CN112347991B - 一种基于隐马尔可夫分析滑雪运动序列的方法 - Google Patents
一种基于隐马尔可夫分析滑雪运动序列的方法 Download PDFInfo
- Publication number
- CN112347991B CN112347991B CN202011378481.1A CN202011378481A CN112347991B CN 112347991 B CN112347991 B CN 112347991B CN 202011378481 A CN202011378481 A CN 202011378481A CN 112347991 B CN112347991 B CN 112347991B
- Authority
- CN
- China
- Prior art keywords
- probability
- skiing
- sequence
- state
- matrix
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
- G06V30/10—Character recognition
- G06V30/22—Character recognition characterised by the type of writing
- G06V30/226—Character recognition characterised by the type of writing of cursive writing
- G06V30/2268—Character recognition characterised by the type of writing of cursive writing using stroke segmentation
- G06V30/2276—Character recognition characterised by the type of writing of cursive writing using stroke segmentation with probabilistic networks, e.g. hidden Markov models
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Probability & Statistics with Applications (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Multimedia (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Image Analysis (AREA)
Abstract
本发明公开的一种基于隐马尔可夫分析滑雪运动序列的方法,属于运动姿态数据处理与分析领域。本发明实现方法为:通过对传感器采集到的滑雪者的原始姿态数据加窗处理,将原始姿态数据划分为时间序列上的数据帧后利用SVD和矩阵范数提取表示姿态矩阵的“象征值”。基于隐马尔可夫搭建滑雪运动序列的概率转移模型,并使用时间序列上的“象征值”序列优化滑雪运动序列的概率转移模型参数,计算出滑雪运动姿态序列隐状态的最优路径。通过最优隐状态路径和概率转移模型计算求得下一时刻各滑雪状态的概率,进而预测下一时刻的滑雪状态,根据对滑雪者滑雪的运动姿态预测数据能够评估滑雪者的运动状态,进而提升对滑雪训练者的训练效果。
Description
技术领域
本发明涉及一种基于隐马尔可夫分析滑雪运动序列的方法,属于运动姿态数据处理与分析领域。
背景技术
第24届冬季奥林匹克运动会将于2022年在我国举办,民众对冰雪运动的热情持续高涨。无论是业余爱好者还是专业运动员,在训练时都需获取滑雪过程中的动作序列,以对他们的滑雪过程进行分析指导。在获取人体运动姿态序列这一领域中最重要的技术便为动作捕捉技术,国内外众多学者利用现有的动捕技术对获取人体运动姿态序列进行了大量研究,目前主流的动作捕捉方法分为光电捕捉,图像捕捉和惯性传感器捕捉三种。在构建分析人体运动姿态序列这一领域中,国内外研究人员构思使用了诸多方法:使用SVM对数据的时域特征和频域特征进行分类构建姿态序列、基于DTW距离的加速度时间序列数据的相似性度量的人体姿态序列识别构建方法、基于LSTM的人体运动姿态模型构建方法等等。在采集分析姿态的过程中,上述方法有以下两处缺点:
(1).人体关节数量多,姿态数据矩阵维度高,造成运算量大的问题。
(2).上述分析方法侧重于对姿态数据的匹配分类,并未关注姿态之间的转移概率,因此所构建的模型不具有通用指导性。
发明内容
本发明的目的是提供一种基于隐马尔可夫分析滑雪运动序列的方法,能够解决下述技术问题:(1)通过使用SVD奇异值分解和矩阵范数降低姿态矩阵的维度,进而通过低维数据表示姿态信息,减小计算量;(2)借助隐马尔可夫方法搭建滑雪运动序列的概率转移模型;(3)通过观测状态优化滑雪运动序列模型参数;(4)借助得到滑雪运动序列的概率转移模型对运动序列进行分析,实现对运动员滑雪运动过程的分析。本发明的应用领域包括滑雪运动的分析、指导、评估等领域。
本发明的目的是通过下述技术方案实现的。
本发明公开的一种基于隐马尔可夫分析滑雪运动序列的方法,通过对传感器采集到的滑雪者的原始姿态数据加窗处理,将原始姿态数据划分为时间序列上的数据帧后利用SVD和矩阵范数提取表示姿态矩阵的“象征值”。基于隐马尔可夫搭建滑雪运动序列的概率转移模型,并使用时间序列上的“象征值”序列优化滑雪运动序列的概率转移模型参数,计算出滑雪运动姿态序列隐状态的最优路径。通过最优隐状态路径和概率转移模型计算求得下一时刻各滑雪状态的概率,进而预测下一时刻的滑雪状态,根据对滑雪者滑雪的运动姿态预测数据能够评估滑雪者的运动状态,进而提升对滑雪训练者的训练效果。
本发明公开的一种基于隐马尔可夫分析滑雪运动序列的方法,包括如下步骤:
步骤一:对传感器采集到的滑雪者的原始姿态数据加窗处理,将原始姿态数据划分为时间序列上的数据帧。人体原始姿态数据以表的形式存储,表中行表示时间帧,列表示身体节点。在使用人体骨骼模型表示姿态时,借助人体关节点来表示三维人体骨架模型。但在滑雪运动中,运动姿态主要受有四肢和躯干的姿态影响,同时为了降低姿态数据维度,只提取头、背、腰、四肢的传感器数据来表示人体骨架模型。通过加窗分割时间帧,能够更好识别出姿态数据。窗口划分的主要方法分为三类,行为定义窗口、事件定义窗口和滑动窗口。其中滑动窗口与其余窗口分割方法不同的地方在于滑动窗口在分割前无需考虑数据内容,仅采用固定长度的窗口滑动划分数据即可。滑动窗口能够很好地适应周期行为、稳定行为和零星分布行为的识别,故选用滑动窗口分割姿态序列。
步骤二:利用SVD和矩阵范数提取表示姿态矩阵的“象征值”。在分割好的单一窗口中构成以时间序列为列,姿态数据为行的矩阵。该矩阵维度高,隐藏特征多,难以直接进行匹配分类。采用SVD奇异值分解对矩阵进行特征提取。矩阵的奇异值对应于该矩阵的列向量在最为显著的子空间上的分布。即如果矩阵的列向量在高维空间中近似的分布于一条直线,则该矩阵第一个奇异值将会远大于其余的奇异值,基于此能够得到矩阵的列向量的空间分布情况。此外,由于矩阵前ε%的特征值已经包括矩阵的大部分信息,基于此能够进行滑雪运动的特征压缩提取。选取K帧时间数据构成一个时间窗,时间窗内包含L个人体节点的三个方向的旋转角,组成一个K*(3*L)大小的矩阵。通过寻找一个“象征值”,该值能够极大化的表征矩阵中姿态数据在时间帧上的特征,并且表示方法简洁。在对矩阵进行运算后,通过求取奇异矩阵的二范数得到时间窗姿态矩阵的“象征值”。
步骤三:基于隐马尔可夫模型搭建滑雪运动姿态序列概率转移模型。HMM模型的参数有三部分,初始概率π、状态转移概率A和状态观测概率B。将所述三部分用一个符号λ表示,即:
λ=(π,A,B)
使用Q表示滑雪运动中所有隐藏状态的集合,S表示滑雪运动中所有观测状态的集合,所述两个集合的大小分别为N和M,即:
Q={q1,q2,…,qN}
S={s1,s2,…,sM}
其中q1,q2,…,qN表示N个不同的隐藏状态,s1,s2,…,sM表示M个不同的观测状态。
在实际采集到的时间序列中,I是时长为T的状态序列,O是对应时刻的观测序列,即:
I=(i1,i2,…,iT)
O=(o1,o2,…,oT)
其中i1,i2,…,iT表示各时刻隐藏状态的值,o1,o2,…,oT表示各时刻观测状态的值。
基于上述定义,将隐马尔可夫模型三部分参数定义为:π={πi},A={aij},B={bj(k)},其元素具体为:
πi=P(i1=qi),i=1,2,…,N
aij=P(it+1=qj∣it=qi)
bj(k)=P(ot=sk∣it=qj)
其中πi,aij和bj(k)分别表示初始概率矩阵、状态转移概率矩阵和状态观测概率矩阵中的元素。
步骤四:使用前向算法或后向算法对滑雪运动姿态序列的概率转移模型进行概率计算,即根据概率转移模型计算观测状态概率。在滑雪运动中,当得到运动序列概率转移模型后,需要计算出在该概率转移模型下出现当前观测状态的概率,并据此计算求得概率转移模型的前向概率和后向概率。
使用前向算法或后向算法对滑雪运动姿态序列的概率转移模型进行概率计算,即根据概率转移模型计算P(O∣λ)。在滑雪运动中,当得到运动序列概率转移模型后,需要计算出在该概率转移模型下出现当前观测状态的概率,并据此计算求得概率转移模型的前向概率α和后向概率β。α和β的定义是建立在隐马尔可夫的齐次马尔可夫性条件和观测独立性条件上的,定义为:
αt(i)=P(o1,o2,…,ot,it=qi∣λ)
βt(i)=P(ot+1,ot+2,…,oT∣it=qi,λ)
其中αt(i)和βt(i)分别表示t时刻隐藏状态为qi下的前向概率和后向概率。
对不同时刻t上的αt(i)和βt(i),通过迭代递推方法求取:
步骤4-a:定义初值α1(i)=πibi(o1),βT(i)=1。
步骤4-b:计算αt(i)和βt(i)的递推式。
步骤4-c:计算观测序列概率P(O∣λ)。
步骤五:根据计算求得的前向概率和后向概率以及观测到的滑雪姿态数据对隐马尔可夫模型参数进行优化学习。参数学习的问题描述为在给定观测序列的情况下求解λ使得观测序列概率P(O∣λ)最大,通过EM算法(期望极大算法)的修正算法Baum-Welch算法进行训练,通过构造期望函数Q并极大化该函数得到模型参数,收敛得到HMM各参数的估计值。
作为优选,Baum-Welch算法的计算过程如下:
通过极大化Q函数(拉格朗日乘子法)从而求得模型参数A,B,π:
根据步骤四计算出的前向概率和后向概率,定义γt(i)和ξt(i,j)两个辅助概率矩阵简化模型参数的计算式:
πi=γ1(i)
步骤六:步骤三至步骤五所述的滑雪运动姿态序列的概率转移模型构建方法和参数优化方法是基于滑雪运动姿态序列隐状态序列未知情况下搭建的,在搭建好概率转移模型后,选用维特比算法寻求到滑雪运动姿态序列隐状态的最优路径。
δ1(i)=πibi(o1)
步骤6-b:对t从2时刻至T时刻进行递推迭代:
步骤6-c:迭代收敛条件:
步骤七:通过步骤六得到滑雪运动姿态序列隐状态序列的最优路径后,使用步骤三至步骤五得到的滑雪运动姿态序列概率转移模型计算求得下一时刻各滑雪状态的概率,进而预测下一时刻的滑雪运动隐状态iT+1和观测状态oT+1。此外,还能够通过得到滑雪运动序列的概率转移模型对运动序列进行分析,实现对运动员滑雪运动过程的分析。
还包括步骤八:当步骤一至步骤六所述的基于隐马尔可夫分析滑雪运动序列的方法应用于滑雪运动中的姿态数据处理与分析领域,滑雪者的运动处于长时间的连续状态,较少有大范围突变的情况。通过步骤六得到滑雪运动姿态序列隐状态序列的最优路径后,使用步骤三至步骤五得到的滑雪运动姿态序列概率转移模型计算求得下一时刻各滑雪状态的概率,进而预测下一时刻的滑雪状态。此外,还能够通过得到滑雪运动序列的概率转移模型对运动序列进行分析,进而实现对滑雪者滑雪运动姿态的预测,根据对滑雪者滑雪的运动姿态预测数据能够评估滑雪者的运动状态,进而提升对滑雪训练者的训练效果。
有益效果:
1、本发明公开的一种基于隐马尔可夫分析滑雪运动序列的方法,基于SVD奇异值分解和矩阵范数降低姿态矩阵的维度,用单一数值代替复杂的信息,实现使用低维数据表示姿态信息,能够解决复杂高维姿态矩阵难以直接参与运算的问题,减小计算量,进而提高分析效率。
2、本发明公开的一种基于隐马尔可夫分析滑雪运动序列的方法,基于隐马尔可夫方法搭建滑雪运动序列的概率转移模型,实现使用隐马尔可夫模型中的状态转移概率矩阵和初始状态概率矩阵搭建滑雪姿态概率转移模型,并通过滑雪运动过程中的姿态观测序列优化滑雪姿态概率转移模型的参数,计算求得隐状态的最优路径,进而预测下一时刻的滑雪状态。此外,还能够通过得到滑雪运动序列的概率转移模型对运动序列进行分析,进而实现对滑雪者滑雪运动姿态的预测,根据对滑雪者滑雪的运动姿态预测数据能够评估滑雪者的运动状态,进而提升对滑雪训练者的训练效果。
附图说明
图1本发明公开的一种基于隐马尔可夫分析滑雪运动序列的方法流程图。
图2是使用SVD和矩阵范数求取姿态矩阵“象征值”的算法伪代码图。
图3是使用平台滑雪姿态数据下的隐状态转移图。
具体实施方式
为了更好的说明本发明的目的和优点,下面结合附图和实例对发明内容做进一步说明。
为了验证方法的可行性,本实施例选择在室内滑雪模拟平台(SkyTechSport ski&fit)上采集滑雪中连续的左右回转运动姿态数据。
如图1所示,本实施例公开的一种基于隐马尔可夫分析滑雪运动序列的方法,具体实现步骤如下:
步骤一:对原始姿态数据加窗处理,将其划分为时间序列上的数据帧。人体原始姿态数据以表的形式存储,表中行表示时间帧,列表示身体节点。本发明应用于滑雪运动时姿态主要受四肢和躯干的影响,故使用11节点人体骨骼模型表示人体姿态,即通过头、背、腰、四肢的数据来表示人体骨架模型。为了在时间序列上分割出各时间帧的姿态信息,本发明选用滑动窗口分割姿态序列。综合考虑窗口包含的特征和延迟,本发明选用50%重叠的滑动窗口。单帧包含100个时刻的数据,每个时刻数据之间间隔0.008s(125HZ)。
步骤二:利用SVD和矩阵范数提取表示姿态矩阵的“象征值”。在分割好的单一窗口中构成了以时间序列为列,姿态数据为行的矩阵。该矩阵维度高,隐藏特征多,难以直接进行匹配分类。本发明采用SVD奇异值分解对矩阵进行特征提取,算法如附图2所示。以步骤一分割好的时间帧矩阵(100*3*11)为输入,输出得到该时间帧下的姿态“象征值”序列。
在本实例中得到“象征值”后,由于只有两个观测状态,便令0为左回转状态,1为右回转状态。本实例选择时长T为100的状态观测序列。
序列:[1.1.1.0.0.0.0.1.1.1.1.1.0.0.0.0.0.1.1.1.0.0.0.1.1.1.0.0.0.1.1.0.0.0.0.0.0.0.1.1.1.1.0.0.0.1.1.1.1.1.0.0.0.0.0.0.0.1.1.1.1.0.0.0.0.1.1.1.1.1.0.0.0.1.1.1.1.1.0.0.0.0.1.1.1.0.0.1.1.1.1.1.]
步骤三:搭建隐马尔可夫模型。HMM模型的参数有三部分,初始概率π、状态转移概率A和状态观测概率B。将这三部分用一个符号λ表示,即:
λ=(π,A,B)
本实施例使用Q表示滑雪运动中所有隐藏状态的集合,S表示滑雪运动中所有观测状态的集合,在本应用实例中观测状态分为左回转和右回转两个状态,并取隐藏状态为三个状态。
Q={q1,q2,q3}
S={s1,s2,}
在实际采集到的时间序列中,本应用实例选取100作为时长T,据此定义状态序列I和观测序列O为:
I=(i1,i2,…,i100)
O=(o1,o2,…,o100)
基于上述定义,将隐马尔可夫模型三部分参数定义为:π={πi},A={aij},B={bj(k)},其元素具体为:
πi=P(i1=qi),i=1,2,…,N
aij=P(it+1=qj∣it=qi)
bj(k)=P(ot=sk∣it=qj)
步骤四:使用前向算法或后向算法对模型进行概率计算,即根据模型计算P(O∣λ)。在滑雪运动中,当我们得到运动序列模型后,我们需要使用在该模型下出现此观测状态的概率,并据此计算求得模型的前向概率α和后向概率β。α和β的定义是建立在隐马尔可夫本身满足的齐次马尔可夫性条件和观测独立性条件上的,定义为:
αt(i)=P(o1,o2,…,ot,it=qi∣λ)
βt(i)=P(ot+1,ot+2,…,oT∣it=qi,λ)
对不同时刻t上的αt(i)和βt(i)的求取可通过迭代递推的方法求取:
步骤4-a:定义初值α1(i)=πibi(o1),βT(i)=1。
步骤4-b:计算αt(i)和βt(i)的递推式。
步骤4-c:计算观测序列概率P(O∣λ)。
在实际应用中,随着时间序列的增长,观测序列概率会变得越来越小,在本应用实例中,求得的P(O∣λ)=3.528695994964016e-20。
步骤五:根据计算求得的前向概率和后向概率以及观测到的滑雪姿态数据对隐马尔可夫模型参数进行优化学习。参数学习的问题可以描述为在给定观测序列的情况下求解λ使得P(O∣λ)最大,这本质上可以通过EM算法(期望极大算法)的修正算法Baum-Welch算法进行训练,通过构造期望函数Q并极大化该函数得到模型参数,重复该过程至收敛便可以得到HMM各参数的估计值。作为优选,Baum-Welch算法的计算过程如下:
通过极大化Q函数(拉格朗日乘子法)从而求得模型参数A,B,π:
根据步骤四计算出的前向概率和后向概率,定义辅助概率矩阵γt(i)和ξt(i,j),并以此简化模型参数的计算式:
πi=γ1(i)
在本应用实例中,根据观测序列最后迭代(迭代次数49次,精确度为0.01)得到的状态转移矩阵A和状态观测矩阵B为:
步骤六:步骤三至步骤五所述的滑雪运动姿态序列的概率转移模型构建方法和参数优化方法是基于滑雪运动姿态序列隐状态序列未知情况下搭建的,在搭建好概率转移模型后,选用维特比算法寻求到滑雪运动姿态序列隐状态的最优路径。
δ1(i)=πibi(o1)
步骤6-b:对t从2时刻至T时刻进行递推迭代:
步骤6-c:迭代收敛条件:
步骤6-d:从T-1时刻回溯最优路径:
在本实例中根据观测序列和步骤五学习好的模型参数,回溯得到的最优路径为:
序列:[0.2.2.1.1.1.1.0.2.2.2.2.1.1.1.1.1.0.2.2.1.1.1.0.2.2.1.1.1.0.2.1.1.1.1.1.1.1.0.2.2.2.1.1.1.0.2.2.2.2.1.1.1.1.1.1.1.0.2.2.2.1.1.1.1.0.2.2.2.2.1.1.1.0.2.2.2.2.1.1.1.1.0.2.2.1.1.0.2.2.2.2.]
步骤七:通过步骤六得到滑雪运动姿态序列隐状态序列的最优路径后,使用步骤三至步骤五得到的滑雪运动姿态序列概率转移模型计算求得下一时刻各滑雪状态的概率,进而预测下一时刻的滑雪运动隐状态iT+1和观测状态oT+1。此外,还能够通过得到滑雪运动序列的概率转移模型对运动序列进行分析,实现对运动员滑雪运动过程的分析。在本应用实例中,由步骤六得到的最优路径和步骤五得到的模型可预估出下一时刻最大可能状态为左回转,据此能够分析滑雪者下一时刻的姿态是否符合标准滑雪姿态。
还包括步骤八:当步骤一至步骤六所述的基于隐马尔可夫分析滑雪运动序列的方法应用于滑雪运动中的姿态数据处理与分析领域,滑雪者的运动处于长时间的连续状态,较少有大范围突变的情况。通过步骤六得到滑雪运动姿态序列隐状态序列的最优路径后,使用步骤三至步骤五得到的滑雪运动姿态序列概率转移模型计算求得下一时刻各滑雪状态的概率,进而预测下一时刻的滑雪状态。本应用实例中,基于步骤一至步骤六,得到整体滑雪运动姿态序列的概率转移模型,基于该模型能够分析得到滑雪者在各时刻下不同滑雪隐状态的状态转移概率,能够分析得到下一时刻滑雪者的预测状态,通过分析滑雪运动序列的概率转移模型和滑雪运动的预测姿态,评估滑雪者的运动状态,进而提升对滑雪训练者的训练效果。
以上所述的具体描述,对发明的目的、技术方案和有益效果进行了进一步详细说明,所应理解的是,以上所述仅为本发明的具体实施例而已,并不用于限定本发明的保护范围,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (5)
1.一种基于隐马尔可夫分析滑雪运动序列的方法,其特征在于:包括如下步骤,
步骤一:对传感器采集到的滑雪者的原始姿态数据加窗处理,将原始姿态数据划分为时间序列上的数据帧;人体原始姿态数据以表的形式存储,表中行表示时间帧,列表示身体节点;在使用人体骨骼模型表示姿态时,借助人体关节点来表示三维人体骨架模型;但在滑雪运动中,运动姿态主要受有四肢和躯干的姿态影响,同时为了降低姿态数据维度,只提取头、背、腰、四肢的传感器数据来表示人体骨架模型;通过加窗分割时间帧,能够更好识别出姿态数据;窗口划分的主要方法分为三类,行为定义窗口、事件定义窗口和滑动窗口;其中滑动窗口与其余窗口分割方法不同的地方在于滑动窗口在分割前无需考虑数据内容,仅采用固定长度的窗口滑动划分数据即可;滑动窗口能够很好地适应周期行为、稳定行为和零星分布行为的识别,故选用滑动窗口分割姿态序列;
步骤二:利用SVD和矩阵范数提取表示姿态矩阵的“象征值”;在分割好的单一窗口中构成以时间序列为列,姿态数据为行的矩阵;该矩阵维度高,隐藏特征多,难以直接进行匹配分类;采用SVD奇异值分解对矩阵进行特征提取;矩阵的奇异值对应于该矩阵的列向量在最为显著的子空间上的分布;即如果矩阵的列向量在高维空间中近似的分布于一条直线,则该矩阵第一个奇异值将会远大于其余的奇异值,基于此能够得到矩阵的列向量的空间分布情况;此外,由于矩阵前ε%的特征值已经包括矩阵的大部分信息,基于此能够进行滑雪运动的特征压缩提取;选取K帧时间数据构成一个时间窗,时间窗内包含L个人体节点的三个方向的旋转角,组成一个K*(3*L)大小的矩阵;通过寻找一个“象征值”,该值能够极大化的表征矩阵中姿态数据在时间帧上的特征,并且表示方法简洁;在对矩阵进行运算后,通过求取奇异矩阵的二范数得到时间窗姿态矩阵的“象征值”;
步骤三:基于隐马尔可夫模型搭建滑雪运动姿态序列概率转移模型;基于隐马尔可夫模型搭建滑雪运动姿态序列概率转移模型;HMM模型的参数有三部分,初始概率π、状态转移概率A和状态观测概率B;将所述三部分用一个符号λ表示,即:
λ=(π,A,B)
使用Q表示滑雪运动中所有隐藏状态的集合,S表示滑雪运动中所有观测状态的集合,所述两个集合的大小分别为N和M,即:
Q={q1,q2,…,qN}
S={s1,s2,…,sM}
其中q1,q2,...,qN表示N个不同的隐藏状态,s1,s2,...,sM表示M个不同的观测状态;
在实际采集到的时间序列中,I是时长为T的状态序列,o是对应时刻的观测序列,即:
I=(i1,i2,...,iT)
O=(o1,o2,...,oT)
其中i1,i2,...,iT表示各时刻隐藏状态的值,o1,o2,...,oT表示各时刻观测状态的值;
基于上述定义,将隐马尔可夫模型三部分参数定义为:π={πi},A={aij},B={bj(k)},其元素具体为:
πi=P(i1=qi),i=1,2,...,N
aij=P(it+1=qj|it=qi)
bj(k)=P(ot=sk|it=qj)
其中πi,aij和bj(k)分别表示初始概率矩阵、状态转移概率矩阵和状态观测概率矩阵中的元素;
步骤四:使用前向算法或后向算法对滑雪运动姿态序列的概率转移模型进行概率计算,即根据概率转移模型计算观测状态概率;在滑雪运动中,当得到运动序列概率转移模型后,需要计算出在该概率转移模型下出现当前观测状态的概率,并据此计算求得概率转移模型的前向概率和后向概率;
步骤五:根据计算求得的前向概率和后向概率以及观测到的滑雪姿态数据对隐马尔可夫模型参数进行优化学习;参数学习的问题描述为在给定观测序列的情况下求解λ使得观测序列概率P(O|λ)最大,通过EM算法,即期望极大算法的修正算法Baum-Welch算法进行训练,通过构造期望函数Q并极大化该函数得到模型参数,收敛得到HMM各参数的估计值;
步骤六:步骤三至步骤五所述的滑雪运动姿态序列的概率转移模型构建方法和参数优化方法是基于滑雪运动姿态序列隐状态序列未知情况下搭建的,在搭建好概率转移模型后,选用维特比算法寻求到滑雪运动姿态序列隐状态的最优路径;
2.如权利要求1所述的一种基于隐马尔可夫分析滑雪运动序列的方法,其特征在于:还包括步骤八,当步骤一至步骤六所述的基于隐马尔可夫分析滑雪运动序列的方法应用于滑雪运动中的姿态数据处理与分析领域,滑雪者的运动处于长时间的连续状态,较少有大范围突变的情况;通过步骤六得到滑雪运动姿态序列隐状态序列的最优路径后,使用步骤三至步骤五得到的滑雪运动姿态序列概率转移模型计算求得下一时刻各滑雪状态的概率,进而预测下一时刻的滑雪状态;此外,还能够通过得到滑雪运动序列的概率转移模型对运动序列进行分析,进而实现对滑雪者滑雪运动姿态的预测,根据对滑雪者滑雪的运动姿态预测数据能够评估滑雪者的运动状态,进而提升对滑雪训练者的训练效果。
3.如权利要求2所述的一种基于隐马尔可夫分析滑雪运动序列的方法,其特征在于:步骤四实现方法为,
使用前向算法或后向算法对滑雪运动姿态序列的概率转移模型进行概率计算,即根据概率转移模型计算P(O|λ);在滑雪运动中,当得到运动序列概率转移模型后,需要计算出在该概率转移模型下出现当前观测状态的概率,并据此计算求得概率转移模型的前向概率α和后向概率β;α和β的定义是建立在隐马尔可夫的齐次马尔可夫性条件和观测独立性条件上的,定义为:
αt(i)=P(o1,o2,…,ot,it=qi|λ)
βt(i)=P(ot+1,ot+2,…,oT|it=qi,λ)
其中αt(i)和βt(i)分别表示t时刻隐藏状态为qi下的前向概率和后向概率;
对不同时刻t上的αt(i)和βt(i),通过迭代递推方法求取:
步骤4-a:定义初值α1(i)=πibi(o1),βT(i)=1;
步骤4-b:计算αt(i)和βt(i)的递推式;
步骤4-c:计算观测序列概率P(O|λ);
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011378481.1A CN112347991B (zh) | 2020-11-30 | 2020-11-30 | 一种基于隐马尔可夫分析滑雪运动序列的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011378481.1A CN112347991B (zh) | 2020-11-30 | 2020-11-30 | 一种基于隐马尔可夫分析滑雪运动序列的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112347991A CN112347991A (zh) | 2021-02-09 |
CN112347991B true CN112347991B (zh) | 2022-04-01 |
Family
ID=74366061
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011378481.1A Active CN112347991B (zh) | 2020-11-30 | 2020-11-30 | 一种基于隐马尔可夫分析滑雪运动序列的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112347991B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113065431B (zh) * | 2021-03-22 | 2022-06-17 | 浙江理工大学 | 一种基于隐马尔可夫模型和循环神经网络的人体违规行为预测方法 |
CN114358415A (zh) * | 2021-12-31 | 2022-04-15 | 国网上海市电力公司 | 基于交互式隐马尔可夫的台风季节架空线路跳闸预测方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102393910A (zh) * | 2011-06-29 | 2012-03-28 | 浙江工业大学 | 一种基于非负矩阵分解和隐马尔科夫模型的人体行为识别方法 |
CN102592112A (zh) * | 2011-12-20 | 2012-07-18 | 四川长虹电器股份有限公司 | 基于隐马尔科夫模型判断手势运动方向的方法 |
CN104766038A (zh) * | 2014-01-02 | 2015-07-08 | 株式会社理光 | 手掌开合动作识别方法和装置 |
US10672383B1 (en) * | 2018-12-04 | 2020-06-02 | Sorenson Ip Holdings, Llc | Training speech recognition systems using word sequences |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8948783B2 (en) * | 2013-06-28 | 2015-02-03 | Facebook, Inc. | User activity tracking system |
CN109883429A (zh) * | 2019-04-15 | 2019-06-14 | 山东建筑大学 | 基于隐马尔科夫模型的零速检测方法以及室内行人惯性导航系统 |
-
2020
- 2020-11-30 CN CN202011378481.1A patent/CN112347991B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102393910A (zh) * | 2011-06-29 | 2012-03-28 | 浙江工业大学 | 一种基于非负矩阵分解和隐马尔科夫模型的人体行为识别方法 |
CN102592112A (zh) * | 2011-12-20 | 2012-07-18 | 四川长虹电器股份有限公司 | 基于隐马尔科夫模型判断手势运动方向的方法 |
CN104766038A (zh) * | 2014-01-02 | 2015-07-08 | 株式会社理光 | 手掌开合动作识别方法和装置 |
US10672383B1 (en) * | 2018-12-04 | 2020-06-02 | Sorenson Ip Holdings, Llc | Training speech recognition systems using word sequences |
Non-Patent Citations (2)
Title |
---|
Isolated text recognition using SVD and HMM;Mahesh Chandra,and etc;《2014 IEEE International Conference on Advanced Communications, Control and Computing Technologies》;20150126;第1264-1267页 * |
基于SVD特征降维和支持向量机的跌倒检测算法;白勇等;《计算机应用与软件》;20170131;第34卷(第1期);第247-251页 * |
Also Published As
Publication number | Publication date |
---|---|
CN112347991A (zh) | 2021-02-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103970271B (zh) | 融合运动和生理传感数据的日常活动识别方法 | |
CN112347991B (zh) | 一种基于隐马尔可夫分析滑雪运动序列的方法 | |
CN111950455B (zh) | 一种基于lffcnn-gru算法模型的运动想象脑电信号特征识别方法 | |
CN100485713C (zh) | 基于集成隐马尔可夫模型学习方法的人体运动数据的识别方法 | |
CN104461000B (zh) | 一种基于少量缺失信号的在线连续人体运动识别方法 | |
CN110298303B (zh) | 一种基于长短时记忆网络扫视路径学习的人群识别方法 | |
CN110555387A (zh) | 骨架序列中基于局部关节点轨迹时空卷的行为识别方法 | |
CN109508686B (zh) | 一种基于层次化特征子空间学习的人体行为识别方法 | |
CN110575663A (zh) | 一种基于人工智能的体育辅助训练方法 | |
CN111914643A (zh) | 一种基于骨骼关键点检测的人体动作识别方法 | |
Xu et al. | Scene image and human skeleton-based dual-stream human action recognition | |
CN109598219A (zh) | 一种用于鲁棒肌电控制的自适应电极配准方法 | |
Wei et al. | P3D-CTN: Pseudo-3D convolutional tube network for spatio-temporal action detection in videos | |
CN110956141B (zh) | 一种基于局部识别的人体连续动作快速分析方法 | |
CN111709284B (zh) | 基于cnn-lstm的舞蹈情感识别方法 | |
CN101561881B (zh) | 人体非程式化运动的情感识别方法 | |
CN112131928B (zh) | 一种rgb-d图像特征融合的人体姿态实时估计方法 | |
Fan et al. | Hybrid lightweight Deep-learning model for Sensor-fusion basketball Shooting-posture recognition | |
CN111382699A (zh) | 基于粒子群优化lstm算法的动态手势识别方法 | |
CN113975775B (zh) | 可穿戴式惯性体感乒乓运动训练系统及其工作方法 | |
Ko et al. | CNN and bi-LSTM based 3D golf swing analysis by frontal swing sequence images | |
CN115346272A (zh) | 基于深度图像序列的实时摔倒检测方法 | |
Martin et al. | 3D attention mechanism for fine-grained classification of table tennis strokes using a Twin Spatio-Temporal Convolutional Neural Networks | |
Muhamada et al. | Review on recent computer vision methods for human action recognition | |
Tarasevičius et al. | Deep learning model for sensor based swimming style recognition |
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 |