的一般程序教育部人文社会科学(一个实验性研究自闭症儿童的生理和心理问题干预,主题数量20 yjc890033)。

引用

1. h·布洛克,f·法、k . Nakadai和y长岛,“学习手语视频,三维骨架数据”ACM智能交易系统和技术,11卷,不。3 - 24,2020页。视图:出版商的网站|谷歌学术搜索
2. s h .赵z Wang邱et al .,“自适应步态检测基于foot-mounted惯性传感器和多传感器融合,“信息融合52卷,第166 - 157页,2019年。视图:出版商的网站|谷歌学术搜索
3. a . l .曼吉亚m . Cortesi s Fantozzi a Giovanardi d . Borra和g . Gatta”的使用在水环境方面:仪器的验证和应用三维多体运动学分析在医学和运动,”传感器,17卷,不。4 p。927年,2017年。视图:出版商的网站|谷歌学术搜索
4. p . del Hougne m·芬克和g . Lerosey“最佳多样化的沟通渠道与随机性,无序的环境”电子性质,卷2,不。1,36-41,2019页。视图:出版商的网站|谷歌学术搜索
5. h . Ghasemzadeh p . Panuccio s .它起码g . Fortino r .贾法里,“节能活动监视使用分布式的可穿戴传感器,”IEEE人机系统,44卷,不。4、537 - 544年,2014页。视图:出版商的网站|谷歌学术搜索
6. h . j . z . Wang Wang赵et al .,“使用可穿戴传感器捕捉人类腰椎在竞技游泳的姿势,“IEEE人机系统卷,49号2、194 - 205年,2019页。视图:出版商的网站|谷歌学术搜索
7. f . Porciuncula a . v .拿d·库马尔et al .,“可穿戴的康复运动传感器:集中审查技术和临床进展,”pm r,10卷,S220-S232, 2018页。视图:出版商的网站|谷歌学术搜索
8. m·t·o·Worsey r . Pahl d .诉希尔和p·d·米尔本,”计算方法的比较来确定使用艾莫斯intrastroke速度游泳,”IEEE传感器信,卷2,不。1、1 - 4,2018页。视图:出版商的网站|谷歌学术搜索
9. 林x, x, x王et al .,“时间与隐私保护,有效和安全的车辆通信”IEEE无线通信,7卷,不。12日,第4998 - 4987页,2018年。视图:出版商的网站|谷歌学术搜索
10. g .夏h .太阳,l·冯·g·张,和y . Liu,“人类运动通过强大的内核稀疏的子空间聚类分割,“IEEE图像处理,27卷,不。1,第150 - 135页,2018。视图:出版商的网站|谷歌学术搜索
11. 耿b、n范教授问:雪et al .,“三维声襞基于肌肉力学和磁共振成像姿态模型犬喉,“《美国声学学会杂志》上,卷147,不。4、2597 - 2608年,2020页。视图:出版商的网站|谷歌学术搜索
12. g . h . Elzwawi h . h . Elzuwawi m . m . Tahseen和t . a . Denidni“基于地表的switched-beamforming天线频率选择性,”IEEE访问》第六卷,第48050 - 48042页,2018年。视图:出版商的网站|谷歌学术搜索
13. h·钟,黄,j .崔y,和l .刘”条件保护隐私认证在车辆使用登记列表特设网络,”IEEE访问》第六卷,第2250 - 2241页,2018年。视图:出版商的网站|谷歌学术搜索
14. s . Narayanan m·迪伦佐·f . Graziosi h·哈斯,“分布式空间调制:合作的多样性为半双工relay-aided无线网络协议,”IEEE车辆技术,卷65,不。5,2947 - 2964年,2016页。视图:出版商的网站|谷歌学术搜索
15. d . a . James r . i .利百特·m·r·Neeli b . j .事实d .诉希尔和j·b·李”集成监控系统的生物力学分析游泳游泳中风,”体育科技,4卷,不。3 - 4、141 - 150年,2011页。视图:出版商的网站|谷歌学术搜索
16. z . Wang j·李,王j . et al .,“惯性传感器分析之间的马术运动初学者和专业骑手不同马步态下,“IEEE仪表和测量,卷67,不。11日,第2704 - 2692页,2018年。视图:出版商的网站|谷歌学术搜索
17. m . Cortesi a Giovanardi g . Gatta a·l·曼吉亚s Bartolomei和s . Fantozzi“惯性传感器在游泳:通过3 d手腕轨迹检测中风的阶段,”在体育科学和医学杂志》上,18卷,不。3、438 - 447年,2019页。视图:谷歌学术搜索
18. g·拉维妮,k . Achouri v . s . Asadchy, s . a .不在和c . Caloz“易感性推导和实验演示折射metasurfaces没有虚假的衍射,”IEEE天线和传播,卷66,不。3、1321 - 1330年,2018页。视图:出版商的网站|谷歌学术搜索
19. h·艾哈迈德和m . Tahir”,改善人体取向估计的准确性和可穿戴IMU传感器,”IEEE仪表和测量,卷66,不。3、535 - 542年,2017页。视图:出版商的网站|谷歌学术搜索
20. j . c .刘树群,g . z . Li和r·朱“可穿戴flow-MIMU设备监测人类动态运动,”IEEE神经系统和康复工程,28卷,不。3、637 - 645年,2020页。视图:出版商的网站|谷歌学术搜索
21. y Naresh和a . Chockalingam”媒体使用射频调制镜子。”IEEE车辆技术,卷66,不。6,4967 - 4983年,2017页。视图:出版商的网站|谷歌学术搜索
22. k . Achouri和c . Caloz”设计、概念和应用电磁metasurfaces”纳米光子学,7卷,不。6,1095 - 1116年,2018页。视图:出版商的网站|谷歌学术搜索
23. t . Yoshikawa诉失去,大肠Demircan“机器学习对人类运动的理解,”先进的机器人,34卷,不。13日,828 - 844年,2020页。视图:出版商的网站|谷歌学术搜索
24. f . a . d。Magalhaes g . Vannozzi g . Gatta和s . Fantozzi“可穿戴的惯性传感器在游泳运动分析:系统回顾,“体育科学杂志》,33卷,不。7,732 - 745年,2015页。视图:出版商的网站|谷歌学术搜索
25. g . j . Kim Lee r . Heimgartner et al .,“减少走路和跑步的代谢率,多才多艺,便携式exosuit,”科学,卷365,不。6454年,第672 - 668页,2019年。视图:出版商的网站|谷歌学术搜索
26. d . n .越南m·迪伦佐·v . Basavarajappa b Bedia Exposito, j . Basterrechea D.-T。Phan-Huy,“基于可重构天线的空间调制:绩效评估通过使用可重构天线的原型,“EURASIP无线通讯和网络》杂志上,卷2019,不。1,p。149年,2019。视图:出版商的网站|谷歌学术搜索
27. 答:科斯和a . Umek”可穿戴传感器设备的预防和康复保健:游泳运动与实时治疗师反馈,”IEEE物联网》第六卷,没有。2、1331 - 1341年,2019页。视图:出版商的网站|谷歌学术搜索
28. b·p·麦克休a . m .莫顿b . Akhbari j . Molino和j·j .胖子“相对相位指示器光学运动跟踪的准确性量化手腕的活动范围,“医学工程与技术》杂志上,44卷,不。2,49-54,2020页。视图:出版商的网站|谷歌学术搜索
29. k·r·阿曼·t·艾哈迈德,a . l . Sweedo et al .,“人类运动组件和包络特征通过无线可穿戴传感器,”BMC生物医学工程,卷2,不。1、1 - 15,2020页。视图:出版商的网站|谷歌学术搜索
30. c . Liaskos聂,A . Tsioliaridou A . Pitsillides s埃尼迪斯和Akyildiz,“一个新的无线通信模式,通过软件控制metasurfaces”IEEE通讯杂志卷,56号9日,第169 - 162页,2018年。视图:出版商的网站|谷歌学术搜索
31. G.-Z。李,赵s, r·朱“可穿戴式风速计multi-sensing风绝对定向,风速,态度,和标题,“IEEE传感器杂志,19卷,不。1,第303 - 297页,2019。视图:出版商的网站|谷歌学术搜索
32. y叮,k . j . Kim t . Koike-Akino m . Pajovic和p, p . Wang“空间散射调制上行毫米波系统”IEEE通信信,21卷,不。7,1493 - 1496年,2017页。视图:出版商的网站|谷歌学术搜索
33. w . Tang j.y.戴,m . Chen等人“可编程metasurface-based射频单链8 psk进行无线发射机,”电子信件,55卷,不。7,417 - 420年,2019页。视图:出版商的网站|谷歌学术搜索
34. 美国秋王z h .赵,h·胡”使用分布式可穿戴传感器来测量和评估人体下肢运动,”IEEE仪表和测量,卷65,不。4、939 - 950年,2016页。视图:出版商的网站|谷歌学术搜索
35. s秋王z h .赵k .秦z . Li和h,“惯性/地磁传感器基于行人通过多传感器航迹融合,“信息融合39卷,第119 - 108页,2018年。视图:出版商的网站|谷歌学术搜索

版权

版权©2020羌族傅等。这是一个开放分布式下文章知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。