CN106886750A - 基于Kinect的拆卸工具运动轨迹识别方法 - Google Patents
基于Kinect的拆卸工具运动轨迹识别方法 Download PDFInfo
- Publication number
- CN106886750A CN106886750A CN201710003088.6A CN201710003088A CN106886750A CN 106886750 A CN106886750 A CN 106886750A CN 201710003088 A CN201710003088 A CN 201710003088A CN 106886750 A CN106886750 A CN 106886750A
- Authority
- CN
- China
- Prior art keywords
- extracting tool
- kinect
- image
- track
- hmm
- 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.)
- Pending
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
- G06F18/29—Graphical models, e.g. Bayesian networks
- G06F18/295—Markov models or related models, e.g. semi-Markov models; Markov random fields; Networks embedding Markov models
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
本发明涉及基于Kinect的拆卸工具运动轨迹识别方法,首先采用Kinect传感器获取拆卸人员前臂及拆卸工具深度图像,通过图像细化获得拆卸工具顶端位置并提取轨迹特征,对基于欧式距离和随机抽样一致性的样本轨迹进行预处理,然后利用隐马尔科夫模型(HMM)训练轨迹样本并实现轨迹的识别。本发明不仅能对拆卸工具进行轨迹提取,还能对提取的运动轨迹进行识别。
Description
技术领域:
本发明涉及一种拆卸工具运动轨迹识别方法,尤其涉及一种基于Kinect的拆卸工具运动轨迹识别方法。
背景技术:
在废旧产品的自动化拆卸中,如何获取人工拆卸的相关信息并进行学习,能大幅度提高拆卸过程的自动化程度。Kinect设备是微软于2010年正式推出,可以获取深度图像和RGB彩色图像数据,同时进行实时的全身骨骼跟踪,并可以进行人体动作姿态识别。目前大部分运动跟踪设备需要穿戴,通过标记来识别,微软开发的Kinect不做任何标定可以直接获取人体姿态动作,满足了便捷性。
Kinect在人体手势识别方面已经有了研究,但在利用拆卸工具的情况下,对拆卸工具的轨迹识别还未见有相关研究。
发明内容:
发明目的:
为了克服现有的手势识别技术中多采用肤色空间进行手势分割、建模,容易受到光照等因素影响的问题,本发明提出了基于Kinect的拆卸工具运动轨迹识别方法,使用Kinect设备能够提供人体深度图像信息,能够在较暗条件下提供人体骨骼图像。
技术方案:
本发明是通过以下技术方案来实现的:
基于Kinect的拆卸工具运动轨迹识别方法,其特征在于:首先采用Kinect传感器获取拆卸人员前臂及拆卸工具深度图像,并对图像进行二值化、细化处理获得拆卸工具顶端位置,提取拆卸工具轨迹,然后对样本轨迹利用欧式距离和随机抽样一致性进行预处理,对预处理后的样本轨迹进行量化编码,最后构建隐马尔科夫(HMM)模型,将编码值输入到HMM模型中进行训练,优化选取模型参数,实现拆卸工具轨迹识别。
采用Kinect传感器对手持拆卸工具进行轨迹提取并识别的具体步骤为:
(1)轨迹提取及预处理,具体步骤如下:
1)获取拆卸工具的深度图像:利用Kinect获取视场范围内手持拆卸工具的深度图像;
2)图像细化:用图像分析方法,得到图像中目标的精细骨架特征;利用图像细化得到前臂及拆卸工具的曲线图;
3)提取拆卸工具顶端三维坐标:对于细化后的图像,依次获取曲线上各像素点的坐标;利用Kinect对人体关节的跟踪,提取出肘关节点的坐标,计算肘关节点的坐标与曲线上其它点坐标的欧式距离,将计算出最大的欧式距离值所对应的点设为拆卸工具顶点;
4)获取拆卸工具轨迹:人拿拆卸工具进行运动,在运动的整个过程中,利用Kinect提取一系列深度图像,对每一幅深度图像进行步骤2)~步骤3)的操作,获得拆卸工具顶端的位置,提取轨迹特征;
5)轨迹预处理及量化编码:利用欧式距离和随机抽样一致性对样本进行预处理,然后对轨迹进行角度量化编码,将角度值转化为1到16的码值;
(2)轨迹识别:构建隐马尔科夫(HMM)模型,将编码值输入到HMM模型中进行训练,优化选取模型参数,实现拆卸工具轨迹识别。
优点及效果:
(1)整个识别过程中的设备,包括Kinect传感器和笔记本电脑,成本低。
(2)利用Kinect可以对拆卸工具运动轨迹进行提取,通过对轨迹样本进行预处理可以提高隐马尔科夫模型的轨迹识别率。
附图说明:
图1为21个人体关节点图。
图2为右前臂及拆卸工具图。
图3为细化规则图。
图4为细化示意图。
图5为轨迹模型图。
图6为干扰点剔除示意图。
图7为方向矢量图。
图8为夹角量化编码图。
具体实施方式:
本发明涉及一种基于Kinect的拆卸工具运动轨迹识别方法,是一种简单、方便的拆卸工具运动轨迹识别方法。首先采用Kinect传感器获取拆卸人员前臂及拆卸工具深度图像,并对图像进行二值化、细化处理获得拆卸工具顶端位置,提取拆卸工具轨迹,然后对样本轨迹利用欧式距离和随机抽样一致性进行预处理,对预处理后的样本轨迹进行量化编码,最后构建隐马尔科夫(HMM)模型,将编码值输入到HMM模型中进行训练,优化选取模型参数,实现拆卸工具轨迹识别。
采用Kinect传感器对手持拆卸工具进行轨迹提取并识别的具体步骤为:
(1)轨迹提取及预处理,具体步骤如下:
1)获取拆卸工具的深度图像:利用Kinect获取视场范围内手持拆卸工具的深度图像;
2)图像细化:用图像分析方法,得到图像中目标的精细骨架特征;利用图像细化得到前臂及拆卸工具的曲线图;
3)提取拆卸工具顶端三维坐标:对于细化后的图像,依次获取曲线上各像素点的坐标;利用Kinect对人体关节的跟踪,提取出肘关节点的坐标,计算肘关节点的坐标与曲线上其它点坐标的欧式距离,将计算出最大的欧式距离值所对应的点设为拆卸工具顶点;
4)获取拆卸工具轨迹:人拿拆卸工具进行运动,在运动的整个过程中,利用Kinect提取一系列深度图像,对每一幅深度图像进行步骤2)~步骤3)的操作,获得拆卸工具顶端的位置,提取轨迹特征;
5)轨迹预处理及量化编码:由于样本数据里存在干扰点,利用欧式距离和随机抽样一致性对样本进行预处理,然后对轨迹进行角度量化编码,将角度值转化为1到16的码值;
(2)轨迹识别:构建隐马尔科夫(HMM)模型,将编码值输入到HMM模型中进行训练,优化选取模型参数,实现拆卸工具轨迹识别。
下面结合附图和实施例对本发明做进一步的说明:
上述基于Kinect的拆卸工具运动轨迹识别方法,具体步骤如下:
(1)轨迹提取及预处理,具体步骤如下:
1)获取工具的深度图像:深度图像包含与场景物体表面距离有关信息的一种图像。与彩色图像相比,深度图像能反映物体表面的三维特征,且不受光照等外在因素的影响。利用Kinect获得的深度图像可以对人体主要部位进行识别,本文主要研究手持拆卸工具轨迹,可以对手持拆卸工具进行识别。加入工具的关节点作为第21个关节点,如图1所示。
由于是手持拆卸工具,为了获取更多的图像信息方便图像处理,利用Kinect提取前臂及拆卸工具的整个深度图像如图2所示。
2)图像细化:由于获取的前臂及拆卸工具深度图像特征不精细,这给拆卸工具顶端坐标获取带来很大难度,因此引入图像分析方法,得到一个精细的骨架特征,这就是图像细化。
图像细化是针对二值图像的细化,对于640x480的二值图像,1代表待细化的像素点区域,0代表背景。对边界点P及其八邻域点P0,P1,…,P6,P7,如图3所示。
对于边界点P,判断P0到P7所对应的像素值,计算八个邻域点的权值S,对S值查表1的编号,若编号对应的值为1,则可以判断P为可删除点。
表1索引表
式中:Pk表示第k个邻域点的像素值;k表示第几个邻域点。
通过上述方法对人体前臂及拆卸工具的二值图像进行细化,如图4所示。
4)人拿拆卸工具进行运动(以圆为例),在运动的整个过程中,利用Kinect提取一系列深度图像,对每一幅深度图像进行2)~3)的操作,获得拆卸工具顶端的位置,提取轨迹特征,图5所示的是一个近似圆形的工具轨迹。
5)轨迹预处理及量化编码:样本数据里存在干扰点,所以提出利用欧式距离和随机抽样一致性对样本进行预处理。
对于获取的轨迹特征点的数据集合Q,计算其重心点P(x0,y0)。
轨迹特征点集合可表示为:
Q={Qi|Qi=(xi,yi),i∈[1,n]}
式中:Qi表示(xi,yi)处的位置坐标;n表示特征点数目。
重心点坐标可表示为:
式中:xi表示点的横坐标;yi表示点的纵坐标。
计算每个样本里点到重心P(x0,y0)的欧式距离d,若d∈(T1,T2),则将d>T所对应的点剔除;若对式(1)样本,利用随机抽样一致性算法拟合成一条直线L,提取集合Q中每一点到直线L的距离d',将d‘>T’所对应的点剔除,图6给出剔除干扰点示意图。
如图6所示,左图A点离重心P(x0,y0)的欧式距离太大,作为剔除点;右图B点离拟合的直线的欧式距离太大,作为剔除点。
为了便于对轨迹进行识别,需要对轨迹进行量化编码。对于提取的轨迹,将其深度值Z去掉,以便于量化编码,图7给出求取角度的方向矢量图。
如图7所示,P(x0,y0)是轨迹曲线的重心,对于轨迹曲线上任意点A(x1,y1),通过几何关系,求出A点所在的角度值θ,其中:
从轨迹曲线上得到一系列角度值,采用16方向链码进行角度量化编码,图8给出里夹角量化编码示意图。
如图8所示,轨迹上每个点都对应一个角度值,根据对应关系将角度值转化为1到16的码值,通过码值对轨迹进行识别。
(2)轨迹识别,利用隐马尔科夫模型(HMM)训练轨迹样本并实现轨迹的识别。
Claims (2)
1.基于Kinect的拆卸工具运动轨迹识别方法,其特征在于:首先采用Kinect传感器获取拆卸人员前臂及拆卸工具深度图像,并对图像进行二值化、细化处理获得拆卸工具顶端位置,提取拆卸工具轨迹,然后对样本轨迹利用欧式距离和随机抽样一致性进行预处理,对预处理后的样本轨迹进行量化编码,最后构建隐马尔科夫(HMM)模型,将编码值输入到HMM模型中进行训练,优化选取模型参数,实现拆卸工具轨迹识别。
2.根据权利要求1所述的基于Kinect的拆卸工具运动轨迹识别方法,其特征在于:采用Kinect传感器对手持拆卸工具进行轨迹提取并识别,具体步骤为:
(1)轨迹提取及预处理,具体步骤如下:
1)获取拆卸工具的深度图像:利用Kinect获取视场范围内手持拆卸工具的深度图像;
2)图像细化:用图像分析方法,得到图像中目标的精细骨架特征;利用图像细化得到前臂及拆卸工具的曲线图;
3)提取拆卸工具顶端三维坐标:对于细化后的图像,依次获取曲线上各像素点的坐标;利用Kinect对人体关节的跟踪,提取出肘关节点的坐标,计算肘关节点的坐标与曲线上其它点坐标的欧式距离,将计算出最大的欧式距离值所对应的点设为拆卸工具顶点;
4)获取拆卸工具轨迹:人拿拆卸工具进行运动,在运动的整个过程中,利用Kinect提取一系列深度图像,对每一幅深度图像进行步骤2)~步骤3)的操作,获得拆卸工具顶端的位置,提取轨迹特征;
5)轨迹预处理及量化编码:利用欧式距离和随机抽样一致性对样本进行预处理,然后对轨迹进行角度量化编码,将角度值转化为1到16的码值;
(2)轨迹识别:构建隐马尔科夫(HMM)模型,将编码值输入到HMM模型中进行训练,优化选取模型参数,实现拆卸工具轨迹识别。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710003088.6A CN106886750A (zh) | 2017-01-04 | 2017-01-04 | 基于Kinect的拆卸工具运动轨迹识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710003088.6A CN106886750A (zh) | 2017-01-04 | 2017-01-04 | 基于Kinect的拆卸工具运动轨迹识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106886750A true CN106886750A (zh) | 2017-06-23 |
Family
ID=59176808
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710003088.6A Pending CN106886750A (zh) | 2017-01-04 | 2017-01-04 | 基于Kinect的拆卸工具运动轨迹识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106886750A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110852135A (zh) * | 2018-08-20 | 2020-02-28 | 吉林大学 | 一种拆卸动作识别方法 |
CN111639624A (zh) * | 2020-06-10 | 2020-09-08 | 深圳市时海科技有限公司 | 一种基于人工智能的课堂教学及时强化能力评估方法及系统 |
CN113522940A (zh) * | 2021-08-20 | 2021-10-22 | 深圳技术大学 | 面向再制造的自行车拆解机器人系统及其实现方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101739568A (zh) * | 2009-11-04 | 2010-06-16 | 北京交通大学 | 基于分层观测向量分解的隐马尔科夫模型的行为识别方法 |
CN102945079A (zh) * | 2012-11-16 | 2013-02-27 | 武汉大学 | 一种基于智能识别与控制的立体投影系统与方法 |
CN103258078A (zh) * | 2013-04-02 | 2013-08-21 | 上海交通大学 | 融合Kinect设备和Delmia环境的人机交互虚拟装配系统 |
CN103839040A (zh) * | 2012-11-27 | 2014-06-04 | 株式会社理光 | 基于深度图像的手势识别方法和装置 |
CN103941866A (zh) * | 2014-04-08 | 2014-07-23 | 河海大学常州校区 | 一种基于Kinect深度图像的三维手势识别方法 |
-
2017
- 2017-01-04 CN CN201710003088.6A patent/CN106886750A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101739568A (zh) * | 2009-11-04 | 2010-06-16 | 北京交通大学 | 基于分层观测向量分解的隐马尔科夫模型的行为识别方法 |
CN102945079A (zh) * | 2012-11-16 | 2013-02-27 | 武汉大学 | 一种基于智能识别与控制的立体投影系统与方法 |
CN103839040A (zh) * | 2012-11-27 | 2014-06-04 | 株式会社理光 | 基于深度图像的手势识别方法和装置 |
CN103258078A (zh) * | 2013-04-02 | 2013-08-21 | 上海交通大学 | 融合Kinect设备和Delmia环境的人机交互虚拟装配系统 |
CN103941866A (zh) * | 2014-04-08 | 2014-07-23 | 河海大学常州校区 | 一种基于Kinect深度图像的三维手势识别方法 |
Non-Patent Citations (1)
Title |
---|
张志佳等: "基于Kinect的拆卸工具运动轨迹识别方法", 《制造业自动化》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110852135A (zh) * | 2018-08-20 | 2020-02-28 | 吉林大学 | 一种拆卸动作识别方法 |
CN110852135B (zh) * | 2018-08-20 | 2022-04-12 | 吉林大学 | 一种拆卸动作识别方法 |
CN111639624A (zh) * | 2020-06-10 | 2020-09-08 | 深圳市时海科技有限公司 | 一种基于人工智能的课堂教学及时强化能力评估方法及系统 |
CN111639624B (zh) * | 2020-06-10 | 2023-09-29 | 深圳市时海科技有限公司 | 一种基于人工智能的课堂教学及时强化能力评估方法及系统 |
CN113522940A (zh) * | 2021-08-20 | 2021-10-22 | 深圳技术大学 | 面向再制造的自行车拆解机器人系统及其实现方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108776773B (zh) | 一种基于深度图像的三维手势识别方法及交互系统 | |
CN108319930B (zh) | 身份认证方法、系统、终端和计算机可读存储介质 | |
CN107660039B (zh) | 一种识别动态手势的灯具控制系统 | |
CN108256421A (zh) | 一种动态手势序列实时识别方法、系统及装置 | |
CN110176016B (zh) | 一种基于人体轮廓分割与骨骼识别的虚拟试衣方法 | |
CN107909600A (zh) | 一种基于视觉的无人机实时运动目标分类与检测方法 | |
CN105389539A (zh) | 一种基于深度数据的三维手势姿态估计方法及系统 | |
CN104821010A (zh) | 基于双目视觉的人手三维信息实时提取方法及系统 | |
CN105536205A (zh) | 一种基于单目视频人体动作感知的上肢训练系统 | |
CN104167003A (zh) | 一种遥感影像的快速配准方法 | |
CN102982557A (zh) | 基于深度相机的空间手势姿态指令处理方法 | |
CN108898063A (zh) | 一种基于全卷积神经网络的人体姿态识别装置及方法 | |
CN102831380A (zh) | 一种基于深度图像感应的肢体动作识别方法及系统 | |
CN106886750A (zh) | 基于Kinect的拆卸工具运动轨迹识别方法 | |
CN109993130A (zh) | 一种基于深度图像动态手语语义识别系统及方法 | |
CN110553650B (zh) | 一种基于小样本学习的移动机器人重定位方法 | |
CN110135237B (zh) | 一种手势识别方法 | |
CN110688965A (zh) | 基于双目视觉的ipt模拟训练手势识别方法 | |
CN109407709A (zh) | 一种基于Kinect骨骼跟踪算法的会议摄像自动追踪系统 | |
CN104866824A (zh) | 一种基于Leap Motion的手语字母识别方法 | |
CN105069745A (zh) | 基于普通图像传感器及增强现实技术的带表情变脸系统及方法 | |
CN115562499B (zh) | 基于智能指环的精准交互控制方法、系统及存储介质 | |
CN112381045A (zh) | 一种面向物联网移动端设备的轻量级人体姿态识别方法 | |
CN111709365A (zh) | 一种基于卷积神经网络的人体运动姿态自动检测方法 | |
CN106599873A (zh) | 基于三维姿态信息的人物身份识别方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20170623 |