一个新的kinect姿势识别方法在物理运动训练基于城市数据

文摘

物理数据是城市的一个重要方面的数据,它提供了一种保障智能城市的健康发展。学生的身体健康评价是学校体育的重要组成部分,和姿势识别在体育运动中起着重要作用。传统姿势识别方法精度较低和高错误率由于环境因素的影响。因此,我们提出一种新的kinect姿势识别方法在体育运动训练系统中基于城市数据。首先,Kinect是用来获取人体关节的空间坐标。然后,计算的角度定义两点方法和身体姿势库。最后,角匹配姿态库是用于分析姿势识别。我们采用这种方法来自动测试物理运动训练的效果,它可以应用到学生的引体向上运动。横梁的位置决定根据深度传感器信息,和下颌骨的位置是由使用骨骼跟踪。臂的弯曲程度确定的三个关键关节手臂。 The distance from the jaw to the bar and the length of the arm are used to score and count the movements. Meanwhile, the user can adjust his position by playing back the action video and scoring, so as to achieve a better training effect.

1。介绍

城市大数据是大量的动态和静态数据产生的主题和对象包括各种城市设施、组织和个人,收集和整理了城市政府、公共机构、企业和个人利用新一代信息技术。大数据可以共享、集成、分析和挖掘,让人们更深入地理解城市作战的地位,并帮助他们做出更明智的决定城市政府用更科学的方法,从而优化配置城市资源,降低运营成本的城市系统,和促进安全、高效、绿色、和谐,以及智能城市的发展作为一个整体。

如今,体育硬件设施也完美的智能城市的发展(1- - - - - -3]。人民的生活质量保证和改进。人体有着丰富的和各种各样的运动4]。在许多应用程序中,一个更全面的人体运动分析是必要的,比如行为监控、运动分析、和医疗康复。如果人体可以识别和实时跟踪,那么人体的姿势可以确定准确的说,这个过程可以让它更方便观察和学习人类行为(5]。因此,有必要找到一个好的方法来识别人类的姿势。

近年来,人体运动识别基于Kinect显示在医学领域的重要意义,和许多机构正在进行相关研究。Enea et al。6walker)上安装了一个Kinect提取信息的腿医学步态分析。陈等人。7)利用深度信息提取Kinect检测人体的关节和使用一个随机森林分类器分类深度图像像素到身体的多个部位。Thang et al。8)采用人体解剖学标志和人体骨架模型获得深度图和估计人体的姿态。测地距离是用来测量身体的不同部分之间的距离。徐et al。9)使用Kinect传感器获取人体图像和识别三维人体姿态。杨et al。10)使用Kinect设备捕捉现场,估计身体的肢体姿势。此外,一些其他研究人员所做的相关工作来改善姿势识别(11- - - - - -13]。这些方法只考虑物理特性;它忽略了全局特征,显示了一个可怜的对体育运动训练的影响。尽管深度学习方法已经应用于许多领域,它不是成熟的体能训练和康复。在本文中,我们专注于改善Kinect的姿势识别技术的研究。

许多医疗康复医学专家带来了Kinect,因为它是便宜和有用的如使用Kinect的康复治疗。基本思想是利用深度信息和骨架跟踪技术跟踪人体四肢和身体的确定位置。最后,它可以识别身体的运动。在文献[14),Kinect康复训练能有效地提高康复的质量。它不仅帮助病人恢复运动功能也提高他们的心理素质,减少负面情绪。王等人。15)设计了一个人的肩膀康复系统,要求病人触摸他或她的手一组点。然而,它是不可能衡量的具体位置实时联合。康复训练通常不需要患者进行快速、大幅波动,但需要高跟踪精度Kinect的人类骨骼。如果准确追踪人类的手和腿骨骼可以观察到,然后,病人可以确定更准确的运动,从而达到更好的恢复效果。

我们的主要贡献如下:(一)我们提出一个新的kinect姿势识别方法在体育运动训练系统中基于城市数据(b)首先,Kinect是用来获取人体关节的空间坐标(c)然后,计算的角度定义两点方法和身体姿势库(d)最后,角匹配姿态库是用于分析姿势识别(e)我们采用这种方法来自动测试物理运动训练的效果,它可以应用于牵引学生的运动。这种方法可以测量实时骨架之间的角度,提高姿态匹配的准确性,可以准确地识别人类的姿势。该算法简单,效率高

本文的其余部分组织如下。节2,我们给一个Kinect的轮廓成像原理。部分3详细描述了姿势识别方法。部分的性能和鲁棒性评估4。结论是在一节5。

2。Kinect成像原理

Kinect发出近红外光深度图。Kinect积极跟踪大型对象不管的光量。Kinect的深度图像红外投影仪和摄像机记录了。投影和接待是重叠的。也有类似的传输过程,捕获,计算视觉表示。

结构光等特定模式的点,线,面。的原则,基于结构光深度图像采集,将结构光投射到现场和图像传感器获取模式对应于结构光(16]。因为结构光会改变根据物体的形状和图像中每个点的深度信息可以通过使用三角形原理和计算获得的模式。

微软的Kinect深度概念使用光编码技术,有别于传统的二维模式结构光投影的方法。Kinect的灯编码红外发射机发出的三维深度编码。激光散斑光之源编码和漫反射激光的结果。形成随机斑点,斑点是不相同的空间的任何地方。所以每次光源是标签和随机点保存。当一个对象被放置在这个领域时,如果一个对象的随机散斑的出现,可以找到对象的位置。因此,它可以获得的深度图像的场景。

3所示。坐标变换

摄像机空间指的是使用的三维空间坐标Kinect。原点坐标( , ,和 )在Kinect的红外摄像机的中心。的x设在左边的Kinect照射方向。的y设在沿着Kinect照射方向是向上的方向。的z设在沿着Kinect照射方向。

深度图像的坐标系统的起源是一个红外摄像机。积极的x设在和y设在方向向右水平和垂直向下,分别。的z设在是相机的空间坐标系轴方向和满足右手螺旋标准,及其类型DepthImagePoint( , ,和 )。点型的骨骼跟踪坐标系SkeletonPoint ( , ,和 )。(在哪里 , ,和 )空间坐标系统。只有和值被用于骨接合点的三维坐标。的值的距离有关对象Kinect。如果值更小,更近的距离,然后,骨骼图像比较大。因为Kinect不使用相同的相机收集深度图像和彩色图像,因为相应的坐标系统是不同的,所以他们需要转换成坐标系统。KinectSensor SDK提供了MapDepthToSkeletonPoint,MapSkeletonPointToDepth,MapDepthToColorlmagePoint,MapSkeletonPointToColor转换坐标系统。

4所示。提出了姿态识别方法

Kinect摄像头集成设备(如红外发射机,RGB相机,和红外接收器,如图1。最好的工作范围是1.2 - -3.5 m, RGB的水平角相机57°,竖直角是43°,和射击频率是30 Hz,确保高精度快速扫描的时刻。

人体姿态识别算法主要由骨架收购,角度测量,角度匹配和姿势识别。算法的流程如图2。首先,获得人类骨骼和骨骼关节空间坐标的计算。然后,它计算之间的距离关节和关节之间的角度。最后,计算角与角模板匹配姿态图书馆评估的姿势识别。

Kinect能够提供三维坐标与20人体骨骼的关节。图3人体的概略图。

5。计算关节之间的距离

在上面的分析中,20个人体的关键点。接下来,两个关键关节之间的距离计算。首先,通过Kinect场景深度信息用于计算之间的实际距离,相机的人。在文献[17),获得的深度值用于计算实际的距离从目标到Kinect传感器,例如, 在哪里是深度值。 , , ,和 。从像素坐标转换公式( )深度图像的实际坐标( )是 在哪里 ,和 根据大量实验。Kinect的决议 。 和 两个点的空间坐标系统。结合方程(1)和(2),关节的实际坐标。然后,我们使用欧氏距离关节之间的距离。

6。计算的角度

三分法(三个关节)主要用于解决人体连接点之间的角度。关键节点的实际位置的坐标计算公式(2)是用来计算三个关键节点的距离与人体如图4。通过使用余弦定律(方程(5)),计算连接点之间的角度。这种方法的主要缺点在人类姿态的识别是封闭的关节的不稳定有很大的影响角度测量在测量过程中导致不准确的姿势识别。图5(一个)显示了三分法的角度测量效果。

7所示。姿态定义

方程(6)是用于定义角度联合的条件。

所以它是集中在 。之间的角度和x设在是 。 是一组角阈值。的定义更多的姿势只需要确定关节角之间的关系,以及不同阈值可以设置为满足不同精度要求。集 联合的角度。 , , ,和 。 是阈值。然后,姿态定义应该满足的角度条件如下: 。T -类型(姿势开始): ;

举起手来: ;

放下手: ;

平举起左手,右手: ;

举起左手,放下右手: ;

举起右手,平坦的左手: ;

举起右手,放下左手: ;

8。人体姿态匹配

本文的阈值范围的角度建立了在构建一个姿势库。首先,它遍历所有的角,然后,它决定了四个角内指定的阈值。如果是的,那么姿态匹配成功。也就是说,所有满足方程(角7)。如果其中一个角是不满意,匹配不成功,比赛已恢复。 在哪里是测量角度,预计一组角,T是阈值。

9。实验和分析

在本节中,该算法测试7个行动从沈阳师范大学体育课。从表可以看出1当阈值设置为15°。衣架,举起双手是公认的有100%。放下手中的识别率是公认的有96%。

参与者根据提示做相应的动作。它始于一个衣架与多个阶段。有一个动作链接链接2中1和两个连续的动作。其余的可以通过相同的方式。只有通过完成低链接,我们可以进入高链接。如果这个链接完成后,下一个链接不符合要求,它将重新开始从第一个链接。

在本节中,我们使用我们的方法测试学生体育引体向上。Kinect的核心技术是骨骼追踪,使设备更好地捕捉人类运动和提取深度信息。微软Kinect采用深度测量技术的光编码。获得关键关节的空间位置,深度图像中的人体需要分段通过机器学习方法。最后,深度图像转化为骨骼图像(18- - - - - -20.]。

从深度图像骨骼图像转换过程需要三个步骤:识别,识别身体部分,共同认可。Kinect SDK可以追踪25骨点的三维坐标实时30帧。Kinect 2.0的位置可以确定6人同时给完整的骨架信息的两人在同一时间。各关节的三个州:跟踪,不跟踪,推断可以得到一个完整的人体骨架的25个节点连接。

评分模块首先提取用户的运动信息通过使用Kinect模块,然后提取角特性和位置信息的数据(21,22]。由于没有时间限制在牵引试验,计算每个动作的评分预设定评分标准和规则来判断用户的手臂伸直的下巴和酒吧之间的关系。有两个指标来评估引体向上,即下颌之间的距离和最高点的酒吧当身体和手臂的弯曲角的运动。

通过计算不同高度的距离( )下颌骨和实际横梁的高度( )当人体处于最高点,我们可以计算分数 ,也就是说, 在哪里是得分的变量用来确定阈值在每个时间间隔的距离。它类似于计算弯曲角的胳膊,下颚和酒吧之间的距离。分数是通过测量角度的区别吗第i个肘关节弯曲角之间的角度充分扩展,和左、右手肘是平均的角度设置分数 。之间的关系两个角度可以表示的函数 ,也就是说,

因为在实际的测试中,不可能要求每个人都完全扩展他们的武器,所以我们让函数是一个分段函数设定一定的阈值范围。在这个系统

根据国家物理测试标准,需要采取下颚和横梁之间的距离的矫正程度综合考虑手臂牵引。因此,应采取的加权值获得最后的分数,也就是说, 在哪里和的重量系数吗和 ,分别。两个指标的权重可以改变通过选择不同的系数。在此系统中, 。

这个项目数量和分数根据用户的下巴之间的位置关系和横梁弯曲角的手臂。当检测到下颚跨越栏和手臂弯曲角是在一定阈值范围进行计数并给出相应的分数。其他情况下不计算,将得到相应的分数。以下的观察提供了计算和评分结果在一些情况下(满分10)。

系统检测到当用户的躯体是最高的时候,下颚穿过横梁,左臂的弯曲角为172°,弯曲角的右臂是163°。并确定得分上计数一次间隔臂的弯曲角。我们合成了和 ,它得到10分,如图6。

系统检测到当用户的躯体是最高的时候,下颚穿过横梁,左臂的弯曲角为151°,弯曲角的右臂是148°。它不计数,并确定得分区间根据弯曲角的手臂。我们合成了和 ,获得5分,如图7。

系统检测到,当用户的身体在最高点,下颌不交叉纵横,左臂的弯曲角为171°,弯曲角的右臂是160°。它不计数,并确定得分区间根据弯曲角的手臂。我们合成了和 ,得到6分,如图8。

系统检测到,当用户的身体在最高点,下颌不交叉纵横,左臂的弯曲角为158°,弯曲角的右臂是161°。它不计数,并确定得分区间根据弯曲角的手臂。我们合成了和 ,它获得两个点,如图9。

在自然条件下在实验室,100组实验数据选择的实验。摘要人体识别的精度和实时测试,分别。实验结果如表所示2和3。从表中可以看出,该方法的识别准确率超过88%。

这个方法比较与其他三体识别方法包含DTW [23],IKS次方[24回旋网],[25]。指标包括准确性和时间。准确性是指正确的样本的比例在总测试样品。

10。结论

这种算法是由微软Visual Studio 2010结合微软的Kinect SDK 1.7。实验表明,该方法可以实时测量骨架之间的角度和准确识别人体的姿态。该算法既简单又准确。此外,不同的角度范围可以根据需求设置不同的姿势,所以可重用性强。尽管Kinect传感器可以获取人体的深度信息和计算人体的空间位置,是不够准确的确定等问题关节的巧合。因此,关注人类行为分析的发展,我们应该研究骨架校正等问题,进一步提高骨骼的准确性。在未来,我们将采用深度学习和人工智能方法完美的物理质量所有国家的人。

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有关的出版。

引用

1. l·t·p·李,z Chen Yang,问:张先生,和m·j·迪恩”深卷积计算模型特性学习大数据在互联网上看,“IEEE工业信息,14卷,不。2、790 - 798年,2018页。视图:出版商的网站|谷歌学术搜索
2. e . Gomede f . Gaffo g . Brigano r . de Barros l·门德斯,“应用程序计算智能的智能城市、改善教育”传感器,18卷,不。1,p。267年,2018。视图:出版商的网站|谷歌学术搜索
3. 问:张先生,l·t·杨,z . Chen和p·李,“增量深度计算模型对无线大数据特性的学习,“IEEE大数据,2019年。视图:出版商的网站|谷歌学术搜索
4. l·t·p·李,z Chen Yang, j .高张,和m·j·迪恩“增量深卷积计算模型特性学习工业大数据”IEEE工业信息,15卷,不。3、1341 - 1349年,2019页。视图:出版商的网站|谷歌学术搜索
5. g .吉姆,在破解Kinect的竞赛中,“《新科学家》,卷208,不。2789 - 2010页。视图:出版商的网站|谷歌学术搜索
6. gasparri e . Cippitelli s, s . Spinsante和e .特使“Kinect作为步态分析工具:验证一个实时联合提取算法在侧面,“传感器,15卷,不。1,第1434 - 1417页,2015。视图:出版商的网站|谷歌学术搜索
7. 曹x, z,肖y和z方,“手姿势估计在深度图像使用CNN和随机森林,”十多光谱图像处理和模式识别国际研讨会(MIPPR2017),向阳,中国,2017。视图:出版商的网站|谷歌学术搜索
8. y . k . n . d . Thang t . s . Kim Lee和s·李,“三维人体姿态估计通过共同注册的三维人体模型和连续的立体信息,口口相传”应用智能,35卷,不。2、163 - 177年,2011页。视图:出版商的网站|谷歌学术搜索
9. 徐,x, x,和j·王,“人类行为识别基于Kinect和PSO-SVM代表三维骨架点在李群,”2016年国际会议上音频,语言和图像处理(ICALIP),第573 - 568页,上海,中国,2016年7月。视图:出版商的网站|谷歌学术搜索
10. 李y, y, f . Pu, s . Li y的粉丝,和d·李,“Kinect RGB-D传感器的可靠性和有效性评估站平衡,”IEEE传感器杂志,14卷,不。5,1633 - 1638年,2014页。视图:出版商的网站|谷歌学术搜索
11. j·j·j·w . Wang Chen Wang Chen和z锣”Geography-aware电感矩阵完成个性化的兴趣点建议在智能城市,“IEEE物联网,2019年。视图:出版商的网站|谷歌学术搜索
12. j·j·j·w . Wang Chen Wang Chen j . Liu和z锣,“互信协作过滤推荐个性化的利益,”IEEE工业信息,p . 2019。视图:出版商的网站|谷歌学术搜索
13. 问:张呗,l·t·杨,z, p . Li和h . Yu,“一个统一的智能中医医疗保健和医疗服务框架,“IEEE / ACM事务计算生物学和生物信息学,2019年。视图:出版商的网站|谷歌学术搜索
14. t .黄平君h .见鬼,诉阮“康复,kinect虚拟训练系统”2017系统科学与工程国际会议(ICSSE)页53-56胡志明市,越南,2017年7月。视图:出版商的网站|谷歌学术搜索
15. 问:小王,p . Markopoulos b . Yu, w . Chen和a·蒂默曼”互动上肢康复可穿戴系统:系统回顾,“神经工程学和康复杂志》上,14卷,不。1,p。20日,2017。视图:出版商的网站|谷歌学术搜索
16. 问:张呗,z . Chen等人“深度学习诊断脾胃疾病模型与云计算、智能中医”并发性和计算:实践和经验,2019年。视图:出版商的网站|谷歌学术搜索
17. Samoil和s . n . Yanushkevich“深度辅助手掌区域提取使用Kinect v2传感器”2015年第六新兴安全技术国际会议(美国东部时间)布伦瑞克,页74 - 79年,德国,2015年9月。视图:出版商的网站|谷歌学术搜索
18. 谢国忠和h·j·l·廖”,一个姿势识别方法基于骨骼节点使用Kinect和几何关系,“应用力学和材料卷,543 - 547,2879 - 2883年,2014页。视图:出版商的网站|谷歌学术搜索
19. b, b .呗,c .汉h .长,和l .赵”小说混合基于Kinect V2,人体姿势识别方法”计算机视觉。CCCV 2017。通信在计算机和信息科学》,771卷施普林格,新加坡,2017年。视图:出版商的网站|谷歌学术搜索
20. z, A, y . Liu和m . Wang”小说的方法定义的人体姿势识别使用Kinect,”2014年第七届国际大会上图像和信号处理大连,页736 - 740年,中国,2014年10月。视图:出版商的网站|谷歌学术搜索
21. j .高p·李、陈z和j .张“多通道数据融合的深度学习调查,“神经计算,32卷,不。5,829 - 864年,2020页。视图:出版商的网站|谷歌学术搜索
22. j .高p·李,z陈,“大数据的规范化polyadic深卷积计算模型特性学习物联网,”未来一代计算机系统S0167739X19307393条卷,99年,第516 - 508页,2019年。视图:出版商的网站|谷歌学术搜索
23. n .李戴y, y . Shao, r . Wang”研究基于kinect动作识别及其在康复训练中的应用,”2015年IEEE第五大数据和云计算国际会议大连,页265 - 269年,中国,2015年8月。视图:出版商的网站|谷歌学术搜索
24. m . Eltoukhy j .哦,c . Kuenze, j . Signorile”改善kinect时空,运动跑步步态评估。”步态和姿势,51卷,第83 - 77页,2017年。视图:出版商的网站|谷歌学术搜索
25. s . Neili s Gazzah m·a·厄尔Yacoubi和n e·本·阿马拉”人体姿势识别方法基于回旋网和SVM分类器,”2017年国际会议上先进的信号和图像处理技术(ATSIP)土耳其毡帽,页1 - 6,摩洛哥,2017年5月。视图:出版商的网站|谷歌学术搜索

版权

版权©2020 Dianchen他和丽丽。这是一个开放的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。