一种基于运动生物力学的多模式人体行为识别方法与流程

本发明属于人体行为识别技术领域，具体涉及一种基于运动生物力学的多模式人体行为识别方法。

背景技术：

运动生物力学技术在人体工学、运动训练、医疗诊断与康复训练等领域得到了广泛关注和应用，但是在人体日常行为识别等研究中较少采用。现有研究主要依据传感器数据的时域和频域等离散特征进行动作识别，较少关注人体动作在空间、时间、力效上的特性，对于动作的表达不够充分、分类不够细致。因此，对于基于传感器的连续多模式行为识别还有许多问题需要细化和深入研究。

技术实现要素：

本发明的目的在于提供一种基于运动生物力学的多模式人体行为识别方法，以人体骨骼模型为载体、姿势序列为匹配对象、生物力学特征为识别参数，建立基于运动生物力学的多模式行为识别的方法体系，为基于传感器的多模式复杂人体行为识别方法研究和应用提供新的思路和理论依据。

为实现上述目的本发明采用以下技术方案：

一种基于运动生物力学的多模式人体行为识别方法，包括如下步骤：

步骤1、以运动生物力学为基础，将人体结构转换为具有运动特征参数的人体骨骼动作模型，并确定动作描述参数，进而计算生物力学特征，并用这些特征参数描述人体动作姿势，建立参数与动作模式之间的关系模型；

步骤2、基于步骤1中生物力学的人体动作姿势描述方法，分析人体动作时序数据的特点，使用基于曲线简化算法与帧消减算法结合的关键帧提取方法，对多模式中连续动作进行边界检测、实现基本动作与过渡动作的分割与自动标注；

步骤3、分析基本动作模式和过渡动作模式的特点，采用多模型思想，建立基本动作模式和过渡动作模式的识别模型，实现多模式行为的识别。

作为本发明进一步的方案，所述步骤1包括以下步骤：

步骤1.1、提取关键节点的运动信息进行建模，将关节点形成的点、线、面几何元素之间的相对空间位置及其变化作为动作的内容表示；

步骤1.2、将原始数据中关节点间相对平移量、关节点三维坐标、加速度、角速度、欧拉角等底层数据，转换为具有描述人体生物力学特性的特征参数，并用这些特征参数描述人体动作姿势，建立参数与动作模式之间的关系模型。

作为本发明进一步的方案，所述步骤2包括以下步骤：

步骤2.1、动作模式可以通过人体运动中连续姿势序列中的关键姿势来表达，对采集的人体姿势序列进行关键帧初选，确定动作边界帧，构建候选关键帧集合；

步骤2.2、将动作边界帧作为动作数据的分割依据，确定基本动作姿势序列数据与过渡动作姿势序列数据；

步骤2.3、通过关键帧消减算法进一步消减数据采集过程中环境、捕获设备噪声对数据的影响，“消减”冗余关键帧。

作为本发明进一步的方案，所述步骤3包括以下步骤：

步骤3.1、使用基于主元分析的多元高斯分布检验方法分析不同基本动作模式的数据特点，确定数据的分布；

步骤3.2、根据步骤3.1中的数据分布，选择合适的统计方法提取动作模式特性，分别建立各类基本动作模式的识别模型；

步骤3.3、针对过渡动作模式的建模问题，考虑过渡动作模式具有复杂的动态特性，利用差分提取变量相关关系变化，用多段子模型联合建模，以准确描述过渡动作模式的动态特性。

作为本发明进一步的方案，所述步骤3.2具体为：设某类基本动作的样本数据为xst(n×j)，n是样本个数，j是变量个数，样本协方差阵为rst(j×j)，经pca分析得到相应的单位正交向量p(j×j)＝[p1,p2,...,pj]，满足ast＝p^trstp，其中对角矩阵ast＝diag(λ1,λ2,...λj)是rst的特征值，则j个主元向量tst(n×j)＝[t1,t2,...,tj]，tj＝xstpj，pj(j×1)是负载矩阵p的第j个列向量，由多元高斯分布的性质可得：如果j个主成分均服从高斯分布，那么x近似服从j元高斯分布。

本发明的有益效果是：发明一种基于运动生物力学的多模式人体行为识别方法，针对人体运动及动作捕捉数据序列的连续性与周期性特征，以运动生物力学为基础，将人体结构转换为具有运动特征参数的人体骨骼动作模型，并用这些特征参数描述人体动作姿势，建立参数与动作模式之间的关系模型；通过分析人体动作时序数据的特点，使用基于曲线简化算法与帧消减算法结合的关键帧提取方法，对多模式中连续动作进行边界检测、实现基本动作与过渡动作的分割与自动标注。其次，采用多模型思想，建立基本动作模式和过渡动作模式的识别模型，实现多模式行为的识别。本发明以人体骨骼模型为载体、姿势序列为匹配对象、生物力学特征为识别参数，建立基于运动生物力学的多模式行为识别的方法体系，为基于传感器的多模式复杂人体行为识别方法研究和应用提供新的思路和理论依据。

附图说明

图1是本发明一种基于运动生物力学的多模式人体行为识别方法中的多模式行为识别方法体系；

图2是本发明一种基于运动生物力学的多模式人体行为识别方法中人体动作骨骼模型图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整的阐述。

如图1所示，一种基于运动生物力学的多模式人体行为识别方法，包括如下步骤：

步骤1、以运动生物力学为基础，将人体结构转换为具有运动特征参数的人体骨骼动作模型，并确定动作描述参数，进而计算生物力学特征。并用这些特征参数描述人体动作姿势，建立参数与动作模式之间的关系模型，具体按照以下步骤实施：

步骤1.1、选择如图2所示的22个关节节点，提取关节形成的点、线、面几何元素之间的相对空间位置及其变化作为动作的内容表示；

关节形成的点、线、面几何元素集合，是不同动作模式对应的局部区域的最小构成单元，最小构成单元间的相对位置关系及其变化形成的特征集合，能够表达广泛的动作模式；点、线、面几何元素之间的角度与距离等从不同角度反映了最小构成单元间的相对空间位置关系，能够较完整地反映不同动作模式的信息；关节的角速度以及加速度特征直接反映了动作的节奏信息，能够有效地区分节奏不同的动作类别。

步骤1.2：将原始数据中关节点间相对平移量、关节点三维坐标、加速度、角速度、欧拉角等底层数据，转换为具有描述人体生物力学特性的特征参数，并用这些特征参数描述人体动作姿势，建立参数与动作模式之间的关系模型；

姿态的几何元素集合由关节形成的点、线、面构成，为了描述几何元素之间的相对空间位置及其变化，选择9种类型的特征参数作为人体动作姿态的时空特征：

关节对距离特征、关节与骨骼距离特征、关节与平面距离特征、骨骼对夹角特征、骨骼与平面夹角特征、平面与平面夹角特征、关节旋转特征、关节角速度特征、关节加速度特征。

步骤2、基于步骤1中生物力学的人体动作姿势描述方法，分析人体动作时序数据的特点，使用基于曲线简化算法与帧消减算法结合的关键帧提取方法，对多模式中连续动作进行边界检测、实现基本动作与过渡动作的分割与自动标注，具体按照以下步骤实施：

步骤2.1、动作模式可以通过人体运动中连续姿势序列中的关键姿势来表达。人体各关节的运动轨迹视作空间中的连续曲线，提取曲线上的极值点作为动作“边界”姿势，对采集的人体姿势序列应用曲线简化算法，确定动作边界帧，构建候选关键帧集合。

步骤2.2、将动作边界帧f作为动作数据模式的分割依据，确定基本动作姿势序列数据与过渡动作姿势序列数据；候选关键姿势帧序列中的动作起始关键帧fstart与动作终止关键帧fend作为基本动作模式的分割依据，则基本动作为fstart与fend之间的动作数据。过渡动作数据可由两个基本动作中前一动作终止关键帧fend与后一动作的起始关键帧fstart确定。

步骤2.3、通过关键帧消减算法进一步消减数据采集过程中环境、捕获设备噪声对数据的影响，“消减”冗余关键帧；

用相邻帧的线性插值帧与原始帧的欧氏距离作为帧的重要性度量因子，每次删除具有最小重要性的帧，然后更新剩余各帧的重要性再继续消减；并将数量符合要求的剩余帧作为关键帧。

步骤3、分析基本动作模式和过渡动作模式的特点，采用多模型思想，建立基本动作模式和过渡动作模式的识别模型，实现多模式行为的识别，具体按照以下步骤实施：

步骤3.1、使用基于主元分析的多元高斯分布检验方法分析不同基本动作模式的数据特点，确定数据的分布；

设某类基本动作的样本数据为xst(n×j)，n是样本个数，j是变量个数。样本协方差阵为rst(j×j)。经pca分析得到相应的单位正交向量p(j×j)＝[p1,p2,...,pj]，满足ast＝p^trstp，其中对角矩阵ast＝diag(λ1,λ2,...λj)是rst的特征值。则j个主元向量tst(n×j)＝[t1,t2,...,tj]，tj＝xstpj，pj(j×1)是负载矩阵p的第j个列向量。由多元高斯分布的性质可得：如果j个主成分均服从高斯分布，那么x近似服从j元高斯分布。

步骤3.2、根据步骤3.1中的数据分布，选择合适的统计方法提取动作模式特性，若基本动作数据是近似多元高斯分布，采用pca方法建立监测模型；如果基本动作数据是且仅是非高斯分布，则采用ica进一步提取高阶信息；若既含有高斯信息，又含非高斯信息，则采用ica-pca结合算法同时提取高阶信息和低阶信息进行分析；

步骤3.3、针对过渡动作模式的建模问题，考虑过渡动作模式具有复杂的动态特性，利用差分提取变量相关关系变化，用多段子模型联合建模，以准确描述过渡动作模式的动态特性。

以上所述为本发明较佳实施例，对于本领域的普通技术人员而言，根据本发明的教导，在不脱离本发明的原理与精神的情况下，对实施方式所进行的改变、修改、替换和变型仍落入本发明的保护范围之内。