[发明专利]一种基于隐马尔可夫分析滑雪运动序列的方法

说明书

本发明公开的一种基于隐马尔可夫分析滑雪运动序列的方法，属于运动姿态数据处理与分析领域。本发明实现方法为：通过对传感器采集到的滑雪者的原始姿态数据加窗处理，将原始姿态数据划分为时间序列上的数据帧后利用SVD和矩阵范数提取表示姿态矩阵的“象征值”。基于隐马尔可夫搭建滑雪运动序列的概率转移模型，并使用时间序列上的“象征值”序列优化滑雪运动序列的概率转移模型参数，计算出滑雪运动姿态序列隐状态的最优路径。通过最优隐状态路径和概率转移模型计算求得下一时刻各滑雪状态的概率，进而预测下一时刻的滑雪状态，根据对滑雪者滑雪的运动姿态预测数据能够评估滑雪者的运动状态，进而提升对滑雪训练者的训练效果。

技术领域

本发明涉及一种基于隐马尔可夫分析滑雪运动序列的方法，属于运动姿态数据处理与分析领域。

背景技术

第24届冬季奥林匹克运动会将于2022年在我国举办，民众对冰雪运动的热情持续高涨。无论是业余爱好者还是专业运动员，在训练时都需获取滑雪过程中的动作序列，以对他们的滑雪过程进行分析指导。在获取人体运动姿态序列这一领域中最重要的技术便为动作捕捉技术，国内外众多学者利用现有的动捕技术对获取人体运动姿态序列进行了大量研究，目前主流的动作捕捉方法分为光电捕捉，图像捕捉和惯性传感器捕捉三种。在构建分析人体运动姿态序列这一领域中，国内外研究人员构思使用了诸多方法：使用SVM对数据的时域特征和频域特征进行分类构建姿态序列、基于DTW距离的加速度时间序列数据的相似性度量的人体姿态序列识别构建方法、基于LSTM的人体运动姿态模型构建方法等等。在采集分析姿态的过程中，上述方法有以下两处缺点：

(1).人体关节数量多，姿态数据矩阵维度高，造成运算量大的问题。

(2).上述分析方法侧重于对姿态数据的匹配分类，并未关注姿态之间的转移概率，因此所构建的模型不具有通用指导性。

发明内容

本发明的目的是提供一种基于隐马尔可夫分析滑雪运动序列的方法，能够解决下述技术问题：(1)通过使用SVD奇异值分解和矩阵范数降低姿态矩阵的维度，进而通过低维数据表示姿态信息，减小计算量；(2)借助隐马尔可夫方法搭建滑雪运动序列的概率转移模型；(3)通过观测状态优化滑雪运动序列模型参数；(4)借助得到滑雪运动序列的概率转移模型对运动序列进行分析，实现对运动员滑雪运动过程的分析。本发明的应用领域包括滑雪运动的分析、指导、评估等领域。

本发明的目的是通过下述技术方案实现的。

本发明公开的一种基于隐马尔可夫分析滑雪运动序列的方法，通过对传感器采集到的滑雪者的原始姿态数据加窗处理，将原始姿态数据划分为时间序列上的数据帧后利用SVD和矩阵范数提取表示姿态矩阵的“象征值”。基于隐马尔可夫搭建滑雪运动序列的概率转移模型，并使用时间序列上的“象征值”序列优化滑雪运动序列的概率转移模型参数，计算出滑雪运动姿态序列隐状态的最优路径。通过最优隐状态路径和概率转移模型计算求得下一时刻各滑雪状态的概率，进而预测下一时刻的滑雪状态，根据对滑雪者滑雪的运动姿态预测数据能够评估滑雪者的运动状态，进而提升对滑雪训练者的训练效果。

本发明公开的一种基于隐马尔可夫分析滑雪运动序列的方法，包括如下步骤：

步骤一：对传感器采集到的滑雪者的原始姿态数据加窗处理，将原始姿态数据划分为时间序列上的数据帧。人体原始姿态数据以表的形式存储，表中行表示时间帧，列表示身体节点。在使用人体骨骼模型表示姿态时，借助人体关节点来表示三维人体骨架模型。但在滑雪运动中，运动姿态主要受有四肢和躯干的姿态影响，同时为了降低姿态数据维度，只提取头、背、腰、四肢的传感器数据来表示人体骨架模型。通过加窗分割时间帧，能够更好识别出姿态数据。窗口划分的主要方法分为三类，行为定义窗口、事件定义窗口和滑动窗口。其中滑动窗口与其余窗口分割方法不同的地方在于滑动窗口在分割前无需考虑数据内容，仅采用固定长度的窗口滑动划分数据即可。滑动窗口能够很好地适应周期行为、稳定行为和零星分布行为的识别，故选用滑动窗口分割姿态序列。