[发明专利]一种基于少量缺失信号的在线连续人体运动识别方法

权利要求书

1.一种基于少量缺失信号的在线连续人体运动识别方法，其特征在于该方法步骤如下：

步骤(1)、针对每种运动类型的信号数据进行训练，建立该类信号数据对应的分层回归模型；

步骤(2)、根据动作之间的连续性和可衔接性构建动作图对连续识别过程中运动类别的估计提供先验知识信息；

步骤(3)、在连续的在线识别中，根据步骤(1)的分层回归模型和步骤(2)中的先验知识计算当前运动的类型，并以该识别结果为指导进行连续输入信号的分割；

步骤(4)、利用步骤(3)得到的当前识别结果，从三维运动数据库中选取对应的运动数据片段，并通过运动图和运动插值技术以及动态时间规整生成连续的三维人体运动数据。

2.根据权利要求1所述的基于少量缺失信号的在线连续人体运动识别方法，其特征在于：所述步骤(1)中对分层回归模型构建的具体内容如下：

步骤(A1)、根据人体各个关节点的加速度信号源的个数与分布对人体进行区域划分；

步骤(A2)、分别针对每个运动类型，对每个步骤(A1)中划分得到的区域内的加速度信号建立隐马尔科夫模型HMMi；

步骤(A3)、根据不同的运动类别建立各个区域的树形结构，并对树形结构中父子节点区域对应的隐马尔科夫进行融合，建立隐马尔科夫模型之间的关联关系；

步骤(A4)、对每组加速度信号建立回归方程，使模型具有预测和信号恢复的能力。

3.根据权利要求1所述的基于少量缺失信号的在线连续人体运动识别方法，其特征在于：所述步骤(2)构造动作图的步骤具体如下：

步骤(B1)、针对连续的运动信号进行手动信号划分，构造训练数据集；

步骤(B2)、将运动之间的过渡点作为动作图的节点，将不同种类的运动数据作为动作图的边，对动作图进行统计训练，获取每个节点之间，即边上的状态转移概率；

步骤(B3)、在进行连续的运动识别时，通过步骤(B2)中的状态转移概率和识别过程中当前处于的状态值计算后续不同种类运动可能出现的概率值。

4.根据权利要求1所述的基于少量缺失信号的在线连续人体运动识别方法，其特征在于：所述步骤(3)中在线识别中连续运动信号分割的步骤如下：

步骤(C1)、在线识别过程中，对每个时刻T建立标签投票数组vote[t][type]，并进行初始化；

步骤(C2)、设计长度固定的滑动窗口随着在线识别信号的连续输入以步长为1个单位时间的速度滑动，每滑动一次对当前窗口内的信号数据结合步骤(1)中的模型和步骤(2)中获得的先验概率值进行识别，并得到识别结果x；

步骤(C3)、将当前滑动窗口内的每一时刻t的标签投票数组进行更新：vote[t][type]＝vote[t][type]+1；

步骤(C4)、当窗口滑动到时间T时，对T-1时刻的投票数目进行统计，投票最高且投票数目超过设定阈值H表示当前时刻信号的运动类别，若当前时刻的运动类别与前一时刻的运动类别不同，则当前时刻即为分割点。

5.根据权利要求1所述的基于少量缺失信号的在线连续人体运动识别方法，其特征在于：所述步骤(4)利用运动图和运动插值技术实现运动合成与绘制的步骤如下：

步骤(D1)、通过步骤(3)中的识别结果从三维运动数据库中选取对应的运动数据片段，并根据当前运动状态对运动数据进行动态时间规整；

步骤(D2)、对两段运动之间的过渡通过运动图的方法进行运动插值，生成过渡数据；

步骤(D3)、对步骤(D1)、步骤(D2)中生成的运动数据进行绘制。