CN105975989A - 一种基于九轴运动传感器的肘部运动状态识别方法 - Google Patents
一种基于九轴运动传感器的肘部运动状态识别方法 Download PDFInfo
- Publication number
- CN105975989A CN105975989A CN201610304812.4A CN201610304812A CN105975989A CN 105975989 A CN105975989 A CN 105975989A CN 201610304812 A CN201610304812 A CN 201610304812A CN 105975989 A CN105975989 A CN 105975989A
- Authority
- CN
- China
- Prior art keywords
- attitude
- elbow
- noise factor
- athletic posture
- overbar
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/20—Movements or behaviour, e.g. gesture recognition
- G06V40/28—Recognition of hand or arm movements, e.g. recognition of deaf sign language
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/245—Classification techniques relating to the decision surface
- G06F18/2451—Classification techniques relating to the decision surface linear, e.g. hyperplane
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Psychiatry (AREA)
- Social Psychology (AREA)
- Human Computer Interaction (AREA)
- Multimedia (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
本发明公开了一种基于九轴运动传感器的肘部运动状态识别方法,在采集肘部姿态信息后,首先利用改进的姿态解算算法解算出姿态角并提取其中的横摇角代表运动状态,然后利用基于动态矩形框的最小点数据分割算法对横摇角数据进行分割并提取特征信息,通过判断特征信息中的方差是否大于30来确定肘部是静止还是运动状态。若为静止则识别出肘部运动状态为静止,若为运动状态则继续处理肘部特征信息,利用一种基于线性分类器的运动分类模型来识别人体肘部运动状态。本发明通过对基于四维空间的姿态解算算法中的噪声因子加权解决了振动干扰的问题,提高了肘部运动状态的识别率。
Description
技术领域
本发明涉及一种基于九轴运动传感器的肘部运动状态识别方法,属于信号融合与姿态解算方法。
背景技术
随着计算机的普及与虚拟游戏的发展,人机交互的课题逐渐成为计算机技术的一项新热点,人体运动状态检测技术和运动状态识别研究愈发受到重视。其中肘部运动状态识别具有广泛的应用前景,在医疗监护、虚拟游戏和动画制作等研究领域具有积极意义。
传统的姿态检测技术是基于多视角合成装置的视频检测技术实现的。该技术需要强大的硬件处理能力、复杂的软件识别算法,实时性较差且受空间环境的制约。已有的基于三轴陀螺仪的四元数姿态解算算法存在误差积累的缺点。利用加速度传感器与磁力计,则易收到周围磁环境的影响且动态性能差。这些问题对肘部运动状态识别带来了不利影响,限制了肘部姿态识别的正确率。
发明内容
发明目的:为了克服现有技术中存在的不足,本发明提供一种基于九轴运动传感器的肘部运动状态识别方法,能够有效降低姿态测量中的振动干扰,提取出准确的姿态角,提高姿态的识别率。
技术方案:为实现上述目的,本发明采用的技术方案为:
一种基于九轴运动传感器的肘部运动状态识别方法,包括如下步骤:
(1)利用九轴运动传感器检测用户肘部的运动姿态,并记录该姿态从开始到完成的整个过程中的加速度、角速率和磁场强度数据;
(2)利用改进基于四维空间的姿态解算算法对步骤(1)记录的数据进行解算,得到肘部运动时的姿态角,所述改进基于四维空间的姿态解算算法是对基于四维空间的姿态解算算法中使用到的噪声因子进行实时加权处理,以克服运动过程中扰动加速度对姿态识别的影响;
(3)由于横摇角能很好地代表运动状态,因此提取姿态角中的横摇角,采用基于动态矩形框的最小点数据分割算法对横摇角进行截取,得到截取数据;
(4)计算截取数据的方差σ2,作为截取数据的特征信息:
其中:N为截取数据包含的样本点总数,Xi为截取数据中的第i个样本点,为截取数据中所有样本点的平均值;
(5)判断σ2≥30是否成立:若成立,则判断运动姿态为静止,忽略本次运动姿态;否则,对截取数据进行如下计算并保存为本次运动姿态的样本:
(6)对不同种类的运动姿态重复步骤(3)~(7),得到不同种类运动姿态的样本;
(7)采用基于线性分类器的运动分类模型对所有样本进行建模和参数训练,得到腿部运动模式识别器。
具体的,所述步骤(2)中,对基于四维空间的姿态解算算法中使用到的噪声因子进行实时加权处理,具体为:
(21)对九轴运动传感器输出的三维加速度向量的模|Macc|进行滑动平均处理:
其中:为k时刻滑动平均处理的结果,|Macc|i表示i时刻的|Macc|,l为滑动平均窗口的宽度;
(22)根据修正噪声因子:
其中:Qk为加权后k时刻的噪声因子矩阵,g为重力加速度,Qh为最大噪声因子矩阵,Ql为最小噪声因子矩阵,ΔS为置信间距;Qk越大表示系统的观测噪声越大。
具体的,所述步骤(3)中,基于动态矩形框的最小点数据分割算法,具体为:
建立两个动态矩形框,第一动态矩形框用于截取出一段原始数据组成样本库,第二动态矩形框用于定位满足局部最小值的样本点在样本库中的位置;第一滑动窗口的长度为N1,第二滑动窗口的长度为N2,N1>N2且N2为奇数;从第二滑动窗口对局部最小样本点的定位规则如下:
①第二动态矩形框从第一动态矩形框的右侧开始向第一动态矩形框的左侧移动,即优先处理新数据;
②若第二动态矩形框最中间位置的样本点数据,小于第二动态矩形框内前半段的所有样本点,且大于第二动态矩形框内后半段的所有样本点,则对该最中间位置的样本点进行定位;
③最先通过第二动态矩形框成功定位的两个样本点之间的数据段即为最终的截取数据。
有益效果:本发明提供的基于九轴运动传感器的肘部运动状态识别方法,相对于传统现有技术,解决了传统方法中的误差积累,动态性差的问题,能够有效提取肘部姿态信息,姿态解算算法具有高稳定性,抗干扰性,提高了运动状态的识别率。
附图说明
图1为本发明的实施流程图。
具体实施方式
下面结合附图对本发明作更进一步的说明。
如图1所示为一种基于九轴运动传感器的肘部运动状态识别方法,包括如下步骤:
(1)利用九轴运动传感器检测用户肘部的运动姿态,并记录该姿态从开始到完成的整个过程中的加速度、角速率和磁场强度数据。
(2)利用改进基于四维空间的姿态解算算法对步骤(1)记录的数据进行解算,得到肘部运动时的姿态角,所述改进基于四维空间的姿态解算算法是对基于四维空间的姿态解算算法中使用到的噪声因子进行实时加权处理,以克服运动过程中扰动加速度对姿态识别的影响。
对基于四维空间的姿态解算算法中使用到的噪声因子进行实时加权处理,具体为:
(21)对九轴运动传感器输出的三维加速度向量的模|Macc|进行滑动平均处理:
其中:为k时刻滑动平均处理的结果,|Macc|i表示i时刻的|Macc|,l为滑动平均窗口的宽度;
(22)根据修正噪声因子:
其中:Qk为加权后k时刻的噪声因子矩阵,g为重力加速度,Qh为最大噪声因子矩阵,Ql为最小噪声因子矩阵,ΔS为置信间距;Qk越大表示系统的观测噪声越大。
(3)由于横摇角能很好地代表运动状态,因此提取姿态角中的横摇角,采用基于动态矩形框的最小点数据分割算法对横摇角进行截取,得到截取数据。
基于动态矩形框的最小点数据分割算法,具体为:
建立两个动态矩形框,第一动态矩形框用于截取出一段原始数据组成样本库,第二动态矩形框用于定位满足局部最小值的样本点在样本库中的位置;第一滑动窗口的长度为N1,第二滑动窗口的长度为N2,N1>N2且N2为奇数;从第二滑动窗口对局部最小样本点的定位规则如下:
①第二动态矩形框从第一动态矩形框的右侧开始向第一动态矩形框的左侧移动,即优先处理新数据;
②若第二动态矩形框最中间位置的样本点数据,小于第二动态矩形框内前半段的所有样本点,且大于第二动态矩形框内后半段的所有样本点,则对该最中间位置的样本点进行定位;
③最先通过第二动态矩形框成功定位的两个样本点之间的数据段即为最终的截取数据。
(4)计算截取数据的方差σ2,作为截取数据的特征信息:
其中:N为截取数据包含的样本点总数,Xi为截取数据中的第i个样本点,为截取数据中所有样本点的平均值。
(5)判断σ2≥30是否成立:若成立,则判断运动姿态为静止,忽略本次运动姿态;否则,对截取数据进行如下计算并保存为本次运动姿态的样本:
(6)对不同种类的运动姿态重复步骤(3)~(7),得到不同种类运动姿态的样本。
(7)采用基于线性分类器的运动分类模型对所有样本进行建模和参数训练,得到腿部运动模式识别器。
(8)对新的运动姿态进行检测:按照步骤(1)检测该运动姿态从开始到完成的整个过程中的加速度、角速率和磁场强度数据;然后根据步骤(2)~(5)得到该运动姿态的整体特征描述;最后将得到的整体特征描述输入步骤(7)得到的腿部运动模式识别器中,即可对该运动姿态进行识别。
以上所述仅是本发明的优选实施方式,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,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (2)
1.一种基于九轴运动传感器的肘部运动状态识别方法,其特征在于:包括如下步骤:
(1)利用九轴运动传感器检测用户肘部的运动姿态,并记录该姿态从开始到完成的整个过程中的加速度、角速率和磁场强度数据;
(2)利用改进基于四维空间的姿态解算算法对步骤(1)记录的数据进行解算,得到肘部运动时的姿态角,所述改进基于四维空间的姿态解算算法是对基于四维空间的姿态解算算法中使用到的噪声因子进行实时加权处理,以克服运动过程中扰动加速度对姿态识别的影响;
(3)提取姿态角中的横摇角,采用基于动态矩形框的最小点数据分割算法对横摇角进行截取,得到截取数据;
(4)计算截取数据的方差σ2,作为截取数据的特征信息:
其中:N为截取数据包含的样本点总数,Xi为截取数据中的第i个样本点,为截取数据中所有样本点的平均值;
(5)判断σ2≥30是否成立:若成立,则判断运动姿态为静止,忽略本次运动姿态;否则,对截取数据进行如下计算并保存为本次运动姿态的样本:
(6)对不同种类的运动姿态重复步骤(3)~(7),得到不同种类运动姿态的样本;
(7)采用基于线性分类器的运动分类模型对所有样本进行建模和参数训练,得到腿部运动模式识别器。
2.根据权利要求1所述的基于九轴运动传感器的肘部运动状态识别方法,其特征在于:所述步骤(2)中,对基于四维空间的姿态解算算法中使用到的噪声因子进行实时加权处理,具体为:
(21)对九轴运动传感器输出的三维加速度向量的模|Macc|进行滑动平均处理:
其中:为k时刻滑动平均处理的结果,|Macc|i表示i时刻的|Macc|,l为滑动平均窗口的宽度;
(22)根据修正噪声因子:
其中:Qk为加权后k时刻的噪声因子矩阵,g为重力加速度,Qh为最大噪声因子矩阵,Ql为最小噪声因子矩阵,ΔS为置信间距。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610304812.4A CN105975989B (zh) | 2016-05-10 | 2016-05-10 | 一种基于九轴运动传感器的肘部运动状态识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610304812.4A CN105975989B (zh) | 2016-05-10 | 2016-05-10 | 一种基于九轴运动传感器的肘部运动状态识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105975989A true CN105975989A (zh) | 2016-09-28 |
CN105975989B CN105975989B (zh) | 2019-03-19 |
Family
ID=56991516
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610304812.4A Active CN105975989B (zh) | 2016-05-10 | 2016-05-10 | 一种基于九轴运动传感器的肘部运动状态识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105975989B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107978135A (zh) * | 2017-12-25 | 2018-05-01 | 华南理工大学广州学院 | 一种坐姿矫正控制装置及方法 |
CN108307050A (zh) * | 2018-01-18 | 2018-07-20 | 大连理工大学 | 一种基于智能手机传感器的建筑工人动作识别集成方法 |
CN110705496A (zh) * | 2019-10-11 | 2020-01-17 | 成都乐动信息技术有限公司 | 一种基于九轴传感器的游泳姿势识别方法 |
CN111248922A (zh) * | 2020-02-11 | 2020-06-09 | 中国科学院半导体研究所 | 基于加速度计和陀螺仪的人体呼吸情况采集贴及制备方法 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN201293647Y (zh) * | 2008-12-02 | 2009-08-19 | 西安中星测控有限公司 | 无磁场计航姿解算系统 |
CN101915580A (zh) * | 2010-07-14 | 2010-12-15 | 中国科学院自动化研究所 | 一种基于微惯性和地磁技术的自适应三维姿态定位方法 |
CN104461013A (zh) * | 2014-12-25 | 2015-03-25 | 中国科学院合肥物质科学研究院 | 一种基于惯性传感单元的人体动作重构与分析系统及方法 |
CN104517097A (zh) * | 2014-09-24 | 2015-04-15 | 浙江大学 | 一种基于kinect的运动人体姿态识别方法 |
CN104635251A (zh) * | 2013-11-08 | 2015-05-20 | 中国地质大学(北京) | 一种ins/gps组合定位定姿新方法 |
US20150160010A1 (en) * | 2013-12-09 | 2015-06-11 | Voltafield Technology Corp. | Magnetic Sensors and Electronic Compass Using the Same |
CN104764451A (zh) * | 2015-04-23 | 2015-07-08 | 北京理工大学 | 一种基于惯性和地磁传感器的目标姿态跟踪方法 |
CN105203098A (zh) * | 2015-10-13 | 2015-12-30 | 上海华测导航技术股份有限公司 | 基于九轴mems传感器的农业机械全姿态角更新方法 |
CN205066776U (zh) * | 2015-09-30 | 2016-03-02 | 张锐 | 一种基于数据融合的九轴姿态传感器 |
CN105486275A (zh) * | 2015-11-19 | 2016-04-13 | 中国兵器工业集团第二一四研究所苏州研发中心 | 一种基于9轴惯性测量单元的磁偏角计算方法 |
-
2016
- 2016-05-10 CN CN201610304812.4A patent/CN105975989B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN201293647Y (zh) * | 2008-12-02 | 2009-08-19 | 西安中星测控有限公司 | 无磁场计航姿解算系统 |
CN101915580A (zh) * | 2010-07-14 | 2010-12-15 | 中国科学院自动化研究所 | 一种基于微惯性和地磁技术的自适应三维姿态定位方法 |
CN104635251A (zh) * | 2013-11-08 | 2015-05-20 | 中国地质大学(北京) | 一种ins/gps组合定位定姿新方法 |
US20150160010A1 (en) * | 2013-12-09 | 2015-06-11 | Voltafield Technology Corp. | Magnetic Sensors and Electronic Compass Using the Same |
CN104517097A (zh) * | 2014-09-24 | 2015-04-15 | 浙江大学 | 一种基于kinect的运动人体姿态识别方法 |
CN104461013A (zh) * | 2014-12-25 | 2015-03-25 | 中国科学院合肥物质科学研究院 | 一种基于惯性传感单元的人体动作重构与分析系统及方法 |
CN104764451A (zh) * | 2015-04-23 | 2015-07-08 | 北京理工大学 | 一种基于惯性和地磁传感器的目标姿态跟踪方法 |
CN205066776U (zh) * | 2015-09-30 | 2016-03-02 | 张锐 | 一种基于数据融合的九轴姿态传感器 |
CN105203098A (zh) * | 2015-10-13 | 2015-12-30 | 上海华测导航技术股份有限公司 | 基于九轴mems传感器的农业机械全姿态角更新方法 |
CN105486275A (zh) * | 2015-11-19 | 2016-04-13 | 中国兵器工业集团第二一四研究所苏州研发中心 | 一种基于9轴惯性测量单元的磁偏角计算方法 |
Non-Patent Citations (3)
Title |
---|
ZHAO LIYE 等: "Application of the Sato blind deconvolution algorithm for correction of the gravimeter signal distortion", 《2013 THIRD INTERNATIONAL CONFERENCE ON INSTRUMENTATION, MEASUREMENT, COMPUTER, COMMUNICATION AND CONTROL》 * |
冯雷 等: "底混响空间相关函数方法估计载体姿态", 《升学学报》 * |
李彬 等: "六组合传感器的测量算法研究", 《测控技术》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107978135A (zh) * | 2017-12-25 | 2018-05-01 | 华南理工大学广州学院 | 一种坐姿矫正控制装置及方法 |
CN108307050A (zh) * | 2018-01-18 | 2018-07-20 | 大连理工大学 | 一种基于智能手机传感器的建筑工人动作识别集成方法 |
CN110705496A (zh) * | 2019-10-11 | 2020-01-17 | 成都乐动信息技术有限公司 | 一种基于九轴传感器的游泳姿势识别方法 |
CN110705496B (zh) * | 2019-10-11 | 2023-04-18 | 成都乐动信息技术有限公司 | 一种基于九轴传感器的游泳姿势识别方法 |
CN111248922A (zh) * | 2020-02-11 | 2020-06-09 | 中国科学院半导体研究所 | 基于加速度计和陀螺仪的人体呼吸情况采集贴及制备方法 |
CN111248922B (zh) * | 2020-02-11 | 2022-05-17 | 中国科学院半导体研究所 | 基于加速度计和陀螺仪的人体呼吸情况采集贴及制备方法 |
Also Published As
Publication number | Publication date |
---|---|
CN105975989B (zh) | 2019-03-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105488815B (zh) | 一种支持目标尺寸变化的实时对象跟踪方法 | |
US9098740B2 (en) | Apparatus, method, and medium detecting object pose | |
CN109631888B (zh) | 动作轨迹识别方法、装置、可穿戴设备及存储介质 | |
CN103514432A (zh) | 人脸特征提取方法、设备和计算机程序产品 | |
CN110232308B (zh) | 基于手部速度与轨迹分布的跟随机器人手势轨迹识别方法 | |
CN105975989B (zh) | 一种基于九轴运动传感器的肘部运动状态识别方法 | |
CN103680063B (zh) | 基于手机加速度计和陀螺仪的老年人异常情况判定方法 | |
WO2022188259A1 (zh) | 一种动态手势识别方法、手势交互方法及交互系统 | |
CN107657244A (zh) | 一种基于多摄像机的人体跌倒行为检测系统及其检测方法 | |
CN105138983B (zh) | 基于加权部件模型和选择性搜索分割的行人检测方法 | |
CN108629170A (zh) | 身份识别方法以及相应的装置、移动终端 | |
Yang et al. | Human posture recognition in intelligent healthcare | |
CN103426179A (zh) | 一种基于均值偏移多特征融合的目标跟踪方法及装置 | |
CN112861808B (zh) | 动态手势识别方法、装置、计算机设备及可读存储介质 | |
Hachaj et al. | Effectiveness comparison of Kinect and Kinect 2 for recognition of Oyama karate techniques | |
CN107463873A (zh) | 一种基于rgbd深度传感器的实时手势分析与评价方法与系统 | |
CN107092882A (zh) | 一种基于子动作感知的行为识别系统及其工作方法 | |
WO2019085060A1 (zh) | 一种机器人的挥手检测方法、系统及一种机器人 | |
CN110197501A (zh) | 图像处理方法和设备 | |
CN116343335A (zh) | 一种基于动作识别的运动姿态矫正方法 | |
CN107092869A (zh) | 一种视频卫星的点目标跟踪方法 | |
CN111241983A (zh) | 一种姿势检测方法、装置、系统、电子设备及存储介质 | |
Bi et al. | CSEar: Metalearning for Head Gesture Recognition Using Earphones in Internet of Healthcare Things | |
CN116092193A (zh) | 一种基于人体运动状态识别的行人航迹推算方法 | |
CN110929766A (zh) | 一种基于高斯混合聚类算法的自适应行人手机姿态识别方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |