CN104361600B - 运动识别方法及系统 - Google Patents

Abstract

本发明公开了一种运动识别方法及系统，包括：获取运动轨迹上的N个轨迹点；确定每个所述轨迹点的描述子，该描述子包括运动类别和尺度等级；对N个所述轨迹点的描述子进行排序，得到所述运动轨迹的描述子序列；利用所述运动轨迹的描述子序列，确定所述运动轨迹的运动类型，以完成运动识别。上述技术方案达到了有效利用运动轨迹的特征信息，进而提高了识别精度和准确率。

Description

运动识别方法及系统

技术领域

本发明涉及运动识别分析技术领域，特别是涉及一种运动识别方法及系统。

背景技术

随着社会科技的飞速发展，如视频监控、自动监测与识别和人机交互等越来越多的场合需要用到基于轨迹的运动识别。

目前，绝大多数运动识别方法都运用了欧氏距离、轨迹轮廓描述和各种各样的变换函数等多种手段和工具，但由于没有有效利用运动轨迹的特征信息，在存在复杂的运动轨迹的情况下，这些方法不能准确地进行识别，导致识别精度和准确率低，甚至有时不能识别复杂的运动轨迹。

发明内容

有鉴于此，本发明提供了一种运动识别方法及系统，以达到有效利用运动轨迹的特征信息，进而提高识别精度和准确率的目的。

为解决上述技术问题，本发明提供一种运动识别方法，包括：

获取运动轨迹上的N个轨迹点；

确定每个所述轨迹点的描述子，该描述子包括运动类别和尺度等级；

对N个所述轨迹点的描述子进行排序，得到所述运动轨迹的描述子序列；

利用所述运动轨迹的描述子序列，确定所述运动轨迹的运动类型，以完成运动识别。

上述方法中，优选的，通过以下步骤确定每个所述轨迹点的运动类别：

获取所述轨迹点的签名描述子参数；

参考预设分类标准，比较签名描述子参数与预设值的大小，确定所述轨迹点的运动类别。

上述方法中，优选的，当所述签名描述子参数包括曲率和扭矩时，通过以下步骤确定所述轨迹点的运动类别：

参考预设分类标准，分别比较所述曲率和扭矩与数值零的大小，确定所述轨迹点的运动类别。

上述方法中，优选的，通过以下步骤确定每个所述轨迹点的尺度等级：

获取所述轨迹点的尺度测算值；

参考预设尺度划分标准，确定所述尺度测算值的等级；

依据所述尺度测算值的等级，确定所述轨迹点的尺度等级。

上述方法中，优选的，通过以下步骤对N个所述轨迹点的描述子进行排序，得到所述运动轨迹的描述子序列：

检测每个所述轨迹点的位置信息，比较各个所述轨迹点的描述子，确定位置连续且具有相同描述子的轨迹点；

分别排列所述位置连续且具有相同描述子的轨迹点，得到多个副轨迹原子；

排列所有副轨迹原子，得到所述运动轨迹，所述运动轨迹的描述子序列为排列后的所有副轨迹原子的描述子序列。

上述方法中，优选的，得到多个副轨迹原子之后，还包括：

检测每个所述副轨迹原子的位置信息，比较各个所述副轨迹原子的描述子序列，获取位置连续且具有相同描述子序列的副轨迹原子；

分别排列所述位置连续且具有相同描述子的副轨迹原子，得到多个轨迹原子；

排列所有轨迹原子，得到所述运动轨迹，所述运动轨迹的描述子序列为排列后的所有轨迹原子的描述子序列。

上述方法中，优选的，通过以下步骤利用所述运动轨迹的描述子序列，确定所述运动轨迹的运动类型：

将所述运动轨迹的描述子序列代入多个高斯混合模型，每个所述高斯混合模型对应一个运动类型；

计算所述运动轨迹在每个所述高斯混合模型中出现的概率；

确定所述概率最大的高斯混合模型对应的运动类型为所述运动轨迹的运动类型。

上述方法中，优选的，还包括：

利用期望最大化算法确定所述高斯混合模型的相关参数。

上述方法中，优选的，利用贝叶斯公式计算所述运动轨迹在每个所述高斯混合模型中出现的概率。

本发明还提供了一种运动识别系统，包括：

轨迹点获取单元，用于获取运动轨迹上的N个轨迹点；

描述子确定单元，用于确定每个所述轨迹点的描述子，该描述子包括运动类别和尺度等级；

运动轨迹描述子确定单元，用于对N个所述轨迹点的描述子进行排序，得到所述运动轨迹的描述子序列；

运动类型确定单元，用于利用所述运动轨迹的描述子序列，确定所述运动轨迹的运动类型，以完成运动识别。

以上本发明提供的运动识别方法及系统中，在运动轨迹上获取N个轨迹点，确定每个轨迹点的描述子，该描述子包括运动类别和尺度等级；通过排列上述所有轨迹点实现对这些轨迹点的描述子进行排序，得到上述运动轨迹的描述子序列；利用这个运动轨迹的描述子序列，确定该运动轨迹的运动类型，进而完成运动识别，有效利用了运动轨迹的特征信息，即运动类别和尺度等级，进而提高识别精度和准确率的目的。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。

图1为本发明一种运动识别方法实施例1的流程图；

图2为本发明一种运动识别方法实施例2的流程图；

图3为本发明一种运动识别方法实施例3的流程图；

图4为本发明一种运动识别方法实施例4的流程图；

图5为本发明一种运动识别方法实施例5的流程图；

图6为本发明一种运动识别方法实施例6的流程图；

图7为本发明一种运动识别系统实施例1的结构框图示意图。

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，所描述的实施例仅仅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做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。

本发明的核心是提供一种运动识别方法及系统，以达到有效利用运动轨迹的特征信息，进而提高识别精度和准确率的目的。

为了使本技术领域的人员更好地理解本发明方案，下面结合附图和具体实施方式对本发明作进一步的详细说明。

参考图1，图1为本发明一种运动识别方法实施例1的流程图，该方法具体包括如下步骤：

步骤S100、确定运动轨迹上的N个轨迹点；

本发明中，主要用来识别3D运动轨迹，特别是复杂的3D运动轨迹，具体地，获得物体的3D运动轨迹的N个轨迹点，其中，轨迹点的数量N至少为一个，以完整表示物体的运动轨迹为准。

获取物体运动轨迹的轨迹点可以有两种方式：

第一种：采集图像中物体的位置，将每帧图像中物体的位置作为一个轨迹点，依次采集多帧图像即可获得N个轨迹点，多帧图像形成物体的运动轨迹，即为物体的3D运动轨迹；

第二种：首先获得物体的3D运动轨迹，然后按照一定的频率对3D运动轨迹进行采样，将连续采集的N个轨迹点作为本发明中所使用的轨迹点。

步骤S101、确定每个所述轨迹点的描述子，该描述子包括运动类别和尺度等级；

由于物体的运动类型可以分为直线、曲线(也称为平面弧)、左手螺旋弧面和右手螺旋弧面四种情况，每个轨迹点都是上述运动类型一种，因此区分出每个轨迹点的运动类别，便可得出整个轨迹的运动类型；需要说明的是，轨迹点的运动类别与物体的运动类型一样，包括直线、曲线(也称为平面弧)、左手螺旋弧面和右手螺旋弧面四种情况，其中，轨迹点的运动类别，取决于轨迹点在整个运动轨迹上的位置和作用等特征信息；

事实上，单独依据轨迹点的运动类别不能够准确的识别物体的运动轨迹，比如同为直线、曲线、左手螺旋弧面和右手螺旋弧面的轨迹，但是当曲线或曲面的弯曲程度不一致时，是不能够准确识别运动轨迹的，因此还需要依据轨迹点的尺度信息来进行进一步的判断，尺度信息为表示物体弯曲程度的一个参数；本方法中，对每个轨迹点的尺度信息进行尺度等级划分，得到轨迹点的尺度等级；

在获得每个轨迹点的运动类别和尺度等级后，将运动类别和尺度等级进行结合，作为该轨迹点的描述子，即该轨迹点的特征信息；在本发明中，轨迹点的描述子也称为F-IGS描述子。

步骤S102、对N个所述轨迹点的描述子进行排序，得到所述运动轨迹的描述子序列；

将N个轨迹点的F-IGS描述子按照一定规则组合的序列，作为运动轨迹的F-IGS描述子，也就是整个运动轨迹的特征信息，至此便将物体的运动轨迹，完全转换为计算机准确识别的特征信息；在实际应用过程中，通过排列上述所有轨迹点实现对这些轨迹点的描述子进行排序。

步骤S103、利用所述运动轨迹的描述子序列，确定所述运动轨迹的运动类型，以完成运动识别。

依据运动轨迹的描述子序列，也就是上述排列后的所有轨迹点的特征信息，在对运动轨迹进行识别的过程中，会用到含有多条已知运动类型的运动轨迹的F-IGS描述子的数据库，至于具体的实现方法，参照下文相应的说明。

以上本发明提供的运动识别方法及系统中，在运动轨迹上获取N个轨迹点，确定每个轨迹点的描述子，该描述子包括运动类别和尺度等级；通过排列上述所有轨迹点实现对这些轨迹点的描述子进行排序，得到上述运动轨迹的描述子序列；利用这个运动轨迹的描述子序列，确定该运动轨迹的运动类型，进而完成运动识别，有效利用了运动轨迹的特征信息，即运动类别和尺度等级，进而提高识别精度和准确率的目的。

参考图2，图2为本发明一种运动识别方法实施例2的流程图，步骤S101中、确定每个所述轨迹点的运动类别的具体过程可以包括：

步骤S200、获取所述轨迹点的签名描述子参数；

轨迹点的签名描述子参数可以包括曲率、扭矩，还可以包括曲率导数和扭矩导数，可以是上述参数中的任意组合，当然也并不局限于哪一种，只要能够区分出每个轨迹点的运动类别，进而得到整个轨迹的运动类型就都可以采用；

其中，曲率导数为曲率的一阶导数，扭矩导数为扭矩的一阶导数；曲率在数学上表明曲线在某一点的弯曲程度的数值，曲率越大，表示曲线的弯曲程度越大。扭矩在数学上表明弧面在某一点的弯曲程度的数值，扭矩越大，表示弧面的弯曲程度越大。

步骤S201、参考预设分类标准，比较签名描述子参数与预设值的大小，确定所述轨迹点的运动类别。

本发明中，优选的，当所述签名描述子参数包括曲率和扭矩时，上述确定所述轨迹点的运动类别的具体过程包括：参考预设分类标准，分别比较所述曲率和扭矩与数值零的大小，确定所述轨迹点的运动类别。

在实际应用中，计算每个轨迹点的曲率和扭矩，将曲率和扭矩这两个参数组成该轨迹点的签名描述子，也就是说本实施例采用曲率和扭矩来区分出每个轨迹点的运动类别，具体地，参照下表中轨迹点的曲率、扭矩与四个运动类别之间的关系表进行区分；

表中，A类为代表直线、B类代表曲线、C类代表左手螺旋弧面、D类代表右手螺旋弧面，“/”表示不存在该项内容；

由上述内容可知，每个运动类别的曲率和扭矩的具体数值是不一致的，所以通过判断每个轨迹点的这两个参数与零的大小关系，可以准确得到轨迹点的运动类别，具体的：

当两个参数都为零时，则判定轨迹点为A类；

当曲率不为零、扭矩为零时，则判定轨迹点为B类；

当曲率不为零、扭矩小于零时，则判定轨迹点为C类；

当曲率不为零、扭矩大于零时，则判定轨迹点为D类；

依据上述判定规则可以准确得出每个轨迹点的运动类别。

以上本实施例中提供的确定每个所述轨迹点的运动类别的方法，便于本领域技术人员理解本发明的技术方案。

参考图3，示出了本发明一种运动识别方法实施例3的流程图，步骤S101中、确定每个所述轨迹点的尺度等级信息的具体过程可以包括如下步骤：

步骤S300、获取所述轨迹点的尺度测算值；

对于不同运动类别的轨迹点，计算尺度测算值的方法有所不同：

B类：将曲率与曲率导数的平方和的平方根，作为B类中的每个轨迹点的尺度测算值，并由尺度测算值对每个轨迹点进行尺度等级划分，得到轨迹点的尺度等级信息；由于B类为曲线，曲线只有曲率没有扭矩，所以采用曲率和曲率导数来计算尺度信息，曲率和曲率导数都是代表曲线弯曲程度的参数，所以尺度信息能够表示该轨迹点的弯曲程度；

C类和D类：将扭矩与扭矩导数的平方和的平方根，作为C类和D类中每个轨迹点的尺度测算值，并由尺度测算值对每个轨迹点进行尺度等级划分，得到轨迹点的尺度等级信息；C类和D类中对扭矩和扭矩导数计算尺度信息，扭矩能够准确代表弧面的弯曲程度，所以得到的尺度信息能够准确反应弧面的弯曲程度；

A类：按上述两种方式之一进行计算，获得A类中每个轨迹点的尺度测算值；由于A类对应的参数都为零，所以既可以采用B类的计算方式，也可以采用C类和D类的计算方式，不论采用哪一种计算方式得出的尺度测算值都为零。

步骤S301、参考预设尺度划分标准，确定所述尺度测算值的等级；

步骤S302、依据所述尺度测算值的等级，确定所述轨迹点的尺度等级信息。

以上本实施例中提供的确定每个所述轨迹点的尺度等级信息的方法，便于本领域技术人员理解本发明的技术方案。

参考图4，示出了本发明一种运动识别方法实施例4的流程图，步骤S102、对N个所述轨迹点的描述子进行排序，得到所述运动轨迹的描述子序列，具体包括如下步骤：

步骤S400、检测每个所述轨迹点的位置信息，比较各个所述轨迹点的描述子，确定位置连续且具有相同描述子的轨迹点；

步骤S401、分别排列所述位置连续且具有相同描述子的轨迹点，得到多个副轨迹原子；

步骤S402、排列所有副轨迹原子，得到所述运动轨迹，所述运动轨迹的描述子序列为排列后的所有副轨迹原子的描述子序列。

上述方法中，将连续的具有相同F-IGS描述子的轨迹点依次组合成为副轨迹原子，其F-IGS描述子与它所包含的轨迹点相同；将副轨迹原子生成的序列作为所述3D运动轨迹的F-IGS描述子，即整个运动轨迹的特征信息。

参考图5，示出了本发明一种运动识别方法实施例5的流程图，优选的，上述步骤S401得到多个副轨迹原子之后，还包括：

步骤S500、检测每个所述副轨迹原子的位置信息，比较各个所述副轨迹原子的描述子序列，获取位置连续且具有相同描述子序列的副轨迹原子；

步骤S501、分别排列所述位置连续且具有相同描述子的副轨迹原子，得到多个轨迹原子；

步骤S502、排列所有轨迹原子，得到所述运动轨迹，所述运动轨迹的描述子序列为排列后的所有轨迹原子的描述子序列。

参考图6，示出了本发明一种运动识别方法实施例6的流程图，步骤S103、利用所述运动轨迹的描述子序列，确定所述运动轨迹的运动类型的具体过程可以包括如下内容：

步骤S600、将所述运动轨迹的描述子序列代入多个高斯混合模型，每个所述高斯混合模型对应一个运动类型；

本发明中，在使用高斯混合模型来计算运动轨迹出现的概率之前，还需要先确定这个高斯混合模型中的相关参数，具体的：利用期望最大化算法确定所述高斯混合模型的相关参数。

步骤S601、计算所述运动轨迹在每个所述高斯混合模型中出现的概率；

本发明中，利用贝叶斯公式计算所述运动轨迹在每个所述高斯混合模型中出现的概率。

步骤S602、确定所述概率最大的高斯混合模型对应的运动类型为所述运动轨迹的运动类型。

以上本方法中，依据特征信息，即描述子序列，对运动轨迹进行分类识别，对含有多条已知运动类型的3D运动轨迹F-IGS描述子的数据库按照已知的运动类型分别建立高斯混合模型；对于待匹配的指定3D运动轨迹，分别计算在各个模型下出现该轨迹F-IGS描述子的概率，获取概率最大的运动类型，赋予待分类的3D运动轨迹，从而完成运动识别；

其中，数据库中预先存储有多个描述子，还有与多个描述子对应的运动类型，例如：直行、左拐弯、右拐弯、上楼梯等等。

与本发明一种运动识别方法实施例1相对应，本发明还提供了一种运动识别系统实施例1，参考图7，该运动识别系统700具体包括：

轨迹点确定单元701，用于确定运动轨迹上的N个轨迹点；

描述子确定单元702，用于确定每个所述轨迹点的描述子，该描述子包括运动类型和尺度等级信息；

运动轨迹描述子确定单元703，用于对N个所述轨迹点的描述子进行排序，得到所述运动轨迹的描述子序列；

运动类型确定单元704，用于利用所述运动轨迹的描述子序列，确定所述运动轨迹的运动类型，以完成运动识别。

为了方便本领域技术人员更好地理解本发明提供的技术方案，基于以上各实施例所公开的技术方案，针对实际应用过程，本发明提供一种运动识别方法实施例7，包括：

步骤S800、计算出运动轨迹上各点的曲率k和扭矩τ；

步骤S801、求取每个轨迹点曲率和扭矩参数对于弧长的一阶导数k_s和τ_s；

一个3D运动轨迹的表示方式为：

Γ(t)＝{X(t),Y(t),Z(t)|t∈[1,N]}

其中，Γ代表运动轨迹，t是每帧图像的时间，N代表轨迹的长度即最后一针图像的时间，其中N为自然数；需要说明的是，这里的N也就是轨迹点的数量；

为了能够高效地对复杂轨迹进行表示，引入签名描述子代替轨迹点的原始表示方式：

S＝{k(t),k_s(t),τ(t),τ_s(t)|t∈[1,N]}

签名描述子中的四个参数分别为：曲率k，扭矩τ，和它们关于弧长s的一阶导数k_s和τ_s。签名描述子中的参数可以用来为3D运动识别提供帮助，但因为其冗余信息过多，不能满足直接对整体轨迹进行高效描述的要求。

步骤S802、依次考察组成各点签名描述子的参数的取值；

按照曲率k、扭矩τ与0的大小关系，依上文关系表将轨迹点分为A、B、C、D四类。

步骤S803、对所有B类的轨迹点按照一定规则求取其尺度测算值MP(B)，并按一定规则进行该点的尺度等级划分；

对所有C类或D类的轨迹点按照一定规则求取其尺度测算值MP(C)、MP(D)，并按一定规则进行该点的尺度等级划分；

单纯使用步骤S802的分类方法来表示轨迹，会造成不同类型的运动轨迹具有相同的标题，导致匹配精度的下降。为了弥补这一缺点，我们引入辅助信息，用以区别开具有同种类别的轨迹原子；

我们根据各轨迹点的签名描述子参数为每个轨迹点划分等级，作为其尺度。其中，四种类别的点的等级划分方式也有所区别。因为A类是直线段，各点的尺度相同，故无需求取。B、C、D类的求取方法如下：

这里的λ是一个我们可以根据应用需要调节的参数，它通常与轨迹的复杂程度成正比。本方法中我们使用给定数据库每条轨迹中轨迹点的签名描述子参数k_s的零点个数的平均值作为λ；

我们根据对轨迹中各点的尺度测算值MP分类别从小到大进行尺度等级划分，将B类点划分为S_B个尺度等级，将C类点划分为S_C个尺度等级，将D类点划分为S_D个尺度等级；其中，S_B，S_C，S_D的具体数值可由识别几条随机轨迹，并考察其准确性的实验求得，通常为2～4；

得到每个轨迹点的尺度等级之后，该点的运动类别与尺度等级共同构成该点的F-IGS描述子，即：A类轨迹点的F-IGS描述子为A；B类轨迹点的F-IGS描述子为C类轨迹点的F-IGS描述子为D类轨迹点的F-IGS描述子为

步骤S804、考察相邻轨迹点的F-IGS描述子，我们将连续的具有相同F-IGS描述子的点组合成为一个副轨迹原子(sub-primitive)，并将轨迹点的F-IGS描述子赋予该副轨迹原子，作为它的F-IGS描述子，即副轨迹原子也具有了自己的运动类别和尺度等级；

考察位置连续的副轨迹原子的类别，将同类的连续副轨迹原子构成一个轨迹原子(primitive)，则运动轨迹可由若干轨迹原子组成。

当一系列连续的轨迹点具有相同的类别时，他们必然具有相同的形状特征，我们就将这些点所在的轨迹段用一个轨迹原子来表示。这样的操作方法就使得一个轨迹原子中含有若干个副轨迹原子；这种表示方法相较于原始的用点来表示整个运动轨迹的方法更为简单，计算成本更小。

设，运动轨迹具有h段的轨迹原子表示方式如下：

Γ＝{Prim(1),Prim(2),...,Prim(i),...,Prim(h)}

Prim(i)＝{SP(i,1),...,SP(i,j),...,SP(i,m_i)}

SP(i,j)＝{p(n_i,j),...,p(n_i,j+k),...,p(n_i,j+s_i,j-1)}

整体轨迹Γ由轨迹原子Prim(i)的序列表示，而轨迹原子又由一系列副轨迹原子组成，这里SP(i,j)代表组成第i个轨迹原子的第j个副轨迹原子，m_i代表第i个轨迹原子中副轨迹原子的个数；而p(n_i,j)是副轨迹原子SP(i,j)中的第一个轨迹点，n_i,j代表该点在整个轨迹中的顺序，s_i,j则表示该副轨迹原子中轨迹点的个数。

步骤S805、运动轨迹被轨迹原子自然分成若干段，每段对应一个轨迹原子；将各个轨迹原子中的各副轨迹原子的F-IGS描述子按顺序排列成一个序列即构成该轨迹原子的F-IGS描述子；将各轨迹原子的F-IGS描述子按顺序排列成一个序列，以该序列作为整体运动轨迹的F-IGS描述子，相当于将轨迹中所有的副轨迹原子的F-IGS描述子按顺序排成一个序列，即为这条轨迹的F-IGS描述子，也叫这条轨迹的标题；

根据以上内容，一条完整的运动轨迹可以由若干个带有F-IGS描述子的副轨迹原子序列表示出来，其中既包含了分类信息标签ABCD，也包含了尺度数字1、2、…K，其中，K为自然数。

步骤S807、为了方便使用高斯混合模型进行轨迹类别的学习，我们将副轨迹原子SP(i,j)按照轨迹的生成顺序重新组织成如下形式：

{SP(s)|s∈[1,N_SP]}

其中，N_SP表示给定轨迹中副轨迹原子的个数；

同时，副轨迹原子所含的信息表示成如下形式：

X＝{T(s),L(s)|s∈[1,N_SP]}

T(s)＝n_i,j+(s_i,j-1)/2

其中，T为时间变量，L为副轨迹原子的标签，在这里，我们通常将不同的F-IGS描述子转换为不同的自然数，赋给相应的副轨迹原子，作为标签L；例如，某轨迹中的全部副轨迹原子所包含的F-IGS描述子有如下几种：A,B₁,B₂,B₃,C₁,C₂,C₃,D₁,D₂,D₃，则相应的标签为1、2、3、4、5、6、7、8、9及10；

为了方便高斯混合模型的建造，我们需要对用于建造模型的，含有M个轨迹样本的运动类型C，中的各条轨迹的时间变量进行归一化处理，使其具有相同的长度，即在同样的时间范围内，该范围由待处理轨迹中所有的副轨迹原子的时间变量最小值T_low＝1和最大值确定；

X_C的概率密度函数可由如下形式的高斯混合模型估计：

式中，K是高斯混合模型中组件的个数，ω_k是各组件在混合模型中所占的权重，有N(X_C；μ_k,∑_k)则表示均值为μ_k和协方差为∑_k的高斯函数。

步骤S808、我们使用期望最大化算法(EM算法)来估计上述高斯混合模型的相关参数其中，期望最大化算法通过迭代步骤S8081和步骤S8082来实现如下似然函数的最大化：

在进行步骤S8081和步骤S8082之前，我们需要对高斯混合模型的参数进行初始化。其中组建个数模型各参数初始值使用待处理轨迹中标题最长的轨迹X_m*的高斯分布参数；权重初始值其中m*＝argmax{N_SP(m)}；

步骤S8081、估计每个标题样本X_C,m由各个组件构成的概率：

步骤S8082、更新模型参数

其中，上标(0)和(1)表示迭代进行的顺序，重复进行步骤S8081和步骤S8082直至L(G_C)收敛，此时得到的高斯混合模型参数就是我们要求的。

步骤S809、根据步骤S808所述方法，对数据库中的数据进行预分类，得到R中运动类别对应的R个高斯混合模型我们利用这些模型和贝叶斯理论对指定的轨迹进行识别，即判断它属于R个聚类中的哪一个：

log P(G_r|X_q)＝log P(X_q|G_r)+log P(G_r)-log P(X_q)

其中，X_q表示轨迹的标题，P(X_q|G_r)可由步骤S808得到，先验概率P(G_r)则可由数据库的类型分布得到。P(G_r|X_q)则帮助我们判别X_q属于R种运动类别中的哪一类；

即X_q属于使得log P(G_r|X_q)取值最大的那一个G_m：

G_m＝arg max{log P(G_r|X_q)}(r＝1:R)

由以上技术方案可以看出，本发明提供的F-IGS算法的复杂3D运动识别方法在运动轨迹匹配和识别中，可以对运动轨迹进行特征的提取和有效表示，能有效地去除轨迹点中的冗余信息，提高了识别的准确率和效率，实现复杂3D运动的准确识别。

本发明所公开的技术方案，如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算设备可读取存储介质中。基于这样的理解，本发明实施例对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该软件产品存储在一个存储介质中，包括若干指令用以使得一台计算设备(可以是个人计算机，服务器，移动计算设备或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。

其中，上述存储介质可以包括：U盘、移动硬盘、只读存储器(ROM，Read-OnlyMemory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。

需要说明的是，本说明书中的各个实施例均采用递进的方式描述，每个实施例重点说明的都是与其它实施例的不同之处，各个实施例之间相同相似的部分互相参见即可。对于系统类实施例而言，由于其与方法实施例基本相似，所以描述得比较简单，相关之处参见方法实施例的部分说明即可。

以上对本发明所提供的运动识别方法及系统进行了详细介绍。本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以对本发明进行若干改进和修饰，这些改进和修饰也落入本发明权利要求的保护范围内。

Claims (8)

1.一种运动识别方法，其特征在于，包括：

获取运动轨迹上的N个轨迹点；

获取所述轨迹点的尺度测算值；

参考预设尺度划分标准，确定所述尺度测算值的等级；

依据所述尺度测算值的等级，确定所述轨迹点的尺度等级；

依据所述尺度等级确定每个所述轨迹点的描述子，该描述子包括运动类别和尺度等级；

检测每个所述轨迹点的位置信息，比较各个所述轨迹点的描述子，确定位置连续且具有相同描述子的轨迹点；

分别排列所述位置连续且具有相同描述子的轨迹点，得到多个副轨迹原子；

排列所有副轨迹原子，得到所述运动轨迹，所述运动轨迹的描述子序列为排列后的所有副轨迹原子的描述子序列；

利用所述运动轨迹的描述子序列，确定所述运动轨迹的运动类型，以完成运动识别。

2.如权利要求1所述的运动识别方法，其特征在于，通过以下步骤确定每个所述轨迹点的运动类别：

获取所述轨迹点的签名描述子参数；

参考预设分类标准，比较签名描述子参数与预设值的大小，确定所述轨迹点的运动类别。

3.如权利要求2所述的运动识别方法，其特征在于，当所述签名描述子参数包括曲率和扭矩时，通过以下步骤确定所述轨迹点的运动类别：

参考预设分类标准，分别比较所述曲率和扭矩与数值零的大小，确定所述轨迹点的运动类别。

4.如权利要求1所述的运动识别方法，其特征在于，得到多个副轨迹原子之后，还包括：

检测每个所述副轨迹原子的位置信息，比较各个所述副轨迹原子的描述子序列，获取位置连续且具有相同描述子序列的副轨迹原子；

分别排列所述位置连续且具有相同描述子的副轨迹原子，得到多个轨迹原子；

排列所有轨迹原子，得到所述运动轨迹，所述运动轨迹的描述子序列为排列后的所有轨迹原子的描述子序列。

5.如权利要求1所述的运动识别方法，其特征在于，通过以下步骤利用所述运动轨迹的描述子序列，确定所述运动轨迹的运动类型：

将所述运动轨迹的描述子序列代入多个高斯混合模型，每个所述高斯混合模型对应一个运动类型；

计算所述运动轨迹在每个所述高斯混合模型中出现的概率；

确定所述概率最大的高斯混合模型对应的运动类型为所述运动轨迹的运动类型。

6.如权利要求5所述的运动识别方法，其特征在于，还包括：

利用期望最大化算法确定所述高斯混合模型的相关参数。

7.如权利要求5所述的运动识别方法，其特征在于，利用贝叶斯公式计算所述运动轨迹在每个所述高斯混合模型中出现的概率。

8.一种运动识别系统，其特征在于，包括：

轨迹点获取单元，用于获取运动轨迹上的N个轨迹点；

描述子确定单元，用于确定每个所述轨迹点的描述子，该描述子包括运动类别和尺度等级；

运动轨迹描述子确定单元，用于检测每个所述轨迹点的位置信息，比较各个所述轨迹点的描述子，确定位置连续且具有相同描述子的轨迹点；分别排列所述位置连续且具有相同描述子的轨迹点，得到多个副轨迹原子；排列所有副轨迹原子，得到所述运动轨迹，所述运动轨迹的描述子序列为排列后的所有副轨迹原子的描述子序列；

运动类型确定单元，用于利用所述运动轨迹的描述子序列，确定所述运动轨迹的运动类型，以完成运动识别。