CN106021926B - 一种人体动作序列的实时评价方法 - Google Patents
一种人体动作序列的实时评价方法 Download PDFInfo
- Publication number
- CN106021926B CN106021926B CN201610340949.5A CN201610340949A CN106021926B CN 106021926 B CN106021926 B CN 106021926B CN 201610340949 A CN201610340949 A CN 201610340949A CN 106021926 B CN106021926 B CN 106021926B
- Authority
- CN
- China
- Prior art keywords
- frame
- sequence
- wavelet
- distance
- function
- 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.)
- Expired - Fee Related
Links
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16Z—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS, NOT OTHERWISE PROVIDED FOR
- G16Z99/00—Subject matter not provided for in other main groups of this subclass
Landscapes
- Complex Calculations (AREA)
- Processing Or Creating Images (AREA)
Abstract
本发明涉及一种人体动作序列的实时评价方法,采用基于差分的插值小波对动作序列进行边界延拓以减少边界效应,再进行小波系数的计算得到关键帧,以关键帧描述动作的特征,然后采用DTW距离度量函数计算两个动作序列的距离,最后对该距离进行归一化,得到两个动作的相似度评分。本发明的有益效果是:利用区间插值小波减少边界效应,得到更准确的关键帧,进而实现更加准确的动作评价。
Description
技术领域
本发明涉及一种人体动作相似度评价计算,具体的涉及一种人体动作序列的实时评价方法,属于人体动作评价领域。
背景技术
为了进行动作相似度评价,需要提取能够充分表征动作的运动、时间、空间及形状信息的特征。Bobick和Davis提出采用运动能量图(Motion Energy Image,MEI)和运动历史图(Motion History Image,MHI)作为时空模板,并采用马氏距离度量模板之间的相似性。MEI基于时间轴叠加二值图像,采用叠加后的整体形状和位置情况对人体动作进行描述,其缺点是没有将运动过程中的时间顺序考虑在内。而MHI则针对每个像素建立了运动历史函数,体现了运动的时序特征。Hossein等采用关节之间的相对位置作为动作特征,基于最长公共子序列距离(LCSS)进行动作序列的相似度计算。现有的动作特征提取方法一般包含了全局时空信息,但忽略了局部运动块及其时空结构信息,而这样的运动块在时空三维上的分布构成了完整的动作。
为此,如何提供一种精确的人体动作序列实时评价方法,是本发明研究的目的。
发明内容
为克服现有技术的不足,本发明提供一种人体动作序列的实时评价方法,是从动作的运动特性出发,对人体中存在的运动区域进行分割,得到语义上易于理解的局部运动块,并对这些运动块的时空三维位置及运动方向进行特征表示,采用基于差分的区间插值小波提取关键帧对动作特征进行描述,本发明从运动特性出发,利用区间插值小波减少边界效应,得到更准确的关键帧,进而实现更加准确的动作评价。
为解决现有技术的问题,本发明所采用的技术方案是:
一种人体动作序列的实时评价方法,采用基于差分的插值小波对动作序列进行边界延拓以减少边界效应,再进行小波系数的计算得到关键帧,以关键帧描述动作的特征,然后采用DTW距离度量函数计算两个动作序列的距离,最后对该距离进行归一化,得到两个动作的相似度评分,其特征在于,包括以下步骤:
步骤一,将关节动作的时间序列数据表示为三维位置的时间序列数据,即三维轨迹,设f(x0),f(x1),f(x2),…,f(xN)表示其中某个关节的位置坐标在给定区间内边界附近多个点的函数值,则逼近函数的小波表达式为
其中为分段函数,即
N为边界上分布点的个数,L为小波函数的支撑区间,即suppφ=[-L,L];
将区间小波内积运算展开,表示如下:
当x=2j+1,2j+2,…,2j+N时,
因此,式1可以写为
其中
可以得到以下表达式:
基于差分的区间插值小波可表示为
步骤二,构造自适应插值算子,求解插值小波系数;设φ(x)为插值尺度基函数,定义尺度函数序列为
φj,k(x)=φ(2jx-k),k=0,1,2,…,2j
由此序列构成的L2(0,1)子空间序列为
根据φ(x)具有插值特性,φj,k(n2-j)=δn,k;由此可以给出插值算子Ij:C0(0,1)→Vj的定义为
对应尺度函数空间的小波函数空间定义为
Wj:=span<ψjk,k=0,1,2,…,2j-1>
其中
ψjk=φj+1,2k+1
令yjk=xj+1,2k+1,小波函数ψjk具有以下特性:
ψjk(yjn)=δkn
故,
Vj构成一多分辨率分析;
对于任意函数f∈C0(0,1),总可以找到一个足够大的j,使得fj(x)∈Vj充分逼近f(x),即
系数和αjk分别定义为αjk
αjk=f(yjk)-Ijf(yjk)
其中插值小波的插值算子的计算公式如下:
步骤三,采用DTW方法计算两个动作序列之间的距离,令输入动作序列为和其中P为参考动作序列,Q为对比动作序列,C1和C2分别为P和Q的帧数;参考动作序列P的第r帧为其中为第i个关节方向数据的四元数表示,将所有关节的方向数据级联得到pr,即该帧的特征向量;令对比动作序列Q的第r'帧为可得两帧之间的距离
循环计算路径距离γ(pi,qj),基于式(1)的帧间距离度量公式和DTW方法,直到动作序列P和Q完全匹配;每个最优匹配的前一个匹配只能为γ(pi-1,qj-1),、γ(pi-1,qj)和γ(pi,qj-1)其中一个,因此只需要选择其中最小的一个,加上当前距离即可得到路径的最小距离:
γ(pi,qj)=dist'(pi,qj)+min{γ(pi-1,qj-1),γ(pi-1,qj),γ(pi,qj-1)}
重复步骤三,直到i=C1且j=C2,得到规整路径W=w1,w2,…,wk,…,wK;创建长度C1的数组MapFrame,记录P中所有帧在Q中的唯一映射关系;遍历路径W,若P中存在与Q中关系为一对多的帧,则选择其中距离最小的一对匹配帧,将其映射关系存入MapFrame;若不存在,则直接将该匹配帧的映射关系存入MapFrame;
步骤四,计算关键帧之间的平均距离,并将其进行归一化,得到P和Q的相似度评分。
进一步的,在所述的步骤二中,求解出的所述αjk与动作序列中的帧直接对应,将αjk与动作序列中对应的帧视为关键帧。
本发明的有益效果是:利用区间插值小波减少边界效应,得到更准确的关键帧,进而实现更加准确的动作评价。
附图说明
图1为本发明的流程图。
图2为不同小波层之间配点关系图。
图3为本发明的动作匹配示意图。
具体实施方式
为了使本领域技术人员能更加理解本发明技术方案,下面结合附图1-3对本发明做进一步分析。
如图1所示,一种人体动作序列的实时评价方法,采用基于差分的插值小波对动作序列进行边界延拓以减少边界效应,再进行小波系数的计算得到关键帧,以关键帧描述动作的特征,然后采用DTW距离度量函数计算两个动作序列的距离,最后对该距离进行归一化,得到两个动作的相似度评分。所述方法包括以下步骤:
步骤一,人体动作序列是人体姿态的时间序列数据,而人体姿态可以由骨架结构近似表示,因此人体动作序列可以采用人体骨架结构中每个关节的时间序列数据表示。关节动作的时间序列数据可以简单的表示为三维位置的时间序列数据,即三维轨迹。设f(x0),f(x1),f(x2),…,f(xN)表示其中某个关节的位置坐标在给定区间内边界附近多个点的函数值,则逼近函数的小波表达式为
其中为分段函数,即
N为边界上分布点的个数,L为小波函数的支撑区间,即suppφ=[-L,L]。
将区间小波内积运算展开,表示如下:
常规的区间插值小波方法虽然能够保证函数的光滑性,但无法防止梯度的增大。运动数据可以看作空间中连续光滑的函数,因此,可以差分方法来代替导数以提高精度。
当x=2j+1,2j+2,…,2j+N时,
因此,式1可以写为
其中
可以得到以下表达式:
基于差分的区间插值小波可表示为
步骤二,构造自适应插值算子,求解插值小波系数。设φ(x)为插值尺度基函数,定义尺度函数序列为
φj,k(x)=φ(2jx-k),k=0,1,2,…,2j
由此序列构成的L2(0,1)子空间序列为
由于φ(x)具有插值特性,所以φj,k(n2-j)=δn,k。由此可以给出插值算子Ij:C0(0,1)→Vj的定义为
对应尺度函数空间的小波函数空间定义为
Wj:=span<ψjk,k=0,1,2,…,2j-1>
其中
ψjk=φj+1,2k+1
令yjk=xj+1,2k+1,容易看出,小波函数ψjk具有以下特性:
ψjk(yjn)=δkn
显然,
由此可见,Vj构成一多分辨率分析。
对于任意函数f∈C0(0,1),总可以找到一个足够大的j,使得fj(x)∈Vj充分逼近f(x),即
系数和αjk分别定义为αjk
αjk=f(yjk)-Ijf(yjk)
该式表明小波系数度量了经插值得到的yjk处的函数值和真实值之间的误差,不同小波层之间的配点关系如图2所示。其中插值小波的插值算子的计算公式如下:
由于插值小波具有插值特性,该步骤求解出的αjk与动作序列中的帧直接对应,本发明将αjk与动作序列中对应的帧视为关键帧。
步骤三,采用DTW方法计算两个动作序列之间的距离。令输入动作序列为和其中P为参考动作序列,Q为对比动作序列,C1和C2分别为P和Q的帧数。参考动作序列P的第r帧为其中为第i个关节方向数据的四元数表示,将所有关节的方向数据级联得到pr,即该帧的特征向量。令对比动作序列Q的第r'帧为可得两帧之间的距离
循环计算路径距离γ(pi,qj),基于式(1)的帧间距离度量公式和DTW方法,直到动作序列P和Q完全匹配。由于每个最优匹配的前一个匹配只能为γ(pi-1,qj-1),、γ(pi-1,qj)和γ(pi,qj-1)其中一个,因此只需要选择其中最小的一个,加上当前距离即可得到路径的最小距离:
γ(pi,qj)=dist'(pi,qj)+min{γ(pi-1,qj-1),γ(pi-1,qj),γ(pi,qj-1)}
重复步骤三,直到i=C1且j=C2,得到规整路径W=w1,w2,…,wk,…,wK。创建长度C1的数组MapFrame,记录P中所有帧在Q中的唯一映射关系。遍历路径W,若P中存在与Q中关系为一对多的帧,则选择其中距离最小的一对匹配帧,将其映射关系存入MapFrame;若不存在,则直接将该匹配帧的映射关系存入MapFrame。该步骤得到的动作匹配示意图如图3所示。
步骤四,基于步骤3的DTW动作匹配,计算两个动作序列的关键帧距离平均值
对D(P,Q)其进行归一化,得到动作序列P和Q相似度评分
实施例:本发明采用Florence3D-Action动作数据集中的两个“Stand up”进行动作相似度评价。
(1)将该动作以多个关节序列的方式进行表示:和
(2)采用基于差分的区间插值小波,对P进行周期延拓,并采用上一节步骤2的方法,求解小波系数,得到关键帧。
(3)计算P和Q的DTW匹配,并根据P的关键帧以及DTW匹配的结果,得到Q的关键帧,如步骤三所示。
(4)计算关键帧之间的平均距离,并将其进行归一化,得到P和Q的相似度评分,如步骤四所示。
本发明首先基于前后帧中动作块的变化,基于差分的区间插值小波对动作片段进行延拓,保证区间内外信号在边界处能光滑过度,从而使信号在边界处的小波变换系数降低,降低边界效应带来的误差,提高计算精度。由于插值小波具有插值特性,其小波系数与关键帧直接对应,作为最终动作描述符。区间插值小波是由区间内边界附近的离散点通过Lagrange插值公式插值得到区间外离散点的值,再利用延拓映射回区间,降低边界效应。插值小波系数与插值的关键帧相对于,在动作变化密集的区域将会增加配点,即增加关键帧数量。最后,计算两个动作序列的关键帧之间的距离DTW并将其归一化,作为最终的动作评分。
以上对本申请所提供的技术方案进行了详细介绍,本文中应用了实施例对本申请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申请的方法及其核心思想;同时,对于本领域的一般技术人员,依据本申请的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本申请的限制。
Claims (2)
1.一种人体动作序列的实时评价方法,其特征在于:采用基于差分的插值小波对动作序列进行边界延拓以减少边界效应,再进行小波系数的计算得到关键帧,以关键帧描述动作的特征,然后采用DTW距离度量函数计算两个动作序列的距离,最后对该距离进行归一化,得到两个动作的相似度评分;包括以下步骤:
步骤一,将关节动作的时间序列数据表示为三维位置的时间序列数据,即三维轨迹,设f(x0),f(x1),f(x2),…,f(xN)表示其中某个关节的位置坐标在给定区间内边界附近多个点的函数值,则逼近函数的小波表达式为
其中φ(x)为分段函数,即
N为边界上分布点的个数,L为小波函数的支撑区间,即suppφ=[-L,L];
将区间小波内积运算展开,表示如下:
当x=2j+1,2j+2,…,2j+N时,
因此,式1可以写为
其中
可以得到以下表达式:
基于差分的区间插值小波可表示为
步骤二,构造自适应插值算子,求解插值小波系数;设φ(x)为插值尺度基函数,定义尺度函数序列为
φj,k(x)=φ(2jx-k),k=0,1,2,…,2j
由此序列构成的L2(0,1)子空间序列为
根据φ(x)具有插值特性,φj,k(n2-j)=δn,k;由此可以给出插值算子Ij:C0(0,1)→Vj的定义为
对应尺度函数空间的小波函数空间定义为
Wj:=span<ψjk,k=0,1,2,…,2j-1>
其中
ψjk=φj+1,2k+1
令yjk=xj+1,2k+1,小波函数ψjk具有以下特性:
ψjk(yjn)=δkn
故,
Vj构成一多分辨率分析;
对于任意函数f∈C0(0,1),总可以找到一个足够大的j,使得fj(x)∈Vj充分逼近f(x),即
系数βj0k和αjk分别定义为
αjk=f(yjk)-Ijf(yjk)
其中插值小波的插值算子的计算公式如下:
步骤三,采用DTW方法计算两个动作序列之间的距离,令输入动作序列为和其中P为参考动作序列,Q为对比动作序列,C1和C2分别为P和Q的帧数;参考动作序列P的第r 帧为其中为第i个关节方向数据的四元数表示,将所有关节的方向数据级联得到pr,即该帧的特征向量;令对比动作序列Q的第r'帧为可得两帧之间的距离
循环计算路径距离γ(pi,qj),基于式(1)的帧间距离度量公式和DTW方法,直到动作序列P和Q完全匹配;每个最优匹配的前一个匹配只能为γ(pi-1,qj-1),、γ(pi-1,qj)和γ(pi,qj-1)其中一个,因此只需要选择其中最小的一个,加上当前距离即可得到路径的最小距离:
γ(pi,qj)=dist'(pi,qj)+min{γ(pi-1,qj-1),γ(pi-1,qj),γ(pi,qj-1)}
重复步骤三,直到i=C1且j=C2,得到规整路径W=w1,w2,…,wk,…,wK;创建长度C1的数组MapFrame,记录P中所有帧在Q中的唯一映射关系;遍历路径W,若P中存在与Q中关系为一对多的帧,则选择其中距离最小的一对匹配帧,将其映射关系存入MapFrame;若不存在,则直接将该匹配帧的映射关系存入MapFrame;
步骤四,计算关键帧之间的平均距离,并将其进行归一化,得到P和Q的相似度评分。
2.根据权利要求1所述的一种人体动作序列的实时评价方法,其特征在于:在所述的步骤二中,求解出的所述αjk与动作序列中的帧直接对应,将αjk与动作序列中对应的帧视为关键帧。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610340949.5A CN106021926B (zh) | 2016-05-20 | 2016-05-20 | 一种人体动作序列的实时评价方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610340949.5A CN106021926B (zh) | 2016-05-20 | 2016-05-20 | 一种人体动作序列的实时评价方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106021926A CN106021926A (zh) | 2016-10-12 |
CN106021926B true CN106021926B (zh) | 2019-06-18 |
Family
ID=57095760
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610340949.5A Expired - Fee Related CN106021926B (zh) | 2016-05-20 | 2016-05-20 | 一种人体动作序列的实时评价方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106021926B (zh) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107748892B (zh) * | 2017-09-25 | 2020-11-17 | 西安理工大学 | 一种基于马氏距离的人体行为数据分割方法 |
CN108447563B (zh) * | 2018-03-06 | 2021-09-21 | 上海逸动医学科技有限公司 | 一种关节运动智能评分方法及膝关节运动智能分级评分方法 |
CN108764120B (zh) * | 2018-05-24 | 2021-11-09 | 杭州师范大学 | 一种人体规范动作评价方法 |
CN110941990B (zh) * | 2019-10-22 | 2023-06-16 | 泰康保险集团股份有限公司 | 基于骨骼关键点进行人体动作评估的方法和装置 |
CN111783650A (zh) * | 2020-06-30 | 2020-10-16 | 北京百度网讯科技有限公司 | 模型训练方法、动作识别方法、装置、设备以及存储介质 |
CN112597933B (zh) * | 2020-12-29 | 2023-10-20 | 咪咕互动娱乐有限公司 | 动作评分方法、装置及可读存储介质 |
CN117115757B (zh) * | 2023-10-24 | 2024-02-02 | 中安创科(深圳)技术有限公司 | 一种枪支实时监控系统及监控方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101216896A (zh) * | 2008-01-14 | 2008-07-09 | 浙江大学 | 一种基于模版匹配的视点无关的人体动作识别方法 |
CN102542567A (zh) * | 2011-12-19 | 2012-07-04 | 中国农业大学 | 基于小波变分模型的图像多目标自适应分割方法及系统 |
CN103336953A (zh) * | 2013-07-05 | 2013-10-02 | 深圳市中视典数字科技有限公司 | 一种基于体感设备动作评判的方法 |
CN103810496A (zh) * | 2014-01-09 | 2014-05-21 | 江南大学 | 基于图像深度信息的3d高斯空间人体行为识别方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2012100080A2 (en) * | 2011-01-21 | 2012-07-26 | The Regents Of The University Of California | Systems for and methods of detecting and reproducing motions for video games |
-
2016
- 2016-05-20 CN CN201610340949.5A patent/CN106021926B/zh not_active Expired - Fee Related
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101216896A (zh) * | 2008-01-14 | 2008-07-09 | 浙江大学 | 一种基于模版匹配的视点无关的人体动作识别方法 |
CN102542567A (zh) * | 2011-12-19 | 2012-07-04 | 中国农业大学 | 基于小波变分模型的图像多目标自适应分割方法及系统 |
CN103336953A (zh) * | 2013-07-05 | 2013-10-02 | 深圳市中视典数字科技有限公司 | 一种基于体感设备动作评判的方法 |
CN103810496A (zh) * | 2014-01-09 | 2014-05-21 | 江南大学 | 基于图像深度信息的3d高斯空间人体行为识别方法 |
Non-Patent Citations (2)
Title |
---|
El Hajji M,Ouaha H,Afdel K,et al..Multiple Watermark for Authentication and Tamper Detection using Mixed scales DWT..《International Journal of Computer Applications》.2011,第28卷(第6期),31-34. |
基于动态时间规整( DTW) 优化积分直方图动态捕捉的持续人体动作识别研究;徐向艺、孔令春、马丽;《科学技术与工程》;20140930;第14卷(第27期);248-255 |
Also Published As
Publication number | Publication date |
---|---|
CN106021926A (zh) | 2016-10-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106021926B (zh) | 一种人体动作序列的实时评价方法 | |
CN108764120B (zh) | 一种人体规范动作评价方法 | |
CN106776482A (zh) | 一种轨迹相似度计算方法 | |
CN105335986B (zh) | 基于特征匹配和MeanShift算法的目标跟踪方法 | |
CN104050488B (zh) | 一种基于切换的卡尔曼滤波模型的手势识别方法 | |
CN107563286A (zh) | 一种基于Kinect深度信息的动态手势识别方法 | |
CN105512727B (zh) | 一种基于Markov的个人路径预测方法 | |
CN104123007A (zh) | 一种多维加权的3d动态手势识别方法 | |
CN105912985A (zh) | 基于能量函数的人体骨架关节点的行为动作表示方法 | |
CN109308459A (zh) | 基于手指注意力模型和关键点拓扑模型的手势估计方法 | |
CN110084836A (zh) | 基于深度卷积特征分层响应融合的目标跟踪方法 | |
CN103227888B (zh) | 一种基于经验模式分解和多种评价准则的视频去抖动方法 | |
CN106612495B (zh) | 一种基于传播损耗学习的室内定位方法及系统 | |
CN105427308A (zh) | 一种稀疏和稠密特征匹配结合的图像配准方法 | |
CN109448025A (zh) | 视频中短道速滑运动员的自动跟踪与轨迹建模方法 | |
CN107045519B (zh) | 一种分析人群移动规律的可视化系统 | |
CN104461000A (zh) | 一种基于少量缺失信号的在线连续人体运动识别方法 | |
CN110956141B (zh) | 一种基于局部识别的人体连续动作快速分析方法 | |
CN107357426A (zh) | 一种用于虚拟现实设备的体感控制方法 | |
CN105869153A (zh) | 融合相关块信息的非刚性人脸图像配准方法 | |
CN109711245A (zh) | 一种基于图像候选区域的闭环检测方法 | |
CN113177316A (zh) | 一种基于时间同步速度的轨迹压缩误差评估方法 | |
CN104517123A (zh) | 一种采用局部运动特征相似性引导的子空间聚类方法 | |
Ko et al. | CNN and bi-LSTM based 3D golf swing analysis by frontal swing sequence images | |
Yang | RETRACTED ARTICLE: Research on multi-target tracking technology based on machine vision |
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 | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20190618 |
|
CF01 | Termination of patent right due to non-payment of annual fee |