[发明专利]一种面向人机交互的快速人体动作识别方法

说明书

技术领域

本发明属于计算机虚拟现实，人机交互领域，具体涉及一种面向人机交互的快速人体动作识别方法，利用人体动作控制机器人，实现人机交互。

背景技术

随着机器人控制技术的发展，人与机器人之间的交互变得愈加普遍，人机交互技术也在迅猛发展起来，而利用人体动作来控制机器人成为当前人机交互领域研究的热点。

传统的手势动作识别为接触式识别，穿戴数据手套，或者在身体上安装陀螺仪等传感器用来感知动作，从而达到动作识别的目的。这种方法准确率高，但是需要在动作执行者身上穿戴传感器，给动作的执行带来了诸多不便，而且可穿戴式传感器造价也很高。取代传统的接触式动作识别，以机器视觉为主的非接触式识别成为主流。普通相机往往受环境影响(背景、光照、遮挡等)较严重，这样动作识别需在较为理想的环境下进行，鲁棒性不强。

Kinect体感摄像头的出现，给动作识别带来了新的契机，Kinect能对空间三维场景进行捕捉，形成深度图像，不受自然光线和环境背景的干扰。Kinect最大的贡献就是骨骼跟踪技术，形成30fps的骨骼数据流，利用骨骼数据流就可以实现人体动作的识别，但是随着动作种类的增加，动作识别的时效性以及能否快速实时控制机器人是一个值得考虑的关键问题，因此有必要研究一种快速的人体动作识别方法。

发明内容

发明目的：本发明提供一种面向人机交互的快速人体动作识别方法，其目的是解决基于视频的动作识别速度慢的问题。

技术方案：本发明是通过以下技术方案实现的：

一种面向人机交互的快速人体动作识别方法，包括以下顺序步骤：

(1)骨骼点坐标信息的采集

利用Kinect的骨骼跟踪技术，对人体20个关节点的空间三维坐标进行跟踪采集。

(2)关键点的选取

面向人机交互的人体动作大多数可以用肢体动作进行描述，实际应用中并不需要20个关节点全部参与。人在做动作的时候主要是肢体动作，四肢关节点坐标变化很大，对动作的描述贡献成程度大。相对而言，头部和肩部以及躯干部位等关节点的位置比较稳定，变化不大，对动作的贡献度很微弱。例如做右手挥动和右腿右摆动作，动作示意图如图1所示。右手，右脚关节以及其它所有关节点的Y坐标平均变化趋势如图2所示。从图2可以看出，右手，右脚节点坐标波动很大，其它节点坐标变化相对平缓。肘部关节、手腕关节、手部关节可以描述上肢动作，膝关节、踝关节、脚部关节可以描述下肢动作。考虑到腕关节与手关节之间，踝关节与脚关节之间距离很近，二者之间舍弃一点不影响动作的描述，而且还降低了计算量，有利于动作的快速识别。根据关节点对动作描述贡献度原则，提取左右肘、左右手、左右膝关节、左右脚关节这8个节点作为肢体动作描述的关键点。

(3)动作特征的提取

Kinect骨骼数据流会提供人体全身20个关节点的三维坐标，人处在Kinect有效视场中这些关节点的三维坐标也会随着人的运动而时刻改变，不同动作的坐标数据是不一样的，因此坐标数据可以用来描述动作。但是这些原生的坐标数据不能直接用做描述动作的模型，必须转化成特征。

关节点数据转化为动作特征时，要考虑到特征的差异性，即每一个特征只能唯一描述一种动作。测试者每次站在Kinect前方的位置并没有要求，具有随机性，因此特征要满足位置的不变性。利用人体动作来控制机器人实现人机交互对动作执行者的身高、体型尺寸并没有限制，因此特征还要满足测试者体型大小的不变性。本发明提出了一种向量坐标集合的动作描述特征，选取脊柱节点作为向量的共同起始点，8个关键点为特征向量的终点，8个特征向量的三维坐标在时间轴上的排列用来描述动作。

(4)动作识别

动作识别和人脸识别、指纹识别、虹膜识别等都属于生物特征识别，模式识别领域范畴。模式识别与机器学习手段是离不开的，本发明动作识别方法为快速动态时间规整(Fast Dynamic Time Warping,F-DTW)的模板匹配方法，大大提高了识别速度，解决了利用动作控制机器人的时延问题。

(5)机器人

机器人的上肢使用数字舵机进行驱动，数字舵机通过级联的方式进行连接，每个舵机都有自己专属ID，全部舵机通过串行总线与机器人的主控器进行连接，机器人的行走部位为轮式结构，通过直流电机配有驱动器进行驱动。上位机与机器人的控制指令通过蓝牙传输。