文摘
当物质的欲望得到满足,人们开始追求更多的精神水平。健康运动有良好的辅助效果对人们的灵活性和身体健康,所以越来越多的人选择健康的锻炼。然而,健康的运动锻炼回到成都和影响体能训练的效率。因此,我们设计了一个体育竞争援助系统基于模糊的大数据和健康运动识别算法。首先,在本文中,标准分数比较数据库是通过扩展标准动作创建的数据。此外,进一步给出了系统体系结构,关键3 d基于数据采集模块的设计。此外,进一步给出了系统体系结构,给出基本的3 d数据采集器的设计。在本文档中,深度由傅里叶特征过滤金字塔融合到骨骼特征,和合并后的数据排序是基于引擎的支持,因此设计动作识别单元。隐马尔科夫模型(HMM)人类行为识别算法提出了基于姿势的选择。这种方法使用两个集群(美联社)仿射传播聚类算法的特性,自动选择每个操作的关键姿态,并对应于隐藏状态的嗯。 These hidden state labels are used to initialize the parameters of the HMM to train the model, and the trained model is used to implement action classification. The result shows that the design in the article has a more accurate recognition result, which provides a powerful tool for the referee to score. Using the Fourier Pyramid filtering method, through a large number of health exercises for comparison, the ability to judge the degree of standard health exercises is significantly improved, the efficiency is increased by 25%, and the accuracy rate is increased by 15%.
1。介绍
随着计算机的快速发展,人工智能和模糊大数据也骑这两个“火车”(1]。作为21世纪的前沿技术,大数据和人工智能已经广泛应用于我们生活的方方面面。人类行为识别,作为人工智能的一部分2,3),不仅识别健康锻炼不可替代的作用,但也广泛应用于智能视频监控、人机交互、机器人和人类异常行为监控、和其他方面4]。目前,已经有大量的计算机视觉研究人员从事研究人类行为识别5]。与微软的廉价的深度相机Kinect的释放,研究人员再次启发研究者使用深度和骨骼数据进行深入研究人类行为识别(6]。
本文讨论是否标准姿势练习。姿势是指身体的各个部分的外部表现,如手指、上肢、躯干、下肢行动7]。健康运动中发挥很好的作用调节健身和姿势。Lianghaide控制她的身体和姿势的能力的基本要求是健康的锻炼。这是一个重要的因素在改善人类行为和艺术表达的质量。
由于动作识别的重要性,越来越多的团队开始进行动作识别和研究取得了良好的效果。例如,卷阿里提出了一个决策支持方法,基于专家系统的状态的判断。然而,这个方法执行的定位不是很准确,非常主观的8]。越来越多的大数据来自传感器节点。为了监测环境条件,夏,徐,和其他人使用监视器运动识别和定位。但这种方法也容易出错(8,9]。
奥马尔Boutkhoum提出了一个基于亲和图的混合决策方法,模糊层次分析法分析(模糊),和模糊技术,这是类似于优先顺序类似于理想溶液(FTOPSIS)评估,等级,选择最合适的。云计算包含并管理大数据解决方案的项目。事实上,许多公司的战略重点是创造竞争优势通过使用新的可用的技术,流程和治理机制(如大数据和云计算)。作为这项技术总是受到进步和发展,许多企业面临的问题是如何使用云计算技术的灵活性,可以提供从大数据中获益。在这种情况下,选择最合适的云解决方案举办一个大数据项目是一个复杂的问题,需要一个广泛的评估过程。但这种方法不是很准确10]。
本文的创新如下:(1)人类行为识别基于骨骼和深度数据的融合。当人们进行健康锻炼,身体的骨头会摇摆。我们使用swing的骨头来检查是否满足标准的练习。人类行为可以被隐藏的马尔可夫模型(HMM)分类器使用观察到的特性。(2)操作方法进行分类。提取的特征进行处理,以减少其他因素的影响。最后,处理过的数据被发送到分类器识别人体的运动。有许多类型的分类器可用于动作识别,如使用非参数朴素贝叶斯模型分类操作,使用资讯分类器进行分类。此外,研究人员通常用统计模式识别分类器来识别人类行动。(3)LSTM用来预测行动序列。 With the help of global background information, the new LSTM network has high recognition performance. However, the deep neural network method is very time-consuming. It requires a large amount of labeled data for training. In a small sample database, overfitting usually occurs.
2。体育竞争援助系统基于模糊大数据和健康运动识别算法
2.1。基于轨迹跟踪的运动识别算法
时空的方法可以使用图像显示识别简单的人类行为但不能处理复杂的行为。随着深度传感器,它已成为可以监测人体的三维零件检测复杂的人类行为。认识到人与人之间的交互对象是高度依赖于跟踪和标记对象。可以使用的算法是马尔可夫层次隐藏模型(嗯),卷积神经网络(CNN),条件随机场(CRF),等等。11,12]。
我们可以把主要的人工关节,如图1。分析相应的关节通过人的动作。分析每个关节的运动。然后,与规范的大小范围。通过这种方式,可以通过数据分析了具体行动。我们可以更好的判断动作是否标准。其体系结构如图1。
2.2。行动模板识别方法
模板识别的基本过程如下:首先,动作序列转换成一个静态特性形式通过某些特征提取等预处理,然后,与之前的静态表,最后根据测试样本与已知的标准比较。然后,我们与过去相比静态形式,最后得到的结果测试序列基于测试样本之间的相似性和已知的标准和指定的极限值。基于标准的方法我们使用许多非常有效的方法之一。常见的方法包括模式匹配和动态时间扭曲。匹配模式非常简单和有效的。常见的方法包括模式匹配和动态时间扭曲。匹配模板非常简单和有效的。这种方法是基于两个动作序列之间的相似性的动作测试样本和动作特征样本确定推广行动符合规范(13]。测试样本和样本的特征是由最近的相邻距离。当每个组件的属性数量的重量是不同的或相对的距离通常是用于计算。模式匹配方法简洁和清晰,程序简单明了,计算速度快,但它有高要求的数据样本,不能适应大规模的空间变化。
假设A和B两个时间序列:他们的长度x和y分别;一个是参考模板,另一个是测试模板。序列中的值是每一帧的特征值(14]。
首先,构造一个x y距离矩阵年代,和矩阵元素年代(e,f)代表之间的距离两个模板元素和欧几里得距离:
也就是说,单帧序列之间的相似性一个和C:
动态正规化,顾名思义,是要找到一个与最优路线距离的距离矩阵,以便序列点通过的路线有最小欧氏距离和相似度最高。定义正则化路线如下,Eth元素de = (u,我),A和B代表序列之间的映射关系(15,16]:
重组路线的选择满足以下三个约束:(1)边界条件: 。任何行动的速度会有所不同,但部分的顺序不能改变,所以常规路线的开始和结束的开始和结束两个时间序列。(2)连续性:假设某一点的路径 。下一个路标 。要求的常规路径选为相邻元素或对角元素。(3)单调性:如果 。要求正则化路径是单调的。
在满足约束条件下,选择成本最低的路径正规化的许多正规化的路线:
其中,K相对应的路径长度不同的路径。
最佳路径:路径通过至少两个点之间的距离是最好的路径,这可以很容易地确定根据动态规划算法。定义一个累积距离x(一个,b)。A和B这两个序列匹配从点(0,0),达到每一个点,计算了所有前面的点的距离会积累。到达终点后(n,米),累计距离总距离,序列之间的相似性问和C (17,18]。
2.3。获得身体动作
我们当前的方法获取人们的身体动作主要如下:一是使用彩色摄像机或其他类型的摄像头获取图像信息,和其他与可穿戴设备是利用惯性传感器采集加速度和角速度的变化在行动19,20.]。
传统上,人体运动识别是基于视频图像信息,包括多种技术的融合应用,如数字图像处理和模式识别21]。虽然我们有很多的方法来处理图像识别,整个识别过程是相同的,也就是说,通过摄像头采集人体运动信息,使用不同的方法来区分人体从背景中,区分轮廓和部分人体,人体的基本特征和出口。最后,人类运动识别根据帧到帧的变化。尽管计算机已经显著提高硬件和图像的处理,妨碍捕获目标,等等,使接收到的图像数据的信息内容不够,导致识别错误或未被承认的情况下拍摄环境和阻塞的射击目标,等等;获得的图像数据的信息内容是不够的,导致识别错误或未被承认的情况下22,23]。当基于图像的动作识别技术是结合特定的身体模型获得人类的特性,需要一个特定的空间环境和拍摄角度图像数据收集,和设备安装过程是复杂的和可移植性差(22]。
加速度计是用于人体的不同部位当人们移动,和陀螺仪是用来测量物体的速度在运动的过程中,结合加速度和角速度分析当前对象的运动(24,25]。更灵活的操作可以通过消除有线传输的局限性。与数据显示的图像相比,收购的过程中惯性数据更加直观和明显的。穿的关键部分肢体上的惯性传感器,加速度引起的角速度变化人在肢体的运动能反映位移的易损件。与微型机电系统(MEMS)的迅速发展,惯性传感器实现了小型化、高集成,体积小,低功耗,低成本,使其更方便和更快的使用惯性传感器获取运动参数(26]。然而,并不是所有的方法都是完美的。惯性传感器也有自己的缺点。人体运动迅速变化,幅度很小。传感器的输出数据是吵闹,和实时性能很差27]。单个传感器不能达到准确识别(28]。因此,需要结合多种工具使数据更有说服力。与此同时,我们的数据可以更有利于我们的研究(29日]。
3所示。研究运动竞赛辅助系统基于模糊大数据和健康运动识别算法
3.1。特征提取的一个子集的接合点
提取局部特征在人类行为识别的目的是人的利益。在一个行动有相对较大的变化,不需要定位和跟踪整个人体。当地特性具有很强的抗干扰和外部环境因素,如人体型的变化,拍摄角度的变化,变化的照明和遮挡问题,等地方特色已广泛应用于人类行为识别,还有很多分类器对应。接下来,我们将详细说明选择技术的特征提取方法和骨骼关节的子集。
3.1.1。位移矢量特征
第二个地方特征提取是相对位置特性,这是一个非常显著的空间特性。目前很多动作识别方法基于骨骼数据提取的这一特性。本文在文献中提取的这一特性。此外,他们还计算了骨头关节坐标差异在当前帧与前一帧和当前帧之间的协调不同初始框架。具体计算公式如下:它是通过减去b骨骼关节的坐标点的坐标th骨接合点c-th框架。当然,th骨骼关节和骨头的b联合是不一样的。
3.1.2。选择一个子集的接合点
大多数公共人类行为识别数据集包含骨骼数据,这通常是提取深度地图Kinect。Kinect将使用20或15骨骼关节代表整个人体的骨架。MSR的骨架模型动作3 d和MSR日常活动3 d和标签在每个关节如图2。任何运动,然而,并不是所有的骨头关节将会改变在这个运动方向和角度。如果所有的骨骼和关节的特点提取,它将带来一个“维度灾难”的行动分类阶段。此外,一些冗余的特性也会干扰识别结果,更不可能认识到人类活动。计算的特征维度选择关节也相对较小,这有利于以后的聚类算法的实现。
3.1.3。预处理的骨头
一方面,人类体型差异需要标准化处理的三维数据。另一方面,测试人员的速度和风格的差异导致不同的操作序列的长度。因此,有必要进行预处理的骨头。行为分类的基础上3 d骨骼数据的序列(即三维坐标。,3Dtrajectory) of bone joints in time is used to describe the actions of the human body. However, this kind of representation is to choose different reference coordinate systems according to the difference of human body shape, and the reference coordinate system is different in each environment, which can be solved by the method of coordinate system transformation. Literature [19)把骨头的位置在一个共同的坐标系统使关节坐标具有可比性。
3.2。聚类的特性
不建议直接使用提取的特征来训练分类器。一方面,因为提取特征的数量是相对较大的,有大量的冗余特征。如果直接发送到分类器的特性,计算率很低,和冗余特性也会影响最终的识别结果。另一方面,如果传统方法加工的特性,它从以前的实验结果可以看到,识别率不高。这部分选择使用两个仿射传播算法对提取的特征,选择最能代表每个操作的关键帧,并初始化隐马尔可夫模型的参数,使得初始化参数的过程更高效而合理地提高计算速度。
3.3。隐马尔可夫模型(HMM)
在引入聚类算法之前,我使用一个简单易懂的例子介绍了隐马尔可夫模型并介绍其五行和三个基本问题。假设有三个不同的骰子:第一是一种常见的六面骰子(D6),表面上的数字从1到6,而每个数字出现的概率是1/6。第二个骰子有四条边(由D4),包含数字从1到4。每个数字的概率是一样的,这是1/4。第三个骰子是一个八面体,作为D8表示,每一脸抛出的概率是1/8。
首先,随机选择一个三个骰子,扔出去。选择任何一个是1/3的概率。掷骰子得到任何一个1,2,3,4,5,6,7或8。假设10次以上流程执行,并获得一串数字:1、7、3、2、8、5、6,2,4,1。这串数字称为可见状态链,并有相应的。一个隐藏的状态链是无形的。在这个例子中,隐藏的状态链每个扔骰子选择之前。假设相应的隐藏的状态链:一个4,一个8日,一个6,一个4,一个6,一个8日,一个8日,一个6,一个8日,一个4,图3显示相应的图形可以隐藏或显示状态的隐马尔科夫模型。
它可以看到从图2有一个隐藏的状态之间的转移概率隐马尔科夫模型。可以添加额外的条件。例如,D6只能紧随其后D8,的概率D后8D8是0.8,和的概率D4 = 0.2。D8不能紧随其后D6,所以转移概率将会改变。在这里,我们只介绍最简单的情况下;即隐状态之间的转移概率是1/3,所以隐状态图所示2转换图。隐藏的状态可以输出可见状态,以及它们之间的跃迁概率称为观测概率,也输出概率。例如,的概率D6投3是1/6。如果你用双手和双脚骰子,输出概率将会改变。
4所示。体育竞赛辅助系统基于模糊大数据和健康运动识别算法
4.1。关键姿势选择基于两个仿射传播算法
特征提取只完成动作识别的初始步骤。聚类提取的特征选择关键帧可以代表每个操作的关键是提高算法的识别率。在文献[54],k - means用于集群在多个数据库中提取的特征和验证。在动作识别的过程中,为了减少人工参与,本文不使用传统的聚类算法,并使用上面介绍的仿射传播算法(美联社)。该算法不需要设置聚类中心的数量。对于小数据,设置可以达到很好的自动聚类的结果。
所有样本序列的一个动作,如果直接使用美联社集群每个序列根据传统的想法,缝合一起样本序列的聚类结果来表示这一行动。这样简单的动作,每个序列聚类后的主要构成相对单一。对于复杂的运动,也很难选择一个代表性的姿势。此外,仍然存在的冗余的姿势也会影响后续的分类结果。本文使用AP算法初始聚类的基础上再减少冗余,提高计算速度和识别精度。
4.2。实验和分析MSR行动3 d数据库
作为一个公共数据集,它被用于许多实验。有两种方法对数据在这个数据集进行分类。第一个是王等人提出的多种验证方法。11]。个人分类、主题1,3,5,7,9用于教育、和主题2,4,6,8,10用于测试。第二种类型分为3个子数据集是基于行为的相似性和复杂性。本文把实验数据根据上半年的交叉验证方法。由于严重损害骨骼数据造成的某些行动,只有652个样本被用在这个实验中,350个样本用于训练,剩下的302个样本用于测试。表1和图2显示与内部和外部的传统算法的实验结果。
从表可以看出1和图2该方法的识别率为94.42%,这超过了国内外大多数主流算法。本文中的算法远远超过当前国内外非常流行的递归神经网络算法,因为它的识别率仅为90.03%。神经网络算法可以达到很好的识别结果,当训练样本足够大,但在小样本数据库,将会有严重的过度拟合。
此外,这项研究在19)模型中应用的两个度量学习算法训练阶段,这是非常耗时。这意味着它是困难的算法(19实现实时识别的一个陌生的行动。表2和图4展示本文提出的算法的比较和文献[19)在一个样本在每个阶段的培训时间。电脑使用规范是国际米兰(R) (TM)核心i7 - 4790 3.60 GHz CPU, RAM 16 GB, 64位操作系统,软件Matlab R2014b。本文的特征提取是特征提取算法中引入部分3所示。1,然后使用PCA过程提取的特征,AP算法两次聚合功能,和EM算法用于训练分类器。
4.3。关节功能类别和数量的识别率
在本节中,上述实验的基础上,扩展实验完成。为了验证的互补特征相对位置特性和位移矢量特性从骨头中提取数据,分别与每个特性进行实验。如第一个三排表所示3单独使用位移矢量特性,识别率为91%,减少4.4,单独使用相对位置特性,识别率是75.8%,与原来相比减少了19.6%。实验表明,这两个特性是互补的,每个特性最终识别结果做出了很多贡献。
此外,第四行所示的表3和图5,本文提取相对位置特性和所有15骨骼关节的位移矢量特性,和最终的识别率仅为92.2%,这表明,在一个动作,并不是所有的骨骼关节的工作。选择主要的关节可以减少数据冗余,提高了计算速度,并改善最终运动分类的准确性。
为了减少聚类过程的随机性,实验设置UTKinect是相同的7]。九个人在数据库中用于培训,和一个人用于测试,也就是离开一个演员的方法(离开一个演员),交叉验证,LOOCV;实验周期是10倍,最后的实验结果是十倍的平均水平。与其他文件的比较如表所示4和图6。从表中可以看出,该算法的识别率UTKinect基本上超过了所有当前文档的识别率。的算法很容易获得一个数据库相对较高的识别率,但很难在现有基础上增加几个百分点。
本文算法的识别率和算法(19在两个简单的人类的运动数据库是等价的。为了验证本文算法更能适应不同的输入数据,与前面的实验参数设置,本文算法和算法(19]也更具挑战性的角色交互测试数据集3 d MSR的日常活动。指在2.3章数据库的详细介绍。实验是建立在5倍交叉验证方法。1、3、5、7、9用于培训,和2,4,6,8,10用于测试。识别结果如表所示5。由于骨架特征不包含角色交互特性信息,两种方法的识别率都相对较低。但本文方法高出2.5% (19),这证明了自适应算法的性能在不同的数据库中。
根据数据库提供的数据,MSR的骨骼关节坐标日常活动3 d数据集可以表示在两个方面,世界坐标和标准屏幕坐标+深度。在特征提取阶段,世界坐标的相对位置特征的骨骼关节和标准的屏幕坐标的相对位置特征提取,这两个功能是拼接在一起形成骨骼数据的特性。结果如表所示6和图7:
5。结论
人类行为识别是一个研究方向,结合了计算机视觉和人工智能。它已经应用领域的不正常的人类行为识别,智能护理,和行动比较。这是一个重要的技术智能发展的人们的生活。它是实用的意义。本文的主要优势是1。基于大数据框架数据;2。在功能处理,它使用两个聚类算法和分类器的初始化参数的聚类结果;3所示。骨骼和深度的融合特征来识别字符的互动行为。
然而,本文的研究仍有以下缺点:(1)调查数据的数量是不够的,(2)在研究过程中仍然有不可抗拒的错误。
本文的研究可以继续走得更远。深度方向如下:1。自动学习操作功能;2。结合场景识别人类行为;3所示。在不分段视频动作识别;4所示。组织行为识别。
数据可用性
没有数据被用来支持本研究。
的利益冲突
作者宣称没有利益冲突。