[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

说明书

技术领域

本发明属于计算机人机交互技术领域，具体涉及一种基于少量缺失信号的在线连续人体运动识别方法。

背景技术

使计算机以人所习惯的方式与人们进行信息交换，是计算机智能化的一个重要反应。其中，对场景信息中的人物进行全面地分析和辨别，并将感兴趣的信息从周围环境中准确分离出来是人类视觉的一个最基本的功能，也是使计算机智能化的一项主要标准。运动是人类维持生命、完成任务、改造客观世界的基础，使计算机获取并分析场景中人物的运动是计算机视觉与虚拟现实领域的一项重要内容。随着人类对三维人体运动分析研究逐渐深入并应用到各个领域中，大量视频与各种类型的传感器设备逐渐普及并投入应用中，利用计算机自动获取、分析视频与传感器信号中的人体运动信息引起越来越受到研究人员的关注。

然而，由于人体结构和运动本身存在复杂性，同时，图像、视频、传感器中的信号来源也存在着环境约束与干扰，三维人体运动分析技术的研究虽然已经取得了一定的进展，但尚未成熟，仍然是当前的研究热点。在交互式人体运动识别领域，随着科技的发展，越来越多的新型设备能够稳定的捕获人体运动的相关信息进而对人体运动的识别问题提供了便捷的解决途径。结合人体运动的特点以及对研究现状的分析，仍然存在有待解决的问题：

(1)从输入设备方面而言，作为人体运动获取的主要途径，图像和视频中人体的行为识别的理解仍然会是识别领域的重点。同姿态估计中的问题类似，如何从复杂场景中有效地提取人体运动信息也是识别领域的一项难题，除此之外，由于人体的运动通常会与周围的其他人或物产生联系，因此多人之间交互行为的理解仍然处于研究中的初级阶段。而在基于传感器的输入中，由精确信号恢复人体运动信息已较为成熟，然而当前一些信号传输渠道通常存在着干扰与不稳定性，导致获取的信号存在着大量噪声、不连续性，甚至整段的缺失。因此，如何从基于少量的，含有缺失信息的信号源中获取足够的人体运动信息估计人物的运动内容也是研究中的一项难点；

(2)在运动的表示方面，人体是具有对称结构的由众多关节连接起来的肢体组合，为了保持人体在静态和运动时的平衡和灵活，各个关节之间存在复杂的关联，而在视觉上，多样的肢体姿态呈现出复杂的形态，使得运动识别存在一定难度。此外，由于不同的个体存在身形、运动习惯等差异，使不同人对相同动作的表现不尽相同，甚至对于某些特定复杂动作还表现出较大的差异，进一步增加了运动恢复与识别的难度；

(3)在识别对象方面，目前的大多数运动识别方法是基于分割后的行为序列进行分析的，而对连续的、长时间的运动序列进行分析的研究工作比较少。

当前存在的研究工作中，大多基于传感器的识别工作针对也开始着手减少输入的信息，然而大部分方法尚采用精确的传感器数据通过估计人体主要关节点的三维位置信息并还原人物姿态进行识别。对于无法正确估算位置的信息的输入以及过程中产生的数据缺失，此类方法尚不能较好的完成识别的任务。

发明内容

本发明的目的：针对少量信息源以及信号中的噪声和信息缺失，研究一种分层回归的交互式人体运动识别方法，构建一个具有预测能力的分层映射模型，有效地将人体各个关键部件的运动信号源数据映射到不同类别的三维人体运动数据中，从而完成连续在线识别的任务。

本发明提出的基于少量缺失信号的在线连续人体运动识别方法，其主要步骤如下：

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。

进一步的，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HMM_i；

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；