标题 | 基于图像的健美操动作精度监测研究 |
范文 | 冯婷 摘 要: 针对目前大多数健美操动作精度监测都是通过对健美操动作进行三维重建,并进行健美操动作特征提取,建立健美操动作最优分类决策函数的基础上完成的,难以保证对健美操动作的所有特征进行提取,降低了健美操动作精度监测的准确性。为此,提出一种基于图像的健美操动作精度监测新方法,通过将健美操动作从背景中抠出来,利用Kinect深度图像采集方法对图像进行预处理,然后提出利用HOG3D对健美操动作特征进行提取,并分析提取过程。在此基础上,将健美操动作精度监测问题转化为视频内容分类问题,通过概率统计中的Adaboost方法对健美操动作精度进行识别,利用概率函数将健美操动作的姿势状态联系起来形成动作序列,并通过遍历函数取其最大值作为健美操动作的分类标准,选用逐层等比方法对健美操动作精度进行监测,从而实现健美操动作精度的监测。实验结果证明,所提方法能够有效地提高健美操动作轨迹监测的精度,降低健美操动作精度监测的能耗,具有良好的使用价值。 关键词: 图像; 健美操动作; 概率函数; 运动序列; 特征参数; 精度监测 中图分类号: TN911.73?34; TP391 文献标识码: A 文章编号: 1004?373X(2018)07?0075?05 Research on image?based movement accuracy monitoring of aerobics FENG Ting (Zhengzhou University of Aeronautics, Zhengzhou 450000, China) Abstract: Most of the action precision monitoring of aerobics is realized by three?dimensional reconstruction of aerobics movement. The characteristic extraction of aerobics movement was performed on the basis of the optimal classification decision function, which is difficult to guarantee all the characteristics extraction of aerobics movement, and can reduce the movement monitoring accuracy of aerobics. An image?based new method to monitor the movement accuracy of aerobics is proposed to extract the aerobics movement in background. The Kinect depth image acquisition method is used to preprocess the image, and then the HOG3D is used to extract the action characteristic of aerobics and analyze the extraction process. On this basis, the problem of aerobics movement precision monitoring is transformed into video content classification problem. The Adaboost method in probability statistics is used to identify the movement accuracy of aerobics. The probability function is adopted to link the posture states of aerobics movement to form the movement sequences, and its maximum value taken by the traversal function is deemed as the classification standard of aerobics movement. The layer?by?layer equal ratio method is used to monitor the movement accuracy of aerobics, so as to realize the movement accuracy monitoring of aerobics. The experimental results show that the proposed method can improve the movement trajectory monitoring accuracy of aerobics effectively, reduce the energy consumption of movement accuracy monitoring of aerobics, and has high use value. Keywords: image; aerobics movement; probability function; motion sequence; characteristic parameter; precision monitoring 0 引 言 隨着社会的发展,人们对健身的需求越来越强烈,运动消费也称为一种新的时尚,健美操作为一种有氧运动,能够有效提高身体素质、心肺功能以及肌肉耐力,使人体达到最优状态,区别于其他有氧运动,健美操动作轻松优美,带健身的同时带给人们艺术的享受,越来越受到人们的重视。对健美操动作精度进行检测,可以对健美操动作进行改善,增强健身的效果。但目前大多数健美操动作精度检测都是通过小波阈值去噪方法进行健美操动作特征选取,并对特征进行分类,利用支持向量机方法选择最优健美操动作特征参数,从而实现健美操动作精度检测。该方法难以克服固定衰减或震荡问题,难以区别相似度较高的健美操动作,需要提高健美操动作监测的精度。但这种方法仍在业内引起强烈反响,随着人们对健美操重视程度的加深,对健美操动作精度检测研究的内容也逐渐加深,产生了丰硕的研究成果。 文献[1]提出基于体感网的健美操动作精度监测方法,将传感器节点安装在人体上,通过体感网可以采集到人体的健美操运动信号,利用基于耦合隐马尔可夫模型的健美操动作识别方法,构建具备多个相关数据链的随机过程模型并对健美操动作进行统计分析,根据与传感器节点对应的数据链信息,对健美操动作运动特征进行描述,通过不同数据链之间的转移映射健美操运动过程中各身体部位的协调。通过基于概率神经网络和可调节模糊聚类算法的增强学习方法完成对健美操运动特征的提取,在此基础上,通过惯性信号完成对健美操动作精度的监测。这种方法由于需要佩戴传感器节点,影响健美操运动的舒适性,难以保证健美操运动效果。文献[2]提出健美操动作精度监测方法,通过将RP?CCall和RP?CCeach压缩分类的动作识别方法与压缩感知和稀疏表示理论相结合,将传感信号压缩与健美操动作识别相结合,通过对压缩的数据建立稀疏表示的健美操动作运动模式的识别模型,利用稀疏系数的分布来实现健美操动作识别,从而实现健美操动作精度监测。这种方法由于过分注重识别且忽视健美操动作监测,导致健美操动作精度监测的准确度不高。文献[3]提出健美操动作精度监测方法,基于分布式压缩感知和联合稀疏表示的动作识别方法,通过构建适用于动作识别的稀疏描述模型,将多传感器的复杂动作识别问题转化为偏向数学的线性回归问题来解决。从而实现健美操动作进度检测,但这种方法由于监测过程繁琐,导致健美操动作精度监测耗时较长。 综上,本文提出一种基于图像的健美操动作精度监测新方法。实验结果证明,所提方法能够有效提高健美操动作轨迹监测的精度,降低健美操动作精度监测的能耗,具有良好的使用价值。 1 基于图像的健美操动作精度监测研究 1.1 基于图像的健美操动作特征提取 将健美操具体动作从整体背景中分离出来是提取动作特征的关键,进而完成健美操动作特征的检测。本文采用kinect深度图像预处理方法,通过深度图像的深度维数据将健美操动作从背景中抠出。 在深度数据流所供应的深度图像序列中,设定像素点代表在深度数据采集设备的视界范围内,该特定对象坐标[(x,y)]与深度数据采集设备镜头平面最近的部位到该镜头平面的直线距离。采用Kinect的深度图像数据流可以在预处理阶段减少计算量。 通过时空检测符检测或由密集采样得到健美操动作局部区域特征,为了提高健美操动作精度监测的准确性,特征向量需要具有很好的辨识性。本文采用Hog3D方法对局部区域特征进行提取,具体特征提取过程如图1所示。 圖1中,在进行3D梯度方向进行表述时,将会从不同维度对健美操动作的特征点及其附近区域的表述向量进行计算。设定存在[N]个尺度,其中[σxy]表示空间尺度因子,[σt]表示时间的尺度因子,则尺度因子数量可以表示为: [z=i=0N-1 j=0N-1σ-2ixyσ-jt] (1) 为了加快平均梯度向量的运算速度,引入积分图像。 设定一个视频序列[v(x,y,t)],[v?x,][v?y,][v?t]分别表示该视频序列在[x,y,t]处的偏微分,则[v?x]的积分视频可以表示为: 同理,得到[v?y]和[v?t]的积分视频表达式为: 对于任意的三维空间长方体[b=(x,y,t,w,h,l)T,]其中,[(x,y,t)T]表示健美操动作特征点位置;[w]表示三维空间的宽度;[h]表示三维空间的高度;[l]表示三维空间的长度。设定平均梯度为: 式中:[gb?x,][gb?y,][gb?t]分别表示三维空间宽度、高度以及长度上的平均梯度。其中,[gb?x]可以通过式(6)进行计算: 同理,利用类似式(6)计算得到[gb?y]和[gb?t]。 对二维健美操图像梯度方向进行量化,将梯度方向直方图看成一个圆,通过将圆分成[N]个区域,每个直方区域近似用多特征点描述。 设定[gb]表示多维空间的平均特征向量,将[gb]映射到空间区域的过程通过矩阵乘法表示,设[P=(p1,p2,…,pn)T]表示[n]个面的中心位置。其中,[pi=(xi,yi,ti)T。]假设[qb]表示[gb]的映射,则存在如下关系: [qb=(qb1,qb2,…,qbn)T=P?gbgb2] (7) 式中:[qbi=pi2?cos∠(pi,gb)=gb-12?pTi?gb,]需要对投影过的[P]向量进行阈值化,为了保证[qb]范围区间的准确性,比较每个面的中心点[pi]和[pj,]得到阈值[t=pTi?pj。]阈值量化后的向量可以表示为[qb=qb-t,]当[qb<0]时,赋值为0,得到投影梯度: 设取样点[s=(xs,ys,ts,σs,τs)T,]其中,[(xs,ys,ts)T]表示投影特征点集合;[σs]表示投影时间梯度;[τs]表示投影空间梯度。通过特征区域[rs=(xr,yr,trwr,hr,lr)T]计算取样点[s]处的描述值[ds]。采用式(9)计算方向直方图,从而形成一个单一的健美操动作特征向量[ds=d1,d2,…,dM2NT]。 [hc=i=1s3qbi] (9) 通过上述论述,将健美操动作从背景中抠出来,利用Kinect深度图像采集方法对图像进行预处理,然后通过Hog3D对健美操动作特征进行提取。 1.2 基于图像的健美操动作精度分析监测 健美操动作精度分析监测可以转化成视频内容分类问题。即将待检序列与预先标定的代表典型运动的参考序列相匹配,使其对空间和时间尺度上的轻微特征变化具有鲁棒性。 本文选用概率统计中的Adaboost方法对健美操动作精度进行识别。通过将待检健美操动作的每个姿势定义为一个状态,同时利用概率计算公式将健美操的每一个动作状态结合在一起。将每一个健美操动作序列转换成静态姿势,并计算这些健美操动作集合的联合概率,概率最大值则为健美操动作的最终分类标准。 通过将弱分类器与1.1节经过提取得到的健美操动作特征进行一一对应,其中弱分类器的原型可以表示為: 式中:[x]表示待检窗口;[fj(x)]表示容积特征值的函数;[θj]表示通过训练得到的特征值阈值;[α1,][α2]表示取值范围在[[-1,1]]之间的小数,说明分类的结果,一般情况下,如果分类结果完全正确,则[α1=α2=1]。 完成对健美操图像动作的识别分析后,在此基础上对健美操动作精度进行监测。本文选用逐层等比方法对健美操动作精度进行监测,具体过程如下所述。 假设[V]表示待检健美操动作视频,大小为[W×H×L],其中[W]和[H]表示帧图像的宽和高,[L]表示帧数。设定当前监测窗口大小为[winsize×winsize×40,]winsize的初始值为64,串口的放大比例scale=1.2,将窗口逐次等比放大,通过式(11)计算窗口放大次数: 当[i=1T]时,通过winsize×winsize×40大小的检测窗口遍历整个健美操动作视频序列[V,]计算待检子窗口数量: 通过分类器对当前窗口进行监测,若监测结果正确,则输出相关参数,并在视频中标注。否则,继续监测下一个窗口。然后对弱分类器对应的容积特征的一些主要参数进行更新。 容积特征内两个长方体的权值可以表示为: 式中[w1,][w2]表示初始权值。容积特征的两个长方体的第一帧左上角的坐标如下: 通过将容积特征的两个长方体的宽和长分别乘以scale,完成基于图像的健美操动作精度分析监测。 2 实验结果与分析 为了证明本文提出的基于图像的健美操动作精度监测方法的有效性,以Intel P4 2 GB处理器为硬件环境,Matlab 2008a为平台,运用对比法将本文提出的健美操动作精度监测方法与文献[1?2]所提健美操动作精度监测方法进行比较,完成本次实验。 首先依据三种健美操动作精度监测方法对健美操动作的目标方位坐标进行监测,得到对比监测结果如图2,图3所示。 通过对图2和图3的分析可以得到,本文所提方法的最大误差不超过1°,说明本文方法预测精度可满足健美操动作精度的监测要求。在丢帧不多的情况下可对健美操动作轨迹进行监测跟踪,将健美操动作识别与监测轨迹相结合可获得最优的健美操动作精度监测结果。 然后进行健美操动作精度监测实验,利用本文所提方法和文献[1?2]方法对健美操动作轨迹监测的准确度进行对比,对比结果如图4所示。 通过图4可以看出,本文所提方法对健美操动作轨迹监测的准确度与文献[1?2]相比,健美操动作轨迹的监测准确度较高,说明本文所提方法能够较好地提高对健美操动作精度监测的准确性。 最后对三种健美操动作精度监测方法的能耗进行对比,能耗(单位:J)的计算方法如下所示: 式中:[I]表示精度监测时的运行电流;[V]表示电源电压;[H]表示精度监测时间。通过计算,得到三种方法的能耗对比结果如图5所示。 从图5可以看出,本文所提方法能够有效降低健美操动作进度监测的能耗,且本文所提方法的能耗折线近似一条直线,说明本文所提方法的运行能耗较稳定,从而说明本文所提方法进行健美操动作精度监测较稳定。综上所述,本文所提方法能够有效提高健美操动作精度监测的准确性,降低精度监测的误差,且能耗较少,具有较强的使用价值。 3 结 语 健美操动作精度监测对健美操训练结果存在重要影响,其精度监测的准确性是改善健美操动作的重要前提。本文提出一种基于图像的健美操动作精度监测方法,实验结果证明,本文所提方法能够有效提高健美操动作监测的准确性,对健美操事业的发展具有积极的推动作用。 参考文献 [1] 梁娟.多元化全民健身效益指数异构数据挖掘模型[J].科技通报,2015,31(8):108?110. LIANG Juan. Heterogeneous data mining model of national fitness benefit index diversification [J]. Bulletin of science and technology, 2015, 31(8): 108?110. [2] 王向东,张静文,毋立芳,等.一种运动轨迹引导下的举重视频关键姿态提取方法[J].图学学报,2014,35(2):256?261. WANG Xiangdong, ZHANG Jingwen, WU Lifang, et al. A key pose frame extraction approach combined with trajectory from weightlifting video [J]. Journal of graphics, 2014, 35(2): 256?261. [3] 李敏,宋曰聪,吴斌,等.基于Beowulf机群中改进粒子滤波的3D人体运动跟踪[J].计算机工程与应用,2015,51(14):17?22. LI Min, SONG Yuecong, WU Bin, et al. Three?dimension human motion tracking based improved particle filter on Beowulf cluster system [J]. Computer engineering and applications, 2015, 51(14): 17?22. [4] 高慧萍.篮球运动员跳投动作精度视频三维监测仿真[J].计算机仿真,2016,33(10):183?186. GAO Huiping. Basketball player jump shot video motion precision: three?dimensional monitoring simulation research [J]. Computer simulation, 2016, 33(10): 183?186. [5] 付锐,程文冬,张名芳,等.基于动态匹配模型的驾驶人嘴部行为识别与分级预警[J].汽车工程,2015,37(9):1095?1102. FU Rui, CHENG Wendong, ZHANG Mingfang, et al. Driver mouth behavior recognition and hierarchical prewarning based on dynamic matching model [J]. Automotive engineering, 2015, 37(9): 1095?1102. [6] 龚畅,王华君,李荣,等.基于状态依赖检测的视频运动目标轨迹跟踪算法[J].现代电子技术,2016,39(7):51?56. GONG Chang, WANG Huajun, LI Rong, et al. Video moving target trail tracking algorithm based on state dependence detection [J]. Modern electronics technique, 2016, 39(7): 51?56. [7] 江艺羡,张岐山.基于加权一个变量的一阶灰色模型的动态轨迹预测算法[J].计算机应用,2016,36(5):1336?1340. JIANG Yixian, ZHANG Qishan. Prediction algorithm of dynamic trajectory based on weighted grey model [J]. Journal of computer applications, 2016, 36(5): 1336?1340. [8] 张宽桥,杨锁昌,王刚.一种红外导引头量测误差抑制方法研究[J].计算机测量与控制,2015,23(6):2030?2032. ZHANG Kuanqiao, YANG Suochang, WANG Gang. Measurement error suppressing method in infrared seeker [J]. Computer measurement & control, 2015, 23(6): 2030?2032. [9] 王忠勇,杨松超.基于Kalman的运动物体跟踪和预测方法研究[J].科學技术与工程,2014,14(29):234?237. WANG Zhongyong, YANG Songchao. Using Kalman to research tracking and prediction of moving object [J]. Science technology and engineering, 2014, 14(29): 234?237. |
随便看 |
|
科学优质学术资源、百科知识分享平台,免费提供知识科普、生活经验分享、中外学术论文、各类范文、学术文献、教学资料、学术期刊、会议、报纸、杂志、工具书等各类资源检索、在线阅读和软件app下载服务。