动作识别方法和装置

暂无

动作识别方法和装置\n技术领域\n[0001] 本发明涉及模式识别领域，具体涉及一种动作识别方法和装置。\n背景技术\n[0002] 当前，人机交互的方式发生着重大的变革，从传统的按键式交互，到了今天从所周知的触屏交互，这种变化产生的原因主要是基于鼠标、键盘的传统人机交互设备的不便性日益凸显，如何使人与机器之间的交互能够自然的模拟人与人之间的交流变得越来越重要。人体动作识别技术无需借助任何计算机系统的传统的输入设备就能够识别用户意图，为用户提供了全新的操作体验。\n[0003] 在人体动作动作识别的研究中主要有两个方向：基于计算机视觉的人体动作识别和基于可穿戴的传感器的人体动作识别。基于计算机视觉的方法面临着一个难以克服的难题:遮挡，用户必须被严格地限定在与摄像设备之间没有遮挡的范围内。而可穿戴传感器却完全不受此限制，因此基于可穿戴的动作识别引起了学者们的研究兴趣，目前已经有很多基于手势交互的产品，比如Xbox的Kinect、任天堂的Wii等等。此外，由于智能手机的普及率越来越高，且当今的智能手机中已嵌入各种传感器，如加速传感器，陀螺仪等等，将人体动作识别技术运用到智能手机中，不但增强了智能手机的智能化程度，还丰富和便利了用户的生活。Taiwoo Park等在2011年举办的会议“The 9th ACM Conference on Embedded Networked SensorSystems”上发表的文章"E-Gesture:A Collaborative Architecture for Energy-efficient Gesture Recognition with Hand-worn Sensor and Mobile Devices"讲述了基于智能手机的手势动作的识别系统E-Gesture，其利用携带式传感器和智能手机相结合来进行手势动作识别，基本步骤如下:首先使用者携带传感器，开始手势动作;然后对收集的数据进行分割，一共进行两次分割，一次是基于加速传感器的分割，另一次是基于陀螺仪传感器的分割;分割后，进行部分噪声过滤，并将分割后的手势动作片段从传感器端发送到手机端;手机端进行手势动作识别。\n[0004] 然而，E-Gesture采用阈值分割法对手势动作进行分割，其对于噪声的过滤性不强，分割结果容易受到采集手势动作数据时引入的噪声的干扰，分割不精确导致降低了手势动作识别结果的正确率;E-Gesture使用隐马尔科夫模型进行建模，而隐马尔科夫模型需要大量的训练数据才能训练出很好的模型，在训练样本比较少的情况下达不到很好的效果;此外，E-Gesture利用外部传感器，结合手机完成手势动作识别，可扩展性不强。\n发明内容\n[0005] (一)要解决的技术问题\n[0006] 本发明要解决的技术问题在于提供一种动作识别方法和装置，以克服在对动作分割时容易受到噪声干扰的问题。\n[0007] (二)技术方案\n[0008] 作为本发明的一个方面，提供了一种动作识别方法，包括:\n[0009] 步骤S1：采集动作数据，针对所述动作数据计算拟合数据，所述拟合数据用于表征所述动作的能量变化的大小;步骤S2:将预定数量的所述拟合数据按时间顺序读入滑动窗口，所述滑动窗口随时间推移向前滑动以获得更新的拟合数据，根据滑动窗口内的拟合数据的中位数来确定动作启动点和动作停止点，提取所述动作启动点和所述动作停止点之间的所有所述动作数据作为有效动作数据;步骤S3:对所述有效动作数据进行识别，判断动作类型。\n[0010] 进一步地，所述步骤S1还包括:将所述拟合数据与预设的第一阈值进行比较，当所述拟合数据大于所述第一阈值时，判定所述动作处于开始状态，开始记录所述动作数据;\n当所述拟合数据小于所述第一阈值时，判定所述动作处于静止状态，如果静止时间大于预定时长，则停止记录所述动作数据。\n[0011] 进一步地，其中确定所述动作启动点包括:当滑动窗口内的拟合数据的中位数开始大于预设的第二阈值时，确定此时的中位数所对应的动作数据的采集时间为所述动作启动点;或者当滑动窗口内的拟合数据的中位数开始大于预设的第三阈值且开始大于或等于前一中位数的2倍时，确定此时的中位数所对应的动作数据的采集时间为所述动作启动点;其中所述第二阈值大于所述第三阈值。\n[0012] 进一步地，其中确定所述动作停止点包括:当滑动窗口内的拟合数据的中位数开始小于所述第三阈值时，确定此时的中位数所对应的动作数据的采集时间为所述动作停止点;或者当滑动窗口内的拟合数据的中位数开始小于所述第二阈值且开始小于或等于前一中位数的0.5倍时，确定此时的中位数所对应的动作数据的采集时间为动作停止点。\n[0013] 进一步地，所述步骤S3包括:基于所述有效动作数据，计算所述动作与样本库中存储的原型动作的动态时间规整距离，将使得所述动作与样本库中存储的原型动作的所述动态时间规整距离最小的原型动作判定为所述动作的类型。\n[0014] 进一步地，所述步骤S3包括:基于所述有效动作数据中的三轴线性加速度数据和三轴旋转加速度数据计算所述动作与所述样本库中存储的原型动作的第一动态时间规整距离;基于所述有效动作数据中的三轴线性加速度数据计算所述动作与所述样本库中所存储的原型动作的第二动态时间规整距离;基于所述有效动作数据中的三轴旋转加速度数据计算所述动作与所述样本库中存储的原型动作的第三动态时间规整距离;根据所述第一动态时间规整距离、所述第二动态时间规整距离和所述第三动态时间规整距离确定与所述动作最接近的原型动作，将所述最接近的原型动作判定为所述动作的类型。\n[0015] 进一步地，所述步骤S3包括:当所述样本库中的原型动作的数量达到预定数量时利用隐马尔科夫模型对所述动作进行识别。\n[0016] 进一步地，还包括:基于所述有效动作数据，计算所述动作与样本库中存储的原型动作的动态时间规整距离，如果所述动作与所述样本库中存储的原型动作的所述动态时间规整距离的最小值小于预设距离，则将所述动作存入所述样本库。\n[0017] 作为本发明的另一方面，还提供了一种动作识别装置，包括:采集单元，采集动作数据;拟合数据计算单元，针对所述动作数据计算拟合数据，所述拟合数据用于表征所述动作的能量变化的大小;有效动作数据提取单元，将预定数量的所述拟合数据按时间顺序读入滑动窗口，所述滑动窗口随时间推移向前滑动以获得更新的拟合数据，根据滑动窗口内的拟合数据的中位数来确定动作启动点和动作停止点，提取所述动作启动点和所述动作停止点之间的所有所述动作数据作为有效动作数据;识别单元，对所述有效动作数据进行识别，判断动作类型。\n[0018] 进一步地，所述动作识别装置为智能手机。\n[0019] (三)有益效果\n[0020] 本发明提供的动作识别方法和动作识别装置，将预定数量的拟合数据按时间顺序读入滑动窗口，滑动窗口随时间推移向前滑动以获得更新的拟合数据，根据滑动窗口内的拟合数据的中位数来确定动作启动点和动作停止点，提取动作启动点和动作停止点之间的所有动作数据作为有效动作数据。即使采集数据的过程中引入了少量噪声点，也很难影响到滑动窗口中拟合数据的中位数的值，能够有效避免在对动作数据分割时噪声的影响，使得能够精确地将有效动作数据分割出来。由此可见，这种分割方法有效过滤了数据采集时的噪声，提高了动作识别结果的准确率。\n附图说明\n[0021] 图1是本发明实施例的动作识别方法的流程图;\n[0022] 图2是本发明实施例的动作识别方法的步骤S1的流程图;\n[0023] 图3是本发明实施例的动作识别方法的步骤S3的流程图；\n[0024] 图4是本发明实施例的动作识别装置的结构示意图；\n[0025] 图5是本发明实施例的动作识别装置的识别单元的结构示意图；\n[0026] 图6是本发明另一实施例的动作识别装置的识别单元的结构示意图;\n[0027] 图7是现有动态时间规整算法中通过最优路径寻找最优距离的示意图;以及[0028] 图8是现有动态时间规整算法中计算最优距离的方法的流程图。\n具体实施方式\n[0029] 为了使本领域的技术人员更好地理解本发明的技术方案，下面结合附图和具体实施例对本发明作进一步的详细说明。\n[0030] 图1是本发明实施例的动作识别方法的流程图。如图1所示，本实施例的一种动作识别方法，包括:\n[0031] 步骤S1：采集动作数据，针对动作数据计算拟合数据，拟合数据用于表征所述动作的能量变化的大小;\n[0032] 步骤S2:将预定数量的拟合数据按时间顺序读入滑动窗口，滑动窗口随时间推移向前滑动以获得更新的拟合数据，根据滑动窗口内的拟合数据的中位数来确定动作启动点和动作停止点，提取动作启动点和所述动作停止点之间的所有所述动作数据作为有效动作数据;以及\n[0033] 步骤S3:对有效动作数据进行识别。\n[0034] 由于即使采集数据的过程中引入了少量噪声点，也很难影响到滑动窗口中拟合数据的中位数的值，能够有效避免在对动作数据分割时噪声的影响，使得能够精确地将有效动作数据分割出来。由此可见，这种分割方法有效过滤了数据采集时的噪声，提高了动作识别结果的准确率。\n[0035] 具体而言，动作数据可以是线性加速度数据、或者是旋转加速度数据，也可以是线性加速度数据和旋转加速度数据，优选地，本实施例中，采集动作的三轴线性加速度数据和三轴旋转加速度数据。拟合数据HF的计算可利用公式: 其中accel_x、accel_y、acccl_z分别是x、y、z\n轴上的线性加速度，G是重力加速度。还可以利用公式:\n计算拟合数据，其中gryo_x、gryo_y、gryo_z分别是x、y、z轴上的旋转加速度。此外，还可以有其他计算拟合数据的方法和变形，比如在仅对二维空间内的动作进行识别的情况下，仅使用双轴加速度数据计算拟合数据。由于拟合数据表征了动作的能量变化的大小，因此其可以用于判断是否有动作的发生。\n[0036] 在下文中，将会参照图2和3，对本发明实施例的动作识别方法的各个步骤进行具体描述。\n[0037] 参考图2，步骤S1可用如下方式实现:步骤S101：采集动作数据，针对动作数据计算拟合数据;步骤S102:将拟合数据与预设的第一阈值进行比较，当拟合数据大于第一阈值时，判定动作处于开始状态，开始记录动作数据;步骤S103:当拟合数据小于第一阈值时，判定动作处于静止状态;步骤S104:如果静止时间大于预定时长，则停止记录动作数据。预定时长可根据经验而设定，例如200ms。由此，通过这种对动作的开始和静止进行初步判断的方式，可以避免一直采集动作数据而引起的不必要的功耗。此外，还可以设定，当仅利用动作的线性加速度数据计算拟合数据时，在通过拟合数据判断动作处于开始状态后，开始记录动作的线性加速度数据计算拟合数据，此时，也开始采集并记录动作的旋转加速度数据，在这种方式下，只有在确定动作处于开始状态时，才开始对旋转加速度数据进行采集和记录，因此可以降低采集动作数据的设备的功耗。\n[0038] 对于步骤S2，设定滑动窗口的长度为N个数据单元，滑动窗口随时间推移每次向前滑动m个数据单元，优选地m