一种基于运动字串的运动标注方法

摘要

本发明公开了一种基于运动字串的运动标注方法。该方法可对实时采集(由深度摄像机或传统运动捕获设备)的人体运动进行在线标注。首先，我们对原始运动数据建立聚类索引模型，将运动序列转化为运动字串。然后，通过提出的字串匹配算法对不同运动字串进行相似度比较。接着，建立基于层级聚类的运动字串优化模型，在运动识别中对字串匹配效率进行优化。最后，通过滑动时间窗策略对输入的运动进行实时标注。本发明可以获得较高的运动标注识别准确率，并可有效避免时域错位的问题。

主权项

一种基于运动字串的运动标注方法，其特征在于包括如下步骤：1)对任意给定的三维人体运动数据集进行类别标注与训练样本集划分,对数据集中的全部运动序列中的每个姿态进行旋转、平移对齐处理，使其中心点固定为坐标原点，身体平面前方朝向统一；2)对数据集中全部运动序列包含的所有帧采用k‑means算法进行聚类，共K个聚类类别，聚类中心为C_k，k＝1，2，...，K，以每帧对应的聚类索引编号v∈V＝{1，2，...，K}作为该帧的标识字符，对于给定运动序列s＝{f₁，f₂，...，f_n}，其中f_i为运动中的某一帧，n为运动序列总帧数，则该运动序列可由每帧对应的标识字符表示，称为运动字串：A＝{a₁，a₂，...，a_n}，a_i∈V        (1)3)对给定的两段运动序列，假设其对应的运动字串分别为A和B，对应长度分别为n_A和n_B，则其相似度匹配结果可按如下方法计算：首先，按照字典V对应的聚类索引顺序，计算生成一个大小为K×K的对称的权重矩阵W，其中每个元素w_ij＝||C_i‑C_j||₂；随后，若n_A＞n_B则交换A和B；接着，建立大小为(n_A+1)×(n_B+1)的动态规划矩阵D，其初值为：最后，按照以下公式对D中其他元素进行计算：$D_{i,j}=\min \left(D_{i-1,j-1},D_{i-1,j},D_{i,j-1}\right)+W_{a_i,b_j}---\left(3\right)$矩阵D右下角元素即为两段运动的相似度。4)对数据库中所有运动字串用自底向上的层级聚类方法进行聚类，采用迭代的方法，每次将最接近的两个聚类合并为一类，直到所有聚类中心之间的两两距离均大于阈值σ，具体的聚类算法描述如下：4.1初始化：对于运动数据库中的每段运动序列，其对应的运动字串为A_i，i＝1，2，...，N，每个字串构成单独的一类其聚类中心即为A_i本身；4.2计算距离矩阵M，其中M_i，j＝stringMatch(A_i，A_j)，这里的stringMatch方法即步骤2)中的相似度计算方法；4.3找到M中距离最小的两段运动字串和4.4如果M_k1，k2＞σ，则返回现有全部类及其聚类中心，算法终止；否则，合并这两个字串所对应的两类和生成新类别L′；4.5计算新类L′的中心点：对所有A_i∈L′，计算D_i＝max(stringMatch(A_i，A_j)),计算i′＝argmin_iD_i，则中心T_i＝A_i′；4.6依照步骤4.2更新距离矩阵M，同类字串的距离设为+∞；4.7重复步骤4.3至4.6，直到结束；4.8去掉只有一段运动字串的聚类，以消除部分误差；5)对于输入的运动序列，与步骤4)得到的所有聚类中心字串进行比较，按相似度由小到大排序，利用加权投票的方法，以得票最多的类别作为输入运动序列的类别标注；6)利用滑动时间窗口策略，对在线输入的运动序列，以2秒为时间窗长度，0.5秒为时间窗间隔，即每0.5秒将前2秒内的运动序列按步骤1)至步骤5)所述方法获取类别标注，作为实时标注的结果。