CN110083239A - 一种基于动态赋权和灰色预测下的骨骼抖动检测方法 - Google Patents
一种基于动态赋权和灰色预测下的骨骼抖动检测方法 Download PDFInfo
- Publication number
- CN110083239A CN110083239A CN201910316968.8A CN201910316968A CN110083239A CN 110083239 A CN110083239 A CN 110083239A CN 201910316968 A CN201910316968 A CN 201910316968A CN 110083239 A CN110083239 A CN 110083239A
- Authority
- CN
- China
- Prior art keywords
- bone
- data
- data sequence
- prediction
- weight index
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
- G06F3/01—Input arrangements or combined input and output arrangements for interaction between user and computer
- G06F3/011—Arrangements for interaction with the human body, e.g. for user immersion in virtual reality
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Human Computer Interaction (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Psychiatry (AREA)
- Social Psychology (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动态赋权和灰色预测下的骨骼抖动检测方法,包括:采集设定骨骼动作的历史运动数据,对历史运动数据利用距离公式进行预处理,并截取预处理后所述骨骼动作对应的有效数据序列;采用分段幂函数对所述有效数据序列进行动态赋权处理,得到赋权数据序列,并基于所述赋权数据序列获取对应骨骼动作的第一规律性;采用灰度预测算法整合赋权数据序列,获取赋权数据序列对应的第二规律性,基于第二规律性预测骨骼在1s~2s后的运动数据;基于历史运动数据设置人体运动所对应的骨骼运动阈值再次对运动数据预处理得到数据序列{Ym},Ym=Yi,0≤i≤m,若则说明骨骼执行下一骨骼动作;否则,说明出现骨骼抖动;本发明能够有效提升骨骼动作的检测效率和准确率。
Description
技术领域
本发明属于人机交互技术领域,具体涉及一种基于动态赋权和灰色预测下的骨骼抖动检测方法。
背景技术
目前人机交互技术越来越成熟,早期微软推出了Kinect,体感控制器制造公司Leap也推出了leap motion,随后VR设备也迅速发展。各种人机交互成为可能,但由于软件所设定的动作都有其响应阈值。人体也无法在长时间之内保持某个姿势不动,这就出现了骨骼抖动问题。基于此现象骨骼抖动检测方法也随之产生。
国内外对于骨骼抖动的解决方案也有很多种。具体可分为通过设置滤波器以及进行数据的平滑处理方法两大类为主。第一类设置滤波器,主要体现在利用Kinect设备获取深度图时产生的骨骼抖动数据的噪声,利用像素滤波器和上下文滤波器以及双边滤波器等都可以有效的去除图像中的噪声数据但对于人体运动骨骼数据处理而言,使用以上滤波器会带来处理速度慢的特点从而会出现短暂的视觉差。第二类平滑处理方法则应用较为广泛,可以解决一切能够获取骨骼数据信息的设备。常用的方法有移动平均法、加权移动平均法等。这类方法的特点是所需数据少,处理速度快,能够快速的进行预判。但该类方法受历史数据影响较大,准确率不高。
发明内容
本发明的目的在于针对现有技术中存在处理速度慢以及检测准确率低的问题,提供一种基于动态赋权和灰色预测下的骨骼抖动检测方法,该方法利用骨骼传感器所产生的一系列历史数据信息,通过数据预处理找出能够具有数据序列特征的数据个数,通过分段幂级数算法对数据进行二次处理使数据能够有着较强的规律性。使用灰色预测方法找出历史数据序列的强规律性并对之后人体运动数据进行预测与相应的动作设定的阈值进行比较从而检测是否发生骨骼抖动;具体技术方案如下:
一种基于动态赋权和灰色预测下的骨骼抖动检测方法,所述方法包括:
S1、采集设定骨骼动作的历史运动数据,对所述历史运动数据利用距离公式进行动态切割,截取所述历史运动数据中对应骨骼动作的有效数据序列;
S2、采用分段幂函数对所述有效数据序列进行动态赋权处理,得到赋权数据序列,并基于所述赋权数据序列获取对应骨骼动作的第一规律性;
S3、采用灰度预测算法整合所述赋权数据序列,获取所述赋权数据序列对应的骨骼动作的第二规律性,基于所述第二规律性预测骨骼在1s~2s后的运动数据;
S4、基于所述历史运动数据设置人体运动所对应的骨骼运动阈值采用距离公式对所述运动数据预处理得到数据序列{Ym},Ym=Yi,0≤i≤m,若则说明骨骼无抖动现象;否则,说明出现骨骼抖动。
进一步的,所述历史运动数据由利用骨骼传感器采集的在骨骼传感器下三维坐标系表示人体肩部、肘部和腕部的实际坐标值构成。
进一步的,步骤S1中所述预处理包括:通过灵敏度分析得到3s~4s的所述历史运动数据,以及
对所有所述历史运动数据与所述图片数据的最后一帧之差做平方差,并设定一阈值,比较所述阈值与所述平方差得到值比较,去除所述历史运动数据中的无效数据。
进一步的,所述步骤S2包括:通过公式计算第k个所述历史运动数据x的权重,并基于所述权重得到所述赋权数据序列。
进一步的,所述步骤S3包括:
S31、判断所述赋权数据序列是否满足GM(1,1)灰色预测的可行性:
设定所述有效数据序列为xo=(x0(1),x0(2),...,x0(n)),并计算所述有效数据序列的级比
判断所有所述级比是否落在区间若所有所述级比均落在所述区间内,则转至步骤S32,否则进行数据变化处理;
S32、构建GM(1,1)灰色预测模型,通过所述GM(1,1)灰色预测模型累加所述赋权数据序列生成对应规律性:
假设所述赋权数据序列累加后为其中,x1的灰导数为d(k)=x0(k);
获取所述赋权数据序列的邻值生成数列z1(k)=ax1(k)+(1-a)x1,基于所述邻值生成数列z1(k)=ax1(k)+(1-a)x1求得GM(1,1)的灰微分方程d(k)+az1(k)=b,其中,a和b为待求参数;
S33、通过回归方程求解所述灰微分方程d(k)+az1(k)=b分别获得a和b的估计值,并得到所述灰微分方程d(k)+az1(k)=b的最终解:实现对骨骼在1s~2s后的抖动的预测。
进一步的,所述数据变化处理为平移变换。
与现有技术相比,本发明的有益效果为:本发明通过对初始的骨骼运动的历史运动数据序列利用分段幂级数等方法进行二次处理有效的减少了处理大量冗余数据所造成的时间复杂度以及空间复杂度,同时加强了人体运动数据的规律性;利用灰色预测方法对数据进行分析,有效的找出了人体运动的潜在规律性,通过预测之后的运动信息与所设定的动作阈值比较从而检测是否发生了骨骼抖动,从而使该发明的检测骨骼抖动的准确率得到了有效的提升。
附图说明
图1为本发明实施例中所述基于动态赋权和灰色预测下的骨骼抖动检测方法的实现流程图示意;
图2为本发明实施例中所有所述历史运动数据的序列图示意对;
图3为本发明实施例中对所述历史运动数据的处理流程图示意;
图4为本发明实施例中进行动态切割获取得到的有效数据的结果图示意;
图5为本发明实施例中对所述有效数据分析结果图示意;
图6为本发明实施例中对进行动态赋权处理后有效数据的结果图示意;
图7为本发明实施例中进行灰度化预测后有效数据的结果图示意;
图8为使用本发明方法与现有技术方法对骨骼抖动的检测对比示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,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。
在本发明实施例中,提供了一种基于动态赋权和灰色预测下的骨骼抖动检测方法,对利用骨骼传感器采集得到历史运动数据进行动态识别处理;根据分段变幂函数对历史运动数据进行初始化处理,初步断定是否发生骨骼抖动;最终通过灰色预测算法对历史运动数据进行整合,提取历史运动数据的特征,基于获取的特征对骨骼之后1s~2s中的人体骨骼运动进行预测,判断骨骼是否发生抖动。
参阅图1和图2,本发明的基于动态赋权和灰色预测下的骨骼抖动检测方法具体包括如下步骤:
S1、采集设定骨骼动作的历史运动数据,对历史运动数据利用距离公式进行动态切割,截取历史运动数据中对应骨骼动作的有效数据序列;具体的,本发明实施例通过利用骨骼传感器采集得到的人体肩部、肘部以及腕部骨骼运动在骨骼传感器下三维坐标系中的实际坐标值作为历史运动数据。
在本实施例中,利用骨骼传感器Kinect获取到需要骨骼的每帧的三维坐标信息,其中,三维坐标值分别表示人身体肩部、肘部以及腕部骨骼运动在Kinect下三维坐标系中的实际坐标值,将坐标值作为历史运动数据。优选地,本发明选取骨骼传感器Kinect采集得到的100个表示人体肩部、肘部以及腕部骨骼运动在三维坐标系中的实际值作为历史运动数据;在实际操作过程中,因为人体运动时骨骼动作存在较多之前处于平衡的数据,为了消除平衡数据对骨骼检测的影响,本发明通过灵敏度分析得到3s~4s范围内的历史运动数据,通过将获取得到骨骼运动的历史数据与采集得到人体肩部、肘部和腕部在三维坐标系中的实际坐标值构成的最后一帧之差做平方差,将得到的平方差与一设定的阈值作比较,比较阈值与平方差得到值比较,去除历史运动数据中的无效数据。
此外,为了去除人体骨骼运动时突然停止而对后续进行灰色预测产生影响,本发明将骨骼旋转指定的度数作为阈值,具体的,参阅图图3、4和图5,用x表示阈值,由于在实际操作中各个设备所获取到的骨骼数据长度的差异性,所以阈值x的选取可能有所差别;优选的,本实施例选取x=5,即选取与骨骼旋转5度时所产生的数据平方差,用y表示所述平方差。然后,通过其余3~4s内的数据与最后一帧所获取到的三维坐标数据与平方差y进行比较,将所有y<x内的所有序列作为有效数据,其他的作为无效数据舍弃。
S2、采用分段幂函数对有效数据序列进行动态赋权处理,得到赋权数据序列,并基于赋权数据序列获取对应骨骼动作的第一规律性;具体的,本发明方法通过公式计算第k个历史运动数据x的权重,并基于权重得到赋权数据序列;结合图6,在对历史数据进行截取后,总共获取了23个有效数据,在此分别根据公式计算23个有效数的权重,随后根据计算获取得到的权重进行动态赋权处理,获取骨骼动作的第一规律性。
S3、采用灰度预测算法整合赋权数据序列,获取赋权数据序列对应的骨骼动作的第二规律性,基于第二规律性预测骨骼在1s~2s后的运动数据;参阅图7,具体包括如下步骤:
首先,判断赋权数据序列是否满足GM(1,1)灰色预测的可行性:
设定有效数据序列为xo=(x0(1),x0(2),...,x0(n)),并计算有效数据序列的级比并判断所有级比是否落在区间若不是所有级比均落在区间内,则对数据序列做平移变换等数据变化操作;否则,构建GM(1,1)灰色预测模型,通过GM(1,1)灰色预测模型累加赋权数据序列生成对应规律性:
假设赋权数据序列累加后为其中,x1的灰导数为d(k)=x0(k);获取赋权数据序列的邻值生成数列z1(k)=ax1(k)+(1-a)x1,基于邻值生成数列z1(k)=ax1(k)+(1-a)x1求得GM(1,1)的灰微分方程d(k)+az1(k)=b,其中,a和b为待求参数;
最后,通过回归方程求解灰微分方程d(k)+az1(k)=b分别获得a和b的估计值,并得到灰微分方程d(k)+az1(k)=b的最终解:实现对骨骼在1s~2s后的抖动的预测。
S4、基于历史运动数据设置人体运动所对应的骨骼运动阈值采用距离公式对运动数据预处理得到数据序列{Ym},Ym=Yi,0≤i≤m,若则说明骨骼无抖动现象;否则,说明出现骨骼抖动。具体的,本发明方法基于利用骨骼传感器Kinect获取的三维坐标值通过三角关系从而确定阈值然后将数据序列与阈值比较,根据上述的比较结果来说明骨骼判断骨骼是否发生抖动。
参阅图8,将本发明方法对骨骼抖动的检测与现有的移动平均法等方法进行比较,从中可知,在平均每100次的骨骼抖动检测过程中,本发明的方法的骨骼检测正确次数达到了94次,检测准确率为94%;相较于现有的移动平均法等有效提升了骨骼抖动检测的次数。
与现有技术相比,本发明的有益效果为:本发明通过对初始的骨骼运动的历史运动数据序列利用分段幂级数等方法进行二次处理有效的减少了处理大量冗余数据所造成的时间复杂度以及空间复杂度,同时加强了人体运动数据的规律性;利用灰色预测方法对数据进行分析,有效的找出了人体运动的潜在规律性,通过预测之后的运动信息与所设定的动作阈值比较从而检测是否发生了骨骼抖动,从而使该发明的检测骨骼抖动的准确率得到了有效的提升。
以上仅为本发明的较佳实施例,但并不限制本发明的专利范围,尽管参照前述实施例对本发明进行了详细的说明,对于本领域的技术人员而言,其依然可以对前述各具体实施方式所记载的技术方案进行修改,或者对其中部分技术特征进行等效替换。凡是利用本发明说明书及附图内容所做的等效结构,直接或间接运用在其他相关的技术领域,均同理在本发明专利保护范围之内。
Claims (6)
1.一种基于动态赋权和灰色预测下的骨骼抖动检测方法,其特征在于,所述方法包括:
S1、采集设定骨骼动作的历史运动数据,对所述历史运动数据利用距离公式进行动态切割,截取所述历史运动数据中对应骨骼动作的有效数据序列;
S2、采用分段幂函数对所述有效数据序列进行动态赋权处理,得到赋权数据序列,并基于所述赋权数据序列获取对应骨骼动作的第一规律性;
S3、采用灰度预测算法整合所述赋权数据序列,获取所述赋权数据序列对应的骨骼动作的第二规律性,基于所述第二规律性预测骨骼在1s~2s后的运动数据;
S4、基于所述历史运动数据设置人体运动所对应的骨骼运动阈值采用距离公式对所述运动数据预处理得到数据序列{Ym},Ym=Yi,0≤i≤m,若则说明骨骼无抖动现象;否则,说明出现骨骼抖动。
2.如权利要求1所述的基于动态赋权和灰色预测下的骨骼抖动检测方法,其特征在于,所述历史运动数据由利用骨骼传感器采集的在骨骼传感器下三维坐标系表示人体肩部、肘部和腕部的实际坐标值构成。
3.如权利要求2所述的基于动态赋权和灰色预测下的骨骼抖动检测方法,其特征在于,步骤S1中所述预处理包括:通过灵敏度分析得到3s~4s的所述历史运动数据,以及
对所有所述历史运动数据与所述图片数据的最后一帧之差做平方差,并设定一阈值,比较所述阈值与所述平方差得到值比较,去除所述历史运动数据中的无效数据。
4.如权利要求1所述的基于动态赋权和灰色预测下的骨骼抖动检测方法,其特征在于,所述步骤S2包括:通过公式计算第k个所述历史运动数据x的权重,并基于所述权重得到所述赋权数据序列。
5.如权利要求1所述的基于动态赋权和灰色预测下的骨骼抖动检测方法,其特征在于,所述步骤S3包括:
S31、判断所述赋权数据序列是否满足GM(1,1)灰色预测的可行性:
设定所述有效数据序列为xo=(x0(1),x0(2),...,x0(n)),并计算所述有效数据序列的级比
判断所有所述级比是否落在区间若所有所述级比均落在所述区间内,则转至步骤S32,否则进行数据变化处理;
S32、构建GM(1,1)灰色预测模型,通过所述GM(1,1)灰色预测模型累加所述赋权数据序列生成对应规律性:
假设所述赋权数据序列累加后为其中,x1的灰导数为d(k)=x0(k);
获取所述赋权数据序列的邻值生成数列z1(k)=ax1(k)+(1-a)x1,基于所述邻值生成数列z1(k)=ax1(k)+(1-a)x1求得GM(1,1)的灰微分方程d(k)+az1(k)=b,其中,a和b为待求参数;
S33、通过回归方程求解所述灰微分方程d(k)+az1(k)=b分别获得a和b的估计值,并得到所述灰微分方程d(k)+az1(k)=b的最终解:实现对骨骼在1s~2s后的抖动的预测。
6.如权利要求5所述的基于动态赋权和灰色预测下的骨骼抖动检测方法,其特征在于,所述数据变化处理为平移变换。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910316968.8A CN110083239B (zh) | 2019-04-19 | 2019-04-19 | 一种基于动态赋权和灰色预测下的骨骼抖动检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910316968.8A CN110083239B (zh) | 2019-04-19 | 2019-04-19 | 一种基于动态赋权和灰色预测下的骨骼抖动检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110083239A true CN110083239A (zh) | 2019-08-02 |
CN110083239B CN110083239B (zh) | 2022-02-22 |
Family
ID=67415725
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910316968.8A Active CN110083239B (zh) | 2019-04-19 | 2019-04-19 | 一种基于动态赋权和灰色预测下的骨骼抖动检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110083239B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104899451A (zh) * | 2015-06-12 | 2015-09-09 | 哈尔滨工业大学 | 基于统计信号处理的时间序列预测模型选择方法 |
CN107174255A (zh) * | 2017-06-15 | 2017-09-19 | 西安交通大学 | 基于Kinect体感技术的三维步态信息采集与分析方法 |
WO2018120964A1 (zh) * | 2016-12-30 | 2018-07-05 | 山东大学 | 一种基于深度信息和骨骼信息的姿势矫正方法 |
CN108288300A (zh) * | 2018-01-12 | 2018-07-17 | 北京蜜枝科技有限公司 | 人体动作捕捉与骨骼数据映射系统及其方法 |
CN108536292A (zh) * | 2018-03-29 | 2018-09-14 | 深圳市芯汉感知技术有限公司 | 一种数据滤波方法及骨骼点坐标精确定位方法 |
CN109064487A (zh) * | 2018-07-02 | 2018-12-21 | 中北大学 | 一种基于Kinect骨骼节点位置追踪的人体姿势比较方法 |
-
2019
- 2019-04-19 CN CN201910316968.8A patent/CN110083239B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104899451A (zh) * | 2015-06-12 | 2015-09-09 | 哈尔滨工业大学 | 基于统计信号处理的时间序列预测模型选择方法 |
WO2018120964A1 (zh) * | 2016-12-30 | 2018-07-05 | 山东大学 | 一种基于深度信息和骨骼信息的姿势矫正方法 |
CN107174255A (zh) * | 2017-06-15 | 2017-09-19 | 西安交通大学 | 基于Kinect体感技术的三维步态信息采集与分析方法 |
CN108288300A (zh) * | 2018-01-12 | 2018-07-17 | 北京蜜枝科技有限公司 | 人体动作捕捉与骨骼数据映射系统及其方法 |
CN108536292A (zh) * | 2018-03-29 | 2018-09-14 | 深圳市芯汉感知技术有限公司 | 一种数据滤波方法及骨骼点坐标精确定位方法 |
CN109064487A (zh) * | 2018-07-02 | 2018-12-21 | 中北大学 | 一种基于Kinect骨骼节点位置追踪的人体姿势比较方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110083239B (zh) | 2022-02-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Quaid et al. | Wearable sensors based human behavioral pattern recognition using statistical features and reweighted genetic algorithm | |
CN107212890B (zh) | 一种基于步态信息的运动识别和疲劳检测方法及系统 | |
CN104729507B (zh) | 一种基于惯性传感器的步态识别方法 | |
CN108230359A (zh) | 目标检测方法和装置、训练方法、电子设备、程序和介质 | |
CN103974887B (zh) | 用于电梯运动检测的方法和装置 | |
CN103699795A (zh) | 一种运动行为识别方法、装置及运动强度监测系统 | |
CN108703760A (zh) | 基于九轴传感器的人体运动姿态识别系统及方法 | |
CN105229666A (zh) | 3d图像中的运动分析 | |
CN106981174A (zh) | 一种基于智能手机的老人跌倒检测方法 | |
CN109815865A (zh) | 一种基于虚拟水尺的水位识别方法及系统 | |
CN106096662A (zh) | 基于加速度传感器的人体运动状态识别 | |
CN108629170A (zh) | 身份识别方法以及相应的装置、移动终端 | |
CN111288986B (zh) | 一种运动识别方法及运动识别装置 | |
Cho et al. | Motion recognition with smart phone embedded 3-axis accelerometer sensor | |
CN112067015A (zh) | 基于卷积神经网络的计步方法、装置及可读存储介质 | |
CN110169774A (zh) | 一种基于区块链的运动状态识别系统及方法 | |
CN113065505A (zh) | 身体动作快速识别方法及系统 | |
Xie et al. | Meta-activity recognition: A wearable approach for logic cognition-based activity sensing | |
CN113642432A (zh) | 基于协方差矩阵变换的卷积神经网络用于人体姿态识别方法 | |
CN110132276B (zh) | 一种基于行人运动状态的自适应步长估计方法 | |
CN108717548A (zh) | 一种面向传感器动态增加的行为识别模型更新方法及系统 | |
CN108827290A (zh) | 一种人体运动状态反演装置及方法 | |
CN105654061A (zh) | 基于估计补偿的三维人脸动态重建方法 | |
CN116226727A (zh) | 一种基于ai的运动识别系统 | |
CN111582361A (zh) | 基于惯性传感器的人体行为识别方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |