文摘
为了提供有效的信息支持体育训练和提高田径训练的有效性,深入分析基于人工智能的运动识别传感器和态度。首先,类型的基本条件分析、认知技术、现状进行了研究,和相关的基本理论进行了研究,并在此基础上,人类的位置分析和识别系统基于人工智能传感器开发运动训练。我们研究了技术深度。实验表明,该方法所收集的数据系统的惯性节点无线传输到电脑软件恢复趋势,识别每个趋势和参数精度高。在30分钟的测试,静态误差在1°和动态误差在5°,接受和奉行动态条件。该系统可以克服传统有线或光学方法的局限性,被广泛应用于运动训练、人机交互监控、康复医学、游戏、电影和电视制作。
1。介绍
人类的姿势和动作识别是计算机视觉领域的重要研究方向,涉及图像处理、模式识别、人工智能等学科。它有广泛的应用。然而,仍有许多基本问题在人类造成识别在传统的二维视觉。图像采集技术的发展,特别是Kinect体感摄像头的外观能够获取深度信息,它为手势识别研究提供了新的机遇。目前,主要用于3 d场景深度图像重建,并研究人类的姿势和动作识别仍处于起步阶段。尽管Kinect SDK为骨架跟踪提供了一个API,它没有提供一个更高级的手势识别(应用程序编程接口,API)。主要原因是人类的姿态不断变化;是不可能建立一个通用的识别模型。人类运动姿态的准确分析和预测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。 The development of computer technology and the rapid progress in the field of artificial intelligence have undoubtedly injected a tonic into today’s society, which has driven the rapid rise of surrounding industries, and the information society is rapidly advancing in the direction of intelligence [1]。随着一系列新概念的出现和技术如“智能城市、智能家居、物联网、“云物联网”和人民生活水平的进一步提高,人们开始越来越关注精神文明生活。的态度分析和识别是指一套完整的设备和系统解决人体的运动姿态和生成的数学和物理模型在三维空间中通过使用测量和运动捕捉技术,从而达到分析和识别的目的。如图1,显示了识别过程的流程图。逐步发展的流行技术,如增强现实(AR),虚拟现实(VR)和躯体感觉游戏,姿态捕获和分析吸引了国内外科研机构的广泛关注,学者,和制造商2]。作为一套完整的系统分析和恢复人体运动捕捉关键帧或人类运动的关键节点,姿态捕获系统已经逐渐应用于民用消费市场。有很多态度捕获系统的数据测量方法,如电磁、机械、光学图像和惯性传感器。最重要的方法是基于光学摄像头和采集的图像捕获基于惯性传感器。如果图像机器感知外部世界的眼睛,惯性传感器分布在人体的关节可以看作是机器的联系。与光学图像法相比,惯性传感器广泛应用于商业和各种飞机,因为他们的低成本等优势,良好的实时性能,不受安装范围,捕获范围宽(3]。领域的人机交互、人机交互开发了从原始命令行输入当前自然用户界面。计算机的情报使人机交互更加自然、和谐。在不久的将来,计算机可以理解人们通过他们的语言、动作,甚至思想,人们不需要使用额外的鼠标和键盘等输入设备输入指令。
2。文献综述
艾哈迈德等人相信人类姿态检测和运动识别是计算机视觉领域的一个重要课题。它的核心内容是检测人体目标从视频序列图像处理和分析,机器学习,模式识别等技术。其中,人体目标检测、分类和跟踪属于低级和中级处理阶段的愿景,而姿态识别、运动分析、和行为理解属于先进的加工阶段(4]。曹等人表示,在上述四个任务,基于视频检测系统中,人类的目标探测和跟踪,作为系统的基础,属于底层视觉问题。目前,已经提出了许多成熟的方法。人体目标检测方法包括背景减法的方法,帧间差分法、光流法。运动跟踪方法包括matching-based跟踪和基于特性跟踪(5]。顾等人认为,技术相关的人体姿态检测和运动分析,目前在先进的加工阶段,在热阶段的探索和研究。近年来,许多科研机构正在研究如何理解人类的姿势和运动的视频序列,形成更高的语义信息,权威期刊和会议也以这个领域为主要内容6]。Murniati等人认为,在人机交互领域,人机交互开发了从原始命令行输入当前自然用户界面。的智能计算机使人类和计算机之间的交互更加自然和和谐7]。阿斯兰等人说,在未来,电脑可以通过人的语言,理解人们的行动,甚至认为,人们不需要使用额外的鼠标和键盘等输入设备输入指令。近年来,躯体感觉交互技术的游戏已经成为一个新的行动方式相互作用[8]。赵等人说,在计算机科学和技术的不断进步,人工智能技术已经逐渐成熟。深层神经网络(款)可以自动学习数据特性,发现大数据稀疏和分布式特性,但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(9]。谢里夫等人提出了一个完全连接网络瓶颈,从而学会预测未来移动帧和训练的时间编码器人类运动的前一帧(10]。阿明等人说,人类运动的重要信息存在于人类肢体的动态。根据这一原则,代表人类的运动时,不变的一部分人类的姿势可以被丢弃,只有改变肢体表达信息需求。许多研究方法使用光流来表示运动信息在视频11]。金等人首次提出使用光流方法来识别不同的人体运动(12]。马丁等人认为nonmodel姿势代表代表了人类的姿势的光流,人类的轮廓,或图像中轮廓,不需要解决人类的模型参数,简化了人类姿态的解决方案。然而,nonmodel人类姿态表示观点的影响,人体差异,和其他因素13]。Bruder等人安装的探测器(内置的加速度计)的腰,用支持向量机的算法来训练和识别一个人是否下降。实验验证,检测精度可以达到96.7%14]。
基于上述研究对人类构成基于可穿戴设备和计算机视觉分析方法,这两种方法都有自己的优点和缺点。如表所示1,这两种方法进行了比较。在计算机视觉的方向,如果可以解决照明和阻塞或能够重现人体模型在计算机视觉方法将成为主流的分析方法。
3所示。方法
3.1。行动表示基于序列的态度
识别的行动,行动必须首先代表。在静态姿势,本文使用一个帧的特征数据来表示。对于一个行动,它可以被视为一系列骨骼帧数据的组合。每一帧相当于一个静态的姿势,也就是说,动作可以被视为多个静态姿势序列的组合。传统可视化方法研究的动作识别,通常需要选择几个关键帧图像序列代表行动,行动是分解成几个姿势,因为如果选择多个图像序列来表示动作,图像数据的计算成本高,难以满足实时的要求。本文希望通过连续表达动作骨骼帧数据,也就是说,特征提取是进行连续骨骼数据形成行动特征序列。通过这种方式,操作的描述是更合适的15]。基于上述考虑,本文将代表人类活动通过连续序列经过一段时间。然后,对于一种行为 ,它显示在公式(1)。 在哪里表示一个动作,代表了人类的姿势对应帧 。这里,本文特征提取的距离,如此是距离特性集从帧的骨骼中提取数据。然后,包含24个特征值,静态序列代表一个动作,和特征值表示一个动作是24 维(16]。
构建时间编码为模型来准确地识别人体运动模式。三种识别模型的变体:S-TE对称编码,编码H-TE编码C-TE,时间尺度和结构。encoding-decoding框架是用于计算高维输入数据到低维的投影图和基于投影预测输出数据。高维输入数据 由autoencoder优化,见方程(2)。 在编码器 将输入数据映射到低维空间 。
另一种方法是使用这个系统来捕捉人类运动的时间相关性的数据而不是静态表示人类的姿势。让 的观测值 ,和优化函数的编码器方程所示(3)。
3.2。识别时间序列
行动具有时空属性。行动转化为构成的序列空间,建立了空间模型的动作。然而,时间需要考虑。相同的动作,相同的人会以不同的方式,不同的人会以不同的方式(17]。实验者使得一个动作举起手在身体的一侧,收集三维点数据,手动截取200帧的骨骼三维点数据数据流的这个动作,和繁殖的结果骨的三维点数据在Matlab这一行动。如图2特征值的变化曲线左手连接点之间的距离和脊椎点方向和时间显示。如图3稍微慢,变化曲线完成动作。
从图可以看出,当同一个人执行一个动作,曲线的波形是相似的,但是有一个偏移量之间的关系曲线,完成一个动作在不同速度的两倍。客观地说,当人们做的行动,将会有快速和缓慢的情况下,这是自然的表达行为,必须有一定的随机性,这是不可避免的18]。因此,它不能保证一个人将速度做动作时,更不用说,不同的人会保持速度和花同样的时间做同样的动作。如果快速完成一个动作,姿势的动作序列将短;如果完成一个动作缓慢,动作的姿态序列将长。在模式识别中,基于波形相似的两个动作来判断他们是否属于相同的动作。这种相似性的最常见的方法是计算向量之间的欧氏距离。如果使用模板匹配,它是直接计算的特点两个动作之间的欧几里得距离在同一时间点,但两个序列的长度计算欧氏距离应该是一样的(19,20.]。然后,假设不同长度的序列代表相同的动作爬在时间轴上的两个序列有相同的长度,使两个波形不同长度更相似。这个想法是动态时间扭曲。
3.3。动态时间扭曲原则
动作识别可以被视为时间序列的识别。对于时间序列处理,普通的任务就是比较两个序列的相似性21]。然而,有两个问题在时间序列识别:(1)两个时间序列的长度需要比较相似可能不是平等的,和一般的识别算法需要特征向量的长度相等。(2)即使两个序列的长度相等,两个序列的特征值在同一时间点可能不具有可比性。为了解决这个问题,一个动态时间规整算法解决不规则两个时间序列在时间轴上的优化算法,用于解决语音识别的问题。在语音识别,语音信号的随机性强,讲话速度相同的声音由同一个人不同,相同的声音,不同的人是不同的,导致特征参数的变化,影响识别率(22]。DTW算法的总体想法使用动态规划的思想来找到匹配的路径与不同长度的两个序列之间的最小距离。这匹配路径点序列之间的映射关系。这就消除了时间轴上的差异,减少两个序列之间的失真,最大化重叠。例如,如图4实线和虚线代表不同的序列相同的信号,分别。从图可以看出,两个序列的变化趋势大致相同,但他们在时间轴不一致。在图5两个波形的对齐点发现,正规化后DTW算法。计算的距离对齐点才是真正的两个序列的相似性。
动态时间扭曲可以解决不平等问题的时间序列的长度和不规则的时间点。目前,它已经广泛应用于语音识别、手写识别、视觉匹配,其他领域(23]。
4所示。结果和分析
根据采样点的位置和速度信息和要点,进行手势分割来确定手势轨迹识别。考虑到手势分割的失败将直接影响后续的识别、分割失败时的处理措施,以及当前手势检测及时跳过进入下一个手势检测。成功获得分段手势轨迹后,进入预处理和特征提取阶段。如果考虑的时间特征跟踪,也就是说,每个跟踪点的顺序是肯定的,第一次使关键点的时间与标准时间和延伸时间相应其他采样点的坐标。然后,检测误差和姿态不稳定造成的干扰点过滤,和轨迹点坐标归一化(24]。如果不考虑,时间特征时间对齐是跳过和去噪和归一化。预处理后,轨迹点更方便提取特征和模板进行比较。各种矢量方向等特性,密度,和极端点每个点的提取,根据重要性和重量分配。最后,输入匹配阶段,比较每个特征值和相应的特征值的模板,计算欧几里得距离,得到每个模板的匹配程度。如果有多个类似的匹配度,直接进入二次匹配,否则以模板匹配度最高的为识别结果。用户反馈可以识别的结果。如果承认是错误的,正确提交跟踪和结果优化的背景模板,直到满足输出要求。
关键点检测算法。关键的手将停止行动,导致相对密集的点附近位置的关键。密度曲线分为几个区域,每个区域寻找最大密度点大于阈值的关键。如图6横坐标代表一个特定的时间间隔,纵坐标代表的采样点数量区间[25]。
时间对齐算法。手势轨迹是一个时间序列。时间序列的长度的两个动作,需要比较匹配的程度可能不相等,这是特别反映在动作的速度。因此,在比较匹配的程度,有必要伸展动作的时间序列匹配适当的时间序列,并确保相同的要点一一对应,从而达到更好的对齐。动态时间规划(DTW)算法用于实现这种效果。如图7,一个矩阵网格构造。横坐标是时间序列的模板,纵坐标是手势轨迹时间序列。矩阵元素(和 )通过折线代表采样点与模板之间的对应关系时间和动作时间。获得的路径动态规划(26]。使用尽可能少的采样点可以提高算法的计算效率。
从测试结果,识别率下降。的平均识别率为88.7%,减少2.7。减少的原因是,当记录的标准模板,记录了标准模板的人严格遵守操作要点,当实验者。在测试期间,识别率降低是由于个人原因(疲劳等),和运动并不是由于个人原因,以及个体间的变形运动。一般来说,识别率可以满足一般的交互式应用程序的需求。这个实验程序并不局限于训练和识别这些手势,还可以识别稍微复杂的操作(如站立和坐下),但太多的选择行动描述特性可以减少一定的识别率,因此,识别内容和识别范围应考虑当选择特性,和一个动作识别系统应该被设计为目的的应用程序中。目前,手势跟踪与识别是一个热门研究和发展的主题。这个项目在技术方面取得了良好进展,包括去噪和特征提取技术基于贝塞尔曲线和基于leapmotion各种标准姿态数据采集方法。手势识别研究在这个项目是人机交互领域的一项关键技术,为行业的发展提供指导(27]。手势识别技术的应用使人们逐渐摆脱传统的输入方式,为人类提供更多元化和人性化的服务。
在这一章中,基于Kinect动作识别方法进行了研究。首先,它解决问题的行为是代表在Kinect平台,分析了强随机性的行动在时间轴上。结合动态时间管理的理念,设计基于DTW的动作识别算法,实验操作识别系统实现,基于交互和6操作定义。实验验证可以达到较高的识别效果和满足交互式应用程序的需求。最后,讨论了系统的应用价值。
5。结论
基于人工智能的态度分析和识别系统不仅可以测量人体运动信息,但也获得人类的运动特性数据和运动状态通过态度的分析数据。研究态势分析和识别系统具有较高的科学理论意义,商业价值,军事价值,社会价值,如舞台表演、康复医学、特效制作、游戏互动、和体育训练。市场潜力是非常巨大的。在本文中,一个人的姿势分析和识别系统是基于人工智能技术而设计的。通过这个系统,人体运动信息收集,分析,和公认的姿态解决方案和识别算法进行了研究和实现。首先,一个可行的校准方案应用于解决之间的矛盾造成的不准确的解决方案一个惯性传感器的输出和真正的价值。然后,根据系统的特点,一种态度解决算法基于梯度下降算法的目的是最小化系统噪声和估计误差的影响。的态度分析和识别方法提出了基于姿态角。系统的可行性和性能也验证了实验。
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。