刚性模型姿态识别技术中的数据表达与矩阵变化

毕瑛璞

(国防科技大学文理学院,湖南长沙 410073)

刚性模型的姿态识别有着广泛的应用前景,当前主要的识别方法有基于图像分析和加速度传感器两种。基于图像分析的方法在图像检索应用中有难以替代的优势,而基于加速度传感器的姿态识别则能很好地实现精度高和环境适应性强的要求[1]。这两类姿态识别实质都是模式识别问题,出于姿态识别数据的复杂性和计算的高强度性,矩阵计算在姿态识别的各类高效算法中必不可少,是模型构建与数据表达的基础。

高效的姿态识别算法可以有效降低硬件成本,并提高识别的准确度[2]。众多研究表明基于矩阵变换的卡尔曼滤波算法、神经网络算法以及动态路径优化算法,在刚性模型姿态识别技术中拥有良好的应用前景,具有较高的参考价值。

1 卡尔曼滤波算法

卡尔曼滤波(Kalman filtering)是一种使用线性系统状态方程,进行系统状态最优估计的算法[3]。有外部变量的自回归移动平均系统或者可用有理传递函数表示的系统都可以转换成用状态空间表示的系统,也就能用卡尔曼滤波进行计算[4]。

张庆宾等[5]研究了利用穿戴式传感器进行人体姿态捕捉的问题,提出基于姿态航向参考系统(AHRS)对人体姿态进行捕捉的方法。通过陀螺仪的原始数据,可以得到相对姿态角。通过加速度计和磁力计信号,解算得到绝对姿态角。经过小波降噪后,由多元数据融合可解算得到姿态角度,利用欧拉角与四元数转换关系,求出初始四元数,定义姿态角度矩阵,利用协方差矩阵更新卡尔曼滤波器的增益值,进一步解算出了稳定、精确的姿态角度、速度和加速度。文献报道所设计的AHRS模块算出的姿态角度动态误差控制在3o以内,具有很好的实时性、准确性、稳健性。

2 神经网络算法

神经网络算法,是一种使用网状结构的算法,其数据处理结构与神经突触连接的结构相似。采用神经网络来对人体姿态分类的研究已有一些报道[6,7],取得了较高的识别精度。在传感器的类型和数据复杂性不断提高的大趋势下,需要对该类算法进行优化,例如粒子群优化BP算法等(PSO-BP)。何佳佳等[8]为了提高人体姿态的识别精度,提出一种基于改进的粒子群优化(PSO)神经网络的人体姿态识别算法。使用训练后的神经网络对6种人体姿态进行了识别,识别精度很高。

郭钧等[9]运用高斯分布方法来建立背景模型,并利用彩色背景差分进行运动人体的检出。通过对检出的人体图像进行形态学处理后,分别进行实体、轮廓和几何矩三种特征的提取。每个特征建立了一个BP神经网络分类器,经多种人体姿态样本独立训练后,再采用D-S证据理论对神经网络的输出结果进行融合处理,对运动人体姿态识别的测试认为:采用多特征神经网络融合方法比单特征神经网络取得更好的识别率,该方法可以用于各种智能视频监控系统中。

3 动态路径优化算法

刚性模型的姿态识别中,很多已报道的算法只限于单一角度的图像特征提取,或是简略单一的进行分类,且数据处理的算法过于复杂[10]。广泛应用于交通运输和地理测绘等领域的动态路径优化算法,在人体姿态识别中也有报道,将待识别人体姿态序列与经训练得到的样本人体姿态序列进行匹配。

陈芙蓉等[10]为实时获取人体的三维动作姿态序列,引入了DTW(动态时间规整)与ICP(迭代最近点算法)匹配算法。特征提取人体姿态的骨架特征,根据匹配算法,计算两组骨架模型之间的相似度,建立模型的匹配矩阵,再通过在待匹配的姿态序列中所有可能位置上进行最优搜索,确定匹配路径,实现姿态识别。该类方法相比传统的DTW算法拥有运算量小、运算复杂程度低和消耗时间短的优势。

综上可知,姿态识别技术当前已有较多的高效算法报道,依据姿态识别方式的不同和应用对象的差异,可以灵活选用或是将不同的算法进行融合。此外,随着软件的发展和设备集成化程度的提高,很多具体实例的算法已经较为完整地内嵌到实验器材中。但是矩阵构建、计算及其优化等是上述各类算法实现和数据表达的基础,拥有良好的矩阵数理知识在姿态识别技术的研究中仍然拥有重要的作用,特别是在某些算法的改进中是必不可少的实用工具。

[1]孔维行,乐燕芬,施伟斌,等.无线传感器网络人体姿态识别算法[J].数据通信,2013,(3):16-19.

[2]李宗民,刘玉杰,李振波,等.Bezier矩阵及其在人体姿态识别中的应用[J].计算机工程与应用,2005,41(24):38-40.

[3]彭丁聪.卡尔曼滤波的基本原理及应用[J].飞航导弹,2009,8(11):32-34.

[4]张友民,戴冠中.卡尔曼滤波计算方法研究进展[J].控制理论与应用,1995,12(5):529-538.

[5]张庆宾,田国会,张衍儒.基于AHRS的人体姿态捕捉系统的设计与实现[J].高技术通讯,2013,23(12):1292-1298.

[6]Fang H, He L. BP Neural Network for Human Activity Recognition in Smart Home[C]// International Conference on Computer Science & Service System. 2012:1034-1037.

[7]高晶敏,梁菁菁,李春云.基于 RBF 神经网络的人体动态姿态识别算法[J].北京信息科技大学学报,2011,26(4):27-29.

[8]何佳佳,李平,刘井平,等.改进PSO优化神经网络算法的人体姿态识别[J].传感器与微系统,2017,36(1):115-118.

[9]郭钧,韩新乐,李鹤喜.基于多神经网络融合的运动人体姿态识别[J].数字技术与应用,2016,(10):51-53.

[10]陈芙蓉,唐棣,王露晨,等.基于动态路径优化的人体姿态识别[J].计算机工程与设计,2016,37(10):2759-2763.