CN103839047A - 一种人体运动轨迹的识别方法及装置 - Google Patents

Abstract

本发明实施例提供了一种人体运动轨迹的识别方法及装置，该方法包括：获取人体运动轨迹；将所述运动轨迹分解为多个特征，并基于所述多个特征生成测试样本；计算所述测试样本与多个样本集的相似度，每个样本集表示一种运动轨迹；输出与所述测试样本相似度最大的样本集所表示的运动轨迹。采用本发明，可有效提高运算速率以及识别率。

Description

一种人体运动轨迹的识别方法及装置

技术领域

本发明涉及人工智能领域，尤其涉及一种人体运动轨迹的识别方法及装置。

背景技术

人机交互是一门研究系统与用户之间的交互关系的学问。在科学技术的变革中，为了使得人机交互方式更加拟人化以及自然化，研究者们一直致力于设计出一种更完美的能够被大众接受的人机交互方式，从而提高用户与计算机的交流，同时提高交互效率，方便用户的生活。

在人机交互中，人体的运动姿态比如手势是用户日常生活中使用最广泛的一种交流方式，由于手势具有多样性、多义性等特点，让计算机充分解释不同用户的手势是在研究中需要解决的一个重要问题。在现有技术中对于手势的识别通过深度摄像机捕捉用户的手的位置，以获取手的深度信息，同时与彩色共同组成3D空间，通过手势识别算法识别用户的手势。

现有技术对于人体运动轨迹识别算法采用隐马尔可夫模型(Hidden MarkovModel,HMM)，隐马尔可夫模型作为一种统计分析模型应用于语音识别，行为识别等领域。对于给定的测试样本（根据深度摄像机获取的用户的运动轨迹生成）O=O₁，O2，…,O_T以及一些已有的HMM模型（预先保存好的运动轨迹样本），可通过HMM模型评估给定的测试样本与哪一个已有的HMM模型最相似，利用前向算法求出给定的测试样本与每一个HMM模型的相似度而选出相似度最高的HMM模型，从而识别用户的运动轨迹。然而，由于前向算法的算法复杂度为o(n^2T)，其运算速度较低，运算时间更长，不利于计算机的运行。除此之外，已有的HMM模型为特定的运动轨迹模型，种类较少，因此难以覆盖到其他更复杂的运动轨迹，导致该算法的识别率低，能识别的运动轨迹种类少。

发明内容

本发明实施例提供一种人体运动轨迹的识别方法及装置，可有效提高运算速率以及识别率。

本发明实施例第一方面提供一种人体运动轨迹的识别方法，包括：

获取人体运动轨迹；

将所述运动轨迹分解为多个特征，并基于所述多个特征生成测试样本；

计算所述测试样本与多个样本集的相似度，每个样本集表示一种运动轨迹；

输出与所述测试样本相似度最大的样本集所表示的运动轨迹。

结合本发明实施例第一方面的实现方式，在本发明实施例第一方面的第一种可能的实现方式中，所述将所述运动轨迹分解为多个特征之前，所述方法还包括：

对所述获取的运动轨迹进行滤波。

结合本发明实施例第一方面的第一种可能的实现方式，在本发明实施例第一方面的第二种可能的实现方式中，所述对所述获取的运动轨迹进行滤波包括：

计算当前时刻滤波前的坐标值x_i与上一时刻滤波后的坐标值X_i-1的差值，将所述计算得到的差值和预设的比例参数α的乘积与所述上一时刻滤波后的坐标值X_i-1相加，得到当前时刻滤波后的坐标值X_i，参数i表示当前时刻。

结合本发明实施例第一方面或第一方面的第一种至第二种中的任一种可能的实现方式，在本发明实施例第一方面的第三种可能的实现方式中，所述将所述运动轨迹分解为多个特征，并基于所述多个特征生成测试样本包括：

将滤波后的运动轨迹分解为多个特征，每个特征的方向是唯一的；

根据预设的角度阈值识别所述多个特征；

将所述多个特征根据预设的排列方式组成所述测试样本。

结合本发明实施例第一方面或第一方面的第一种至第三种中的任一种可能的实现方式，在本发明实施例第一方面的第四种可能的实现方式中，所述计算所述测试样本与每个样本集的相似度包括：

计算所述测试样本与所述样本集中的训练样本的相似度，所述训练样本是由多个特征组成的；

根据所述测试样本与所述训练样本的相似度，结合预设的所述训练样本的权重，获得所述测试样本与所述训练样本的加权相似度；

将所述测试样本与多个训练样本的加权相似度进行累加得到所述测试样本与所述样本集的相似度。

本发明实施例第二方面提供一种人体运动轨迹的识别装置，包括：

获取模块，用于获取人体运动轨迹；

分解模块，用于将所述运动轨迹分解为多个特征，并基于所述多个特征生成测试样本；

计算模块，用于计算所述测试样本与多个样本集的相似度，每个样本集表示一种运动轨迹；

输出模块，用于输出与所述测试样本相似度最大的样本集所表示的运动轨迹。

结合本发明实施例第二方面的实现方式，在本发明实施例第二方面的第一种可能的实现方式中，所述装置还包括：

滤波模块，用于对所述获取的运动轨迹进行滤波。

结合本发明实施例第二方面的第一种可能的实现方式，在本发明实施例第二方面的第二种可能的实现方式中，所述滤波模块具体用于计算当前时刻滤波前的坐标值x_i与上一时刻滤波后的坐标值X_i-1的差值，将所述计算得到的差值和预设的比例参数α的乘积与所述上一时刻滤波后的坐标值X_i-1相加，得到当前时刻滤波后的坐标值X_i，参数i表示当前时刻。

结合本发明实施例第二方面或第二方面的第一种至第二种中的任一种可能的实现方式，在本发明实施例第二方面的第三种可能的实现方式中，所述分解模块包括：

分解单元，用于将滤波后的运动轨迹分解为多个特征，每个特征的方向是唯一的；

识别单元，用于根据预设的角度阈值识别所述多个特征；

组成单元，用于将所述多个特征根据预设的排列方式组成所述测试样本。

结合本发明实施例第二方面或第二方面的第一种至第三种中的任一种可能的实现方式，在本发明实施例第二方面的第四种可能的实现方式中，所述计算模块包括：

计算单元，用于计算所述测试样本与所述样本集中的训练样本的相似度，所述训练样本是由多个特征组成的；

获得单元，用于根据所述测试样本与所述训练样本的相似度，结合预设的所述训练样本的权重，获得所述测试样本与所述训练样本的加权相似度；

累加单元，用于将所述测试样本与多个训练样本的加权相似度进行累加得到所述测试样本与所述样本集的相似度。

采用本发明实施例，能将深度摄像机获取的人体运动轨迹分解为多个特征，并根据多个特征生成测试样本，以及将测试样本与每个样本集中的每一个训练样本进行比较，通过累加测试样本与其中一个样本集的每一个训练样本的加权相似度得到测试样本与该样本集的相似度，最终输出与测试样本相似度最大的样本集所表示的运动轨迹，有效地提高了运算速度，同时大大降低了算法复杂度。

此外，由于将运动轨迹分解为多个特征，测试样本与训练样本的相似度通过比较特征而得到，因此由多个特征组成的训练样本具有多样性，能避免样本种类的不足而导致识别率下降。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1是本发明实施例的一种人体运动轨迹的识别方法的流程示意图；

图2是本发明实施例的另一种人体运动轨迹的识别方法的流程示意图；

图3本发明实施例的另一种人体运动轨迹的识别方法的测试样本与样本集中的训练样本进行比较的示意图；

图4是本发明实施例的一种人体运动轨迹的识别装置的结构示意图；

图5是本发明实施例的一种人体运动轨迹的识别装置的分解模块的结构示意图；

图6是本发明实施例的一种人体运动轨迹的识别装置的计算模块的结构示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

本发明实施例提供的一种人体运动轨迹的识别方法及装置可有效提高运算速率以及识别率。

请参阅图1，图1是本发明实施例的一种人体运动轨迹的识别方法的流程示意图。本发明所涉及的深度摄像机为具备即时动态捕捉、影像辨识、获取深度信息、同时与彩色信息共同组成3D空间的功能的摄像机。本发明所涉及的装置可为智能装置等既具备根据滤波的算法对运动轨迹进行滤波的能力，也具备求解相似度等参数的计算能力，同时还需具备数据库以保存样本集以及训练样本。本发明所涉及的人体运动轨迹为深度摄像机能识别的人体运动形态，包括四肢，盆骨，头部等人体器官的运动轨迹，具体可由用户自由设定，本发明实施例则以深度摄像机捕捉用户的手部进行举例说明。

如图1所示，本发明实施例的一种人体运动轨迹的识别方法可以包括以下步骤。

步骤100，获取人体运动轨迹。

具体实现中，本发明实施例可以通过深度摄像机获取人体运动轨迹，并通过软件开发工具包（Software Development Kit,SDK）或者自然交互软件（OpenNatural Interaction,Open NI）获取深度摄像机视频以及3D人体骨架，以从3D人体骨架中实时捕捉手部的具体位置。当用户用手部进行比划时，通过深度摄像机实时获取手部的位置，并将获取到的手部位置的坐标组成一串运动轨迹。

步骤110，将运动轨迹分解为多个特征，并基于多个特征生成测试样本。

具体实现中，当获取到用户输入的手势轨迹时，将手势轨迹分解为多个特征，例如笔画特征，每一个笔画特征都是方向唯一的笔画向量，并将每一个笔画特征按照手势轨迹输入的时间顺序进行排列，组成测试样本，以与预先保存的多个样本集进行比较。

作为一种可实施的方式，在组成测试样本之前，还需要识别每一个笔画特征，可采用分类器计算每一个笔画特征的角度，以对每一个笔画特征进行分类。

步骤120，计算测试样本与多个样本集的相似度，每个样本集表示一种运动轨迹。

继步骤110，当将每一个笔画特征组成测试样本时，将测试样本与数据库中预先保存的样本集进行一一比较，每一个样本集表示一种手势轨迹，其中包括至少一个训练样本。以其中的某一个样本集为例，该样本集中的每一个训练样本都表示同种手势轨迹，每一个训练样本包括该手势轨迹的全部笔画特征，由于笔画特征的角度的稍有不同而区分该样本集里的所有训练样本。所有样本集以及样本集内的训练样本可为用户或系统预先保存的。

具体实现中，一一计算测试样本与数据库中所有样本集的所有训练样本的相似度。以单个样本集为例，可先通过计算测试样本与该样本集中的所有训练样本的加权相似度，其中每个训练样本都预先设置对应的权重，所有训练样本的权重和为1，最后将加权相似度进行累加得到测试样本与该样本集的相似度。

步骤130，输出与测试样本相似度最大的样本集所表示的运动轨迹。

具体实现中，当计算出测试样本与数据库中所有样本集的相似度后，输出与测试样本相似度最大的样本集所表示的运动轨迹，在屏幕上显示该样本集所表示的手势轨迹。

通过实施图1所描述的方法，能将深度摄像机获取的人体运动轨迹分解为多个特征，并根据多个特征生成测试样本，以及将测试样本与每个样本集中的每一个训练样本进行比较，通过累加测试样本与其中一个样本集的每一个训练样本的加权相似度得到测试样本与该样本集的相似度，最终输出与测试样本相似度最大的样本集所表示的运动轨迹，有效地提高了运算速度，同时大大降低了算法复杂度。

此外，由于将运动轨迹分解为多个特征，测试样本与训练样本的相似度通过比较特征而得到，因此由多个特征组成的训练样本具有多样性，能避免样本种类的不足而导致识别率下降。

请参阅图2，图2是本发明实施例的另一种人体运动轨迹的识别方法的流程示意图。本发明实施例继续以深度摄像机捕捉用户的手部进行举例说明。

如图2所示，本发明实施例的另一种人体运动轨迹的识别方法可以包括以下步骤。

步骤200，通过深度摄像机获取人体运动轨迹。

具体实现中，可以通过软件开发工具包（Software Development Kit,SDK）或者自然交互软件（Open Natural Interaction,Open NI）获取深度摄像机视频以及3D人体骨架，并从3D人体骨架中实时捕捉手部的具体位置。当用户用手部进行比划时，通过深度摄像机实时获取手部的位置，并将获取到的手部位置的坐标组成一串运动轨迹。

作为一种可实施的方式，本发明实施例以手势轨迹为Z字形的运动轨迹进行举例说明。每一个用户输入的Z字形的手势轨迹各不相同，例如通过深度摄像机获取用户A输入的

字形的手势轨迹。

步骤210，对获取的运动轨迹进行滤波。

具体实现中，由于获取的运动轨迹有很多噪音，导致获取到的运动轨迹不平滑，更严重地会导致图像失真，因此图像滤波的质量直接影响着后续计算相似度所需的数据以及最终的识别结果。

作为一种可实施的方式，本发明实施例提出一种实时滤波算法，实时滤波算法的表达式为：

X_i=α·x_i-X_i-1)+X_i-1

Y_i=α·y_i-Y_i-1)+Y_i-1

式中，X，Y表示滤波后的坐标值，x，y表示滤波前的坐标值，i表示当前时刻，α为比例函数，通常α取值为0.3。在计算当前时刻滤波前的坐标值x_i与上一时刻滤波后的坐标值X_i-1的差值之后，将计算得到的差值和预设的比例参数α的乘积与上一时刻滤波后的坐标值X_i-1相加，得到当前时刻滤波后的坐标值X_i。实时滤波算法既保证滤波后的运动轨迹更加平滑稳定，也避免运动轨迹细节的丢失。

步骤220，将滤波后的运动轨迹分解为多个特征，每个特征的方向是唯一的。

当用户A输入的Z字形的手势轨迹

通过滤波之后得到平滑稳定的运动轨迹，将该手势轨迹分解为多个特征。其中，分解手势轨迹的方式可以从手势轨迹的方向变化处、速率变化处或者方向变化率对手势轨迹进行分解，得到至少一个笔画特征，每个特征的方向是唯一的，即每一个笔画特征都为一个向量。以用户A输入的Z字形的手势轨迹为例，从用户A输入手势轨迹的起始时间开始捕捉，则根据上述分解方式中的任意一种进行分解之后得到

向量，

向量以及→向量。

步骤230，根据预设的角度阈值识别多个特征。

具体实现中，当将用户A输入的手势轨迹进行分解之后，可使用预先设定分类规则的分类器测量每一个笔画特征的具体角度，并利用预设的角度阈值对笔画特征进行识别，从而得知每个笔画特征的种类。例如，将所有笔画特征划分为8种运动方向，可分别设置为0°、45°、90°、135°、180°、225°、270°以及315°的运动方向。可将角度阈值设置为-22.5°至22.5°，对于运动方向为90°的向量，则67.5°至112.5°之间的向量均在90°向量的阈值范围之内。例如80°向量在90°向量的范围之内，而30°向量在45°向量的范围之内。

另外，角度阈值还作为计算相似度的标准。例如，在计算100°向量与60°向量的相似度的情况下，由于100°向量在90°向量的范围之内，而60°向量在45°向量的范围之内，因此100°向量与60°向量的相似度为0。若两个向量均在90°向量的阈值范围内，则可根据两个向量角度的差值计算两个向量的相似度。

继续步骤220所得到的

向量，

向量以及→向量，分类器首先确定每个向量的具体角度，再根据预设的角度阈值判断

向量在0°向量范围之内，

向量在45°向量的范围之内，→向量在0°向量范围之内。

步骤240，将多个特征根据预设的排列方式组成测试样本。

作为一种可实施的方式，结合图3所示的测试样本与样本集中的训练样本进行比较的示意图，继步骤230之后，将识别出的每一个笔画特征按照用户A输入的时间顺序进行排列，组成测试样本。

步骤250，计算测试样本与样本集中的训练样本的相似度，训练样本是由多个特征组成的。

具体实现中，数据库中预先保存多种手势轨迹的样本集，每一个样本集表示一种手势轨迹。在样本集里有至少一个预先保存的训练样本，每个样本集中的训练样本的数量不一，每一个训练样本由至少一个笔画特征组成，其性质与测试样本中的笔画特征相同。因此需计算测试样本与数据库中的每一个样本集里的每一个训练样本的相似度。

作为一种可实施的方式，如图3所示，数据库中预先存储图3中手势轨迹对应的样本集，则先计算测试样本与1号样本集中每一个训练样本的相似度。1号样本集有4个训练样本，每一个训练样本都有1号样本集的全部笔画特征。以训练样本1a为例，根据预设角度阈值按照笔画特征的顺序计算测试样本与训练样本1a的相似度，依次类推。

步骤260，根据测试样本与训练样本的相似度，结合预设的训练样本的权重，获得测试样本与训练样本的加权相似度。

具体实现中，1号样本集里有4个训练样本，因此为每一个训练样本设置权重，其权重和为1。例如，训练样本1a的权重可设置为0.5，训练样本1b的权重设置为0.2，训练样本1c的权重设置为0.2，则训练样本1d的权重设置为0.1。以训练样本1a为例，当计算出测试样本与训练样本1a的相似度之后，再与训练样本1a的权重相乘，得到测试样本与训练样本1a的加权相似度。

步骤270，将测试样本与多个训练样本的加权相似度进行累加得到测试样本与样本集的相似度。

作为一种可实施的方式，测试样本与样本集的相似度的表达式如下所示：

$H=\underset{i=1}{\overset{S_n}{\mathrm{\Σ}}}{\mathrm{\ω}}_{n,i}{S}_A\left(i\right)$

其中，H为测试样本与样本集的相似度，S_n为样本集中训练样本的个数，ω为当前训练样本占整个样本集的权重，S_A(i)为测试样本与第i个训练样本的相似度。以1号样本集为例，在计算出测试样本与每一个训练样本的加权相似度之后，将测试样本与所有训练样本的加权相似度相加，得到测试样本与1号样本集的相似度H。

步骤280，输出与测试样本相似度最大的样本集所表示的运动轨迹。

作为一种可实施的方式，在计算完成测试样本与数据库中所有样本集的相似度之后，输出与测试样本相似度最大的样本集所表示的手势轨迹，其表达式如下：

$C=\underset{n\∈\{\mathrm{1,2},...,N_c\}}{\arg \max }\left\{\underset{i=1}{\overset{S_n}{\mathrm{\Σ}}}{\mathrm{\ω}}_{n,i}{S}_A\left(i\right)\right\}$

其中，N_c表示样本集的个数，即为步骤270所述的H，根据输出结果在计算机屏幕显示与测试样本相似度最大的样本集所对应的手势轨迹，展现给用户。结合图3，当计算出测试样本与数据库中所有的样本集的相似度之后，得到测试样本与3号样本集的相似度最高，因此输出3号样本集所表示的手势轨迹，即Z字形的手势轨迹。

通过实施图2所描述的方法，采用新的滤波算法使得滤波后的运动轨迹更加平滑稳定，并采用新的运算方法对运动轨迹进行高度识别，由步骤280提供的表达式可得出该运算方法的算法复杂度为o(n)，有效地提高运算速度。此外，将手势轨迹分解为多个特征并根据预设的角度阈值对这些特征进行识别，可覆盖更多种运动轨迹，提高了识别率。

请参阅图4，图4是本发明实施例的一种人体运动轨迹的识别装置的结构示意图。如图4所示的识别装置包括获取模块400、分解模块410、计算模块420、输出模块430以及滤波模块440。

获取模块400，用于获取人体运动轨迹。

分解模块410，用于将运动轨迹分解为多个特征，并基于多个特征生成测试样本。

计算模块420，用于计算测试样本与多个样本集的相似度，每个样本集表示一种运动轨迹。

输出模块430，用于输出与测试样本相似度最大的样本集所表示的运动轨迹。

作为一种可实施的方式，识别装置还包括滤波模块440，用于对获取的运动轨迹进行滤波。

通过实施图4所描述的识别装置，能将深度摄像机获取的人体运动轨迹分解为多个特征，并根据多个特征生成测试样本，得到测试样本与每个样本集的相似度，最终输出与测试样本相似度最大的样本集所表示的运动轨迹，有效地提高了运算速度，同时大大降低了算法复杂度。

此外，由于将运动轨迹分解为多个特征，测试样本与训练样本的相似度通过比较特征而得到，因此由多个特征组成的训练样本具有多样性，能避免样本种类的不足而导致识别率下降。

请参阅图5，图5是本发明实施例的一种人体运动轨迹的识别装置的分解模块的结构示意图。如图5所示的分解模块410包括分解单元500、识别单元510以及组成单元520。

分解单元500，用于将滤波后的运动轨迹分解为多个特征，每个特征的方向是唯一的。

识别单元510，用于根据预设的角度阈值识别多个特征。

组成单元520，用于将多个特征根据预设的排列方式组成测试样本。

通过实施图5所描述的分解模块，可通过将运动轨迹分解为多个特征，在识别这些特征之后将这些特征组成测试样本，以便于根据这些特征与训练样本的特征进行比较而计算测试样本与训练样本的加权相似度，降低了其算法复杂度，加快了运算速度。此外，由于将运动轨迹分解为多个特征，测试样本与训练样本的相似度通过比较特征而得到，因此由多个特征组成的训练样本具有多样性，提高识别率。

请参阅图6，图6是本发明实施例的一种人体运动轨迹的识别装置的计算模块的结构示意图。如图6所示的计算模块420包括计算单元600，获得单元610以及累加单元620。

计算单元600，用于计算测试样本与样本集中的训练样本的相似度，训练样本是由多个特征组成的；

获得单元610，用于根据测试样本与训练样本的相似度，结合预设的训练样本的权重，获得测试样本与训练样本的加权相似度；

累加单元620，用于将测试样本与多个训练样本的加权相似度进行累加得到测试样本与样本集的相似度。

通过实施图6所描述的计算模块，可根据计算测试样本与训练样本的加权相似度得到测试样本与样本集的相似度，降低了其算法复杂度，加快了运算速度。

本发明实施例进一步具有以下有益效果：

本发明实施例提出了一种人体运动轨迹的识别方法，能采用新的滤波算法对深度摄像机获取的运动轨迹进行实时滤波，使得滤波后的运动轨迹更加平滑稳定，为后续分解计算提供良好的基础。将滤波后的运动轨迹分解为多个特征，并将这些特征组成测试样本，每个特征的方向唯一，能提高识别率，并且能识别更多的运动轨迹。最后采用新的运算方法计算测试样本与预先保存的样本集的相似度，其中，样本集包含多个训练样本，每个训练样本也是由多个特征组成的。根据测试样本与训练样本的相似度，结合预设的训练样本的权重，获得测试样本与训练样本的加权相似度，并将测试样本与多个训练样本的加权相似度进行累加得到测试样本与样本集的相似度，最后输出与测试样本相似度最大的样本集所表示的运动轨迹。由此得出该运算方法的算法复杂度为o(n)，与现有技术的前向算法的算法复杂度为o(n^2T)相比，大大提高了运算速度，节省运算时间。

以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。

本发明实施例方法中的步骤可以根据实际需要进行顺序调整、合并和删减。

本发明实施例装置中的模块或单元可以根据实际需要进行合并、划分和删减。

本发明实施例的模块或模块,可以以通用集成电路(如中央处理器CPU),或以专用集成电路(ASIC)来实现。

通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行各个实施例或者实施例的某些部分所述的方法。

以上所述的实施方式，并不构成对该技术方案保护范围的限定。任何在上述实施方式的精神和原则之内所作的修改、等同替换和改进等，均应包含在该技术方案的保护范围之内。

Claims (10)

1.一种人体运动轨迹的识别方法，其特征在于，包括：

获取人体运动轨迹；

将所述运动轨迹分解为多个特征，并基于所述多个特征生成测试样本；

计算所述测试样本与多个样本集的相似度，每个样本集表示一种运动轨迹；

输出与所述测试样本相似度最大的样本集所表示的运动轨迹。

2.根据权利要求1所述的方法，其特征在于，所述将所述运动轨迹分解为多个特征之前，所述方法还包括：

对所述获取的运动轨迹进行滤波。

3.根据权利要求2所述的方法，其特征在于，所述对所述获取的运动轨迹进行滤波包括：

计算当前时刻滤波前的坐标值x_i与上一时刻滤波后的坐标值X_i-1的差值，将所述计算得到的差值和预设的比例参数α的乘积与所述上一时刻滤波后的坐标值X_i-1相加，得到当前时刻滤波后的坐标值X_i，参数i表示当前时刻。

4.根据权利要求1至3任一项所述的方法，其特征在于，所述将所述运动轨迹分解为多个特征，并基于所述多个特征生成测试样本包括：

将滤波后的运动轨迹分解为多个特征，每个特征的方向是唯一的；

根据预设的角度阈值识别所述多个特征；

将所述多个特征根据预设的排列方式组成所述测试样本。

5.根据权利要求1至4任一项所述的方法，其特征在于，所述计算所述测试样本与每个样本集的相似度包括：

计算所述测试样本与所述样本集中的训练样本的相似度，所述训练样本是由多个特征组成的；

根据所述测试样本与所述训练样本的相似度，结合预设的所述训练样本的权重，获得所述测试样本与所述训练样本的加权相似度；

将所述测试样本与多个训练样本的加权相似度进行累加得到所述测试样本与所述样本集的相似度。

6.一种人体运动轨迹的识别装置，其特征在于，包括：

获取模块，用于获取人体运动轨迹；

分解模块，用于将所述运动轨迹分解为多个特征，并基于所述多个特征生成测试样本；

计算模块，用于计算所述测试样本与多个样本集的相似度，每个样本集表示一种运动轨迹；

输出模块，用于输出与所述测试样本相似度最大的样本集所表示的运动轨迹。

7.根据权利要求6所述的装置，其特征在于，所述装置还包括：

滤波模块，用于对所述获取的运动轨迹进行滤波。

8.根据权利要求7所述的装置，其特征在于，

所述滤波模块具体用于计算当前时刻滤波前的坐标值x_i与上一时刻滤波后的坐标值X_i-1的差值，将所述计算得到的差值和预设的比例参数α的乘积与所述上一时刻滤波后的坐标值X_i-1相加，得到当前时刻滤波后的坐标值X_i，参数i表示当前时刻。

9.根据权利要求6至8任一项所述的装置，其特征在于，所述分解模块包括：

分解单元，用于将滤波后的运动轨迹分解为多个特征，每个特征的方向是唯一的；

识别单元，用于根据预设的角度阈值识别所述多个特征；

组成单元，用于将所述多个特征根据预设的排列方式组成所述测试样本。

10.根据权利要求6至9任一项所述的装置，其特征在于，所述计算模块包括：

计算单元，用于计算所述测试样本与所述样本集中的训练样本的相似度，所述训练样本是由多个特征组成的；

获得单元，用于根据所述测试样本与所述训练样本的相似度，结合预设的所述训练样本的权重，获得所述测试样本与所述训练样本的加权相似度；

累加单元，用于将所述测试样本与多个训练样本的加权相似度进行累加得到所述测试样本与所述样本集的相似度。

Images