CN109635724A

CN109635724A - 一种动作智能比对方法

Info

Publication number: CN109635724A
Application number: CN201811510258.0A
Authority: CN
Inventors: 关山
Original assignee: Dongguan Qiangyi Sports Equipment Co Ltd
Current assignee: Dongguan Qiangyi Sports Equipment Co Ltd
Priority date: 2018-12-11
Filing date: 2018-12-11
Publication date: 2019-04-16

Abstract

本发明公开了一种动作智能比对方法，用于乒乓球运动中对于技术动作与标准动作相似度的智能判定；包括：数据预处理：数据预处理包括确定基准坐标和计算关节点的角度；人体坐标变换：人体坐标变换包括坐标平移和直角坐标系转球坐标系；动作拆分：动作拆分包括在捕捉动作数据时，通过把1个动作拆分为若干个动作模版来分别识别，记录为动作不同阶段的关节点3D位置数据；以及，在绘制动作曲线时，通过算法找出分割点，拆分成若干段数据；计算动作偏差：计算动作偏差包括计算动作轨迹局部偏差和计算动作轨迹整体偏差。本发明基于关节的3D位置信息来进行姿态的相似度度量，避免利用关节角度来度量人体姿态的误差，并且计算量小。

Description

一种动作智能比对方法

技术领域

本发明涉及动作比对技术领域，具体涉及一种动作智能比对方法，用于乒乓球运动中对于技术动作与标准动作相似度的智能判定。

背景技术

现有人体动作比对方法有：肉眼观察方法、基于视频帧的方法和时间序列的相似性度量；其中：

1、肉眼观察方法只能靠经验丰富的教练员才能指出动作间的差异。

2、基于视频帧的方法属于模式识别领域，利用帧图像之间的区别来进行动作比对，这种方法局限于平面的比对，人体动作是三维立体的，涉及到关节之间的相对位置、相对旋转等问题。

3、时间序列的相似性度量有几个特点：数据量大、维度高、结构复杂。目前时间序列相似性度量的方法有下面三种：

1)欧式距离

欧式距离是时间序列相似性度量中使用得最早也是最广泛的一种度量方法，但在实际情况中，时间序列的长度，噪声和变形的情况很复杂，欧式距离已经不能满足这些数据的相似性。

2)动态时间弯曲距离

为了解决欧式距离存在的噪声敏感、无法辨识变形等问题，把语音识别中的动态弯曲算法引入到时间序列的相似性度量问题，形成了动态时间弯曲距离算法，用来解决长度不相等的、时间轴上变形的时间序列相似性度量。

3)最长公共子序列

最长公共子序列的基本原理是找出两段字符串中的公共子串的最大长度来表示字符串的相似程度。该算法可以直接用于时间序列的相似性度量，只需要将时间序列的单点值离散为单个字符，这种方法被称为最长公共子序列度量。该方法要求两个匹配上的字符值相同，并且字符的下标需要按顺序严格递增。

现有人体动作比对方法的缺点为：

1、人眼观察方法需要经验丰富的教练人员，基本无法大量应用并且无法精确的度量动作偏差。

2、人体动作是三维立体的，视频帧方法局限于平面的比对，无法满足精确度量的标准并且对于不同角度的动作变形无法判定。

3、欧式距离只能代表多维空间中点之间的距离，无法体现姿态之间的相似程度，也无法作为最长公共子序列中序列匹配的判定，具体缺点：1.对时间序列的噪声和波动非常敏感。2.要求序列长度一致。3.不支持时间序列的变形，如时间轴的弯曲，伸缩等。

4、动态时间弯曲距离跟欧式距离对比，动态弯曲距离能够更好地描述时间序列的相似性，能够很好的解决欧式距离无法解决的问题，但是也存在一定缺陷：1.求解比较复杂，计算量大；2.不能满足三角不等式。

5、最长公共子序列能够避免时间序列的短期突变或间断带来的相似性问题，但是无法处理振幅平移、时间轴伸缩和弯曲等变形。

发明内容

针对上述问题中存在的不足之处，本发明提供一种动作智能比对方法。

本发明公开了一种动作智能比对方法，包括：

数据预处理：

所述数据预处理包括确定基准坐标和计算关节点的角度；

人体坐标变换：

所述人体坐标变换包括坐标平移和直角坐标系转球坐标系；

动作拆分：

所述动作拆分包括在捕捉动作数据时，通过把1个动作拆分为若干个动作模版来分别识别，记录为动作不同阶段的关节点3D位置数据；以及，在绘制动作曲线时，通过算法找出分割点，拆分成若干段数据；

计算动作偏差：

所述计算动作偏差包括计算动作轨迹局部偏差和计算动作轨迹整体偏差。

作为本发明的进一步改进，所述确定基准坐标为坐标旋转，消除设备安装时俯仰角度对设备的影响；包括：

通过深度相机或3D体感设备获取当前设备俯仰角度；

计算调整角度后的坐标值：

若旋转a°，关节点的坐标为(x,y)，则：

x'＝x×cos(a)+y×sin(a)

y'＝y×cos(a)-x×sin(a)

式中，(x',y')为调整后的坐标。

作为本发明的进一步改进，所述计算关节点的角度包括：

计算已知的空间中三个点a(x₁，y₁，z₁)，b(x₂，y₂，z₂)，c(x₃，y₃，z₃)在点b处的夹角：

根据向量计算公式：

ab＝(x₂-x₁，y₂-y₁，z₂-z₁)；

ab为向量ab；

同理，得出向量ba和向量bc；

根据公式：

|a|:向量a的模；

同理，得出|ba|和|bc|；

当|ba|≠0,|bc|≠0时，<a,b>的夹角通过以下公式获取：

a.b＝(x₁x₂+y₁y₂+z₁z₂)

a＝(x₁,y₁,z₁),b＝(x₂,y₂,z₂)，a和b都为不为零的向量；

acos为反余弦；

<a,b>的取值范围是：[0,π]；

由此，获取<a,b>的角度值；

计算肢体和身体平面的夹角：

根据身体上三个不共线的点A(X₁,Y₁,Z₁),B(X₂,Y₂,Z₂),C(X₃,Y₃,Z₃)；生成方程组：

{

A×X₁+B×Y₁+C×Z₁＝0

A×X₂+B×Y₂+C×Z₂＝0

A×X₃+B×Y₃+C×Z₃＝0

}

解出方程组获得身体平面的方程：

A×X+B×Y+C×Z＝0

此时可知

m＝(A,B,C)，m为平面的法线向量；

根据上述公式获取肢体的向量v(X_v,Y_v,Z_v)；

根据上述公式，得到<m,v>，即得到夹角值。

作为本发明的进一步改进，所述坐标平移包括：

对于A(X,Y,Z)，需要平移m(m₁,m₂,m₃)

那么：

A,＝(X+m₁,Y+m₂,Z+m₃)

A’为平移后的坐标。

作为本发明的进一步改进，所述直角坐标系转球坐标系包括：

直角坐标系(x,y,z)与球坐标系的转换关系为：

作为本发明的进一步改进，通过深度相机或3D体感设备捕捉动作数据。

作为本发明的进一步改进，所述计算动作轨迹局部偏差包括：

假设标准动作的回归模型为：

Y＝β₀+β₁X₁+…+β_nX_n+ε

并且有k组数据(y(t),x₁(t),…,x_n(t))kt＝1(y(t),x₁(t),…,x_n(t))t＝1k；OLS回归用于计算回归系数βi的估值b₀,b₁,…b_n，使误差平方∑t＝1k(y(t)-b₀-b₁x₁(t)-…-b_nx_n(t))2最小化；

X₁,X₂…X_n指代的是参数；

在获取回归模型之后，将用户数据代入回归方程，即可得到：

f(x’,y’,z’)＝Y(tn)

f(tn)为按预期回归方程获取的结果

Y为回归方程

t_n为用户的数据

R为给出的模型偏差值；

∑r：∑r＝(|f(t₁)|-|t₁|)²+…(|f(t_n)|-|t_n|)²

t_n为第n个坐标参数

f(t_n):代入t_n进入回归方程的后获取的坐标

|x|为对于代入的参数a₁,a₂…a_n；

n为坐标数量

ε为一个计算常量，用于评价的加权；

由此得出一个动作的局部评价。

作为本发明的进一步改进，所述计算动作轨迹整体偏差包括：

假设局部动作回归模型为Y₁,Y₂,Y₃…Y_n；

用户数据为t₁,t₂…t_n；

则：

∑ε：对于ε₁+ε₂+…+ε_n恒等于1

∑R：最终偏差值，取值在[0,+∞]，越接近于0，偏差越小。

与现有技术相比，本发明的有益效果为：

本发明基于关节的3D位置信息来进行姿态的相似度度量，避免利用关节角度来度量人体姿态的误差，并且计算量小；

本发明建立了统一的骨架模型，利用该骨架模型结构和关节旋转数据求解关节位置数据，能解决时间序列的变形，如弯曲，伸缩、平移等相关问题。

附图说明

图1为本发明一种实施例公开的动作智能比对方法的流程图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，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的一部分实施例，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的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。

下面结合附图对本发明做进一步的详细描述：

如图1所示，本发明提供一种动作智能比对方法，包括：

S1、数据预处理：数据预处理包括确定基准坐标和计算关节点的角度；其中：

S11、确定基准坐标为坐标旋转，消除设备安装时俯仰角度对设备的影响；包括：

S111、通过深度相机或3D体感设备获取当前设备俯仰角度；

S112、计算调整角度后的坐标值：

若旋转a°，关节点的坐标为(x,y)，则：

x’＝x×cos(a)+y×sin(a)

y’＝y×cos(a)-x×sin(a)

式中，(x’,y’)为调整后的坐标。

S12、计算关节点的角度包括：

S121、计算已知的空间中三个点a(x₁,y₁,z₁),b(x₂,y₂,Z₂),c(x₃,y₃,z₃)在点b处的夹角：

根据向量计算公式：

ab＝(x₂-x₁,y₂-y₁,z₂-z₁)；

ab为向量ab；

同理，得出向量ba和向量bc；

根据公式：

|a|:向量a的模；

同理，得出|ba|和|bc|；

当|ba|≠0,|bc|≠0时，<a,b>的夹角通过以下公式获取：

a.b＝(x₁x₂+y₁y₂+Z₁z₂)

a＝(x₁,y₁,z₁),b＝(x₂,y₂,z₂)，a和b都为不为零的向量；

acos为反余弦；

<a,b>的取值范围是：[0,π]；

由此，获取<a,b>的角度值；

S122、计算肢体和身体平面的夹角：

{

A×X₁+B×Y₁+C×Z₁＝0

A×X₂+B×Y₂+C×Z₂＝0

A×X₃+B×Y₃+C×Z₃＝0

}

解出方程组获得身体平面的方程：

A×X+B×Y+C×Z＝0

此时可知

m＝(A,B,C)，m为平面的法线向量；

根据上述公式获取肢体的向量v(X_v,Y_v,Z_v)；

根据上述公式，得到<m,v>，即得到夹角值。

S2、人体坐标变换：人体坐标变换包括坐标平移和直角坐标系转球坐标系；其中：

S21、坐标平移包括：

对于A(X,Y,Z)，需要平移m(m₁,m₂,m₃)

那么：

A’＝(X+m₁，Y+m₂,Z+m₃)

A’为平移后的坐标。

S22、直角坐标系转球坐标系包括：

S221、概念：假设P(x，y，z)为空间内一点，则点P也可用这样三个有次序的数来确定，其中r为原点O与点P间的距离；θ为有向线段OP与z轴正向的夹角；为从正z轴来看自x轴按逆时针方向转到OM所转过的角，这里M为点P在xOy面上的投影；。这样的三个数r，θ，叫做点P的球面坐标，显然，这里r，θ，的变化范围为r∈[0,+∞)，θ∈[0,π]，

S222、球坐标系与直角坐标系(x,y,z)的转换关系:

z＝rcosθ；

S223、反之，直角坐标系(x,y,z)与球坐标系的转换关系为：

S3、动作拆分：

动作拆分包括在深度相机或3D体感设备捕捉动作数据时，通过把1个动作拆分为若干个动作模版来分别识别，记录为动作不同阶段的关节点3D位置数据；以及，在绘制动作曲线时，通过算法找出分割点，拆分成若干段数据；

S4、计算动作偏差：计算动作偏差包括计算动作轨迹局部偏差和计算动作轨迹整体偏差；其中：

S41、计算动作轨迹局部偏差包括：

假设标准动作的回归模型为：

Y＝β₀+β₁X₁+…+β_nX_n+ε

并且有k组数据(y(t),x₁(t)，…，x_n(t))kt＝1(y(t)，x₁(t)，…，x_n(t))t＝1k；OLS回归用于计算回归系数βi的估值b₀，b₁，…b_n，使误差平方∑t＝1k(y(t)-b₀-b₁x₁(t)-…-b_nx_n(t))2最小化；

X₁，X₂…X_n指代的是参数；

f(x'，y'，z')＝Y(tn)

f(tn)为按预期回归方程获取的结果

Y为回归方程

t_n为用户的数据

R为给出的模型偏差值；

∑r：∑r＝(|f(t₁)|-|t₁|)²+…(|f(t_n)|-|t_n|)²

t_n为第n个坐标参数

f(t_n):代入t_n进入回归方程的后获取的坐标

|x|为对于代入的参数a₁,a₂…a_n；

n为坐标数量

ε为一个计算常量，用于评价的加权；

由此得出一个动作的局部评价。

S42、计算动作轨迹整体偏差包括：

假设局部动作回归模型为Y₁，Y₂，Y₃…Y_n；

用户数据为t₁,t₂…t_n；

则：

∑ε：对于ε₁+ε₂+…+ε_n恒等于1

∑R：最终偏差值，取值在[0，+∞]，越接近于0，偏差越小。

进一步，本发明还可通过从动作捕捉系统获取人体动作数据，执行动作数据转换后，从世界坐标系进行坐标转换并运用最小二乘距离算法和最长公共子序列算法进行动作智能比对。

本发明的优点为：

本发明基于关节的3D位置信息实现的人体坐标变换和动作拆分，从而进行姿态的相似度度量，避免利用关节角度来度量人体姿态的误差，并且计算量小；同时，本发明建立了统一的骨架模型，利用该骨架模型结构和关节旋转数据求解关节位置数据，能解决时间序列的变形，如弯曲，伸缩、平移等相关问题。

以上仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims

1.一种动作智能比对方法，其特征在于，包括：

数据预处理：

所述数据预处理包括确定基准坐标和计算关节点的角度；

人体坐标变换：

所述人体坐标变换包括坐标平移和直角坐标系转球坐标系；

动作拆分：

计算动作偏差：

2.如权利要求1所述的动作智能比对方法，其特征在于，所述确定基准坐标为坐标旋转，消除设备安装时俯仰角度对设备的影响；包括：

通过深度相机或3D体感设备获取当前设备俯仰角度；

计算调整角度后的坐标值：

若旋转a°，关节点的坐标为(x,y)，则：

x’＝x×cos(a)+y×sin(a)

y’＝y×cos(a)-x×sin(a)

式中，(x’,y’)为调整后的坐标。

3.如权利要求1所述的动作智能比对方法，其特征在于，所述计算关节点的角度包括：

计算已知的空间中三个点a(x₁,y₁,z₁),b(x₂,y₂,z₂),c(x₃,y₃,z₃)在点b处的夹角：

根据向量计算公式：

ab＝(x₂-x₁,y₂-y₁,z₂-z₁)；

ab为向量ab；

同理，得出向量ba和向量bc；

根据公式：

|a|:向量a的模；

同理，得出|ba|和|bc|；

当|ba|≠0,|bc|≠0时，<a,b>的夹角通过以下公式获取：

a.b＝(x₁x₂+y₁y₂+z₁z₂)

<a,b>＝acos(cos<a，b>)

a＝(x₁,y₁，z₁),b＝(x₂，y₂，z₂)，a和b都为不为零的向量；

acos为反余弦；

<a,b>的取值范围是：[0,π]；

由此，获取<a,b>的角度值；

计算肢体和身体平面的夹角：

根据身体上三个不共线的点A(X₁，Y₁,Z₁)，B(X₂，Y₂，Z₂),C(X₃,Y₃，Z₃)；生成方程组：

{

A×X₁+B×Y₁+C×Z₁＝0

A×X₂+B×Y₂+C×Z₂＝0

A×X₃+B×Y₃+C×Z₃＝0

}

解出方程组获得身体平面的方程：

A×X+B×Y+C×Z＝0

此时可知

m＝(A,B,C)，m为平面的法线向量；

根据上述公式获取肢体的向量v(X_v,Y_v,Z_v)；

根据上述公式，得到<m,v>，即得到夹角值。

4.如权利要求1所述的动作智能比对方法，其特征在于，所述坐标平移包括：

对于A(X,Y,Z)，需要平移m(m₁,m₂,m₃)

那么：

A’＝(X+m₁,Y+m₂,Z+m₃)

A’为平移后的坐标。

5.如权利要求1所述的动作智能比对方法，其特征在于，所述直角坐标系转球坐标系包括：

直角坐标系(x,y,z)与球坐标系的转换关系为：

6.如权利要求1所述的动作智能比对方法，其特征在于，通过深度相机或3D体感设备捕捉动作数据。

7.如权利要求1所述的动作智能比对方法，其特征在于，所述计算动作轨迹局部偏差包括：

假设标准动作的回归模型为：

Y＝β₀+β₁X₁+…+β_nX_n+ε

X₁,X₂…X_n指代的是参数；

f(x’，y'，z’)＝Y(tn)

f(tn)为按预期回归方程获取的结果

Y为回归方程

t_n为用户的数据

R为给出的模型偏差值；

∑r：∑r＝(|f(t₁)|-|t₁|)²+…(|f(t_n)|-|t_n|)²

t_n为第n个坐标参数

f(t_n):代入t_n进入回归方程的后获取的坐标

|x|为对于代入的参数a₁,a₂…a_n；

n为坐标数量

ε为一个计算常量，用于评价的加权；

由此得出一个动作的局部评价。

8.如权利要求7所述的动作智能比对方法，其特征在于，所述计算动作轨迹整体偏差包括：

假设局部动作回归模型为Y₁，Y₂，Y₃…Y_n；

用户数据为t₁，t₂…t_n；

则：

∑ε：对于ε₁+ε₂+…+ε_n恒等于1

∑R：最终偏差值，取值在[0，+∞]，越接近于0，偏差越小。