剛性模型姿態(tài)識(shí)別技術(shù)中的數(shù)據(jù)表達(dá)與矩陣變化

畢瑛璞

(國(guó)防科技大學(xué)文理學(xué)院,湖南長(zhǎng)沙 410073)

剛性模型的姿態(tài)識(shí)別有著廣泛的應(yīng)用前景,當(dāng)前主要的識(shí)別方法有基于圖像分析和加速度傳感器兩種?；趫D像分析的方法在圖像檢索應(yīng)用中有難以替代的優(yōu)勢(shì),而基于加速度傳感器的姿態(tài)識(shí)別則能很好地實(shí)現(xiàn)精度高和環(huán)境適應(yīng)性強(qiáng)的要求[1]。這兩類姿態(tài)識(shí)別實(shí)質(zhì)都是模式識(shí)別問題,出于姿態(tài)識(shí)別數(shù)據(jù)的復(fù)雜性和計(jì)算的高強(qiáng)度性,矩陣計(jì)算在姿態(tài)識(shí)別的各類高效算法中必不可少,是模型構(gòu)建與數(shù)據(jù)表達(dá)的基礎(chǔ)。

高效的姿態(tài)識(shí)別算法可以有效降低硬件成本,并提高識(shí)別的準(zhǔn)確度[2]。眾多研究表明基于矩陣變換的卡爾曼濾波算法、神經(jīng)網(wǎng)絡(luò)算法以及動(dòng)態(tài)路徑優(yōu)化算法,在剛性模型姿態(tài)識(shí)別技術(shù)中擁有良好的應(yīng)用前景,具有較高的參考價(jià)值。

1 卡爾曼濾波算法

卡爾曼濾波(Kalman filtering)是一種使用線性系統(tǒng)狀態(tài)方程,進(jìn)行系統(tǒng)狀態(tài)最優(yōu)估計(jì)的算法[3]。有外部變量的自回歸移動(dòng)平均系統(tǒng)或者可用有理傳遞函數(shù)表示的系統(tǒng)都可以轉(zhuǎn)換成用狀態(tài)空間表示的系統(tǒng),也就能用卡爾曼濾波進(jìn)行計(jì)算[4]。

張慶賓等[5]研究了利用穿戴式傳感器進(jìn)行人體姿態(tài)捕捉的問題,提出基于姿態(tài)航向參考系統(tǒng)(AHRS)對(duì)人體姿態(tài)進(jìn)行捕捉的方法。通過陀螺儀的原始數(shù)據(jù),可以得到相對(duì)姿態(tài)角。通過加速度計(jì)和磁力計(jì)信號(hào),解算得到絕對(duì)姿態(tài)角。經(jīng)過小波降噪后,由多元數(shù)據(jù)融合可解算得到姿態(tài)角度,利用歐拉角與四元數(shù)轉(zhuǎn)換關(guān)系,求出初始四元數(shù),定義姿態(tài)角度矩陣,利用協(xié)方差矩陣更新卡爾曼濾波器的增益值,進(jìn)一步解算出了穩(wěn)定、精確的姿態(tài)角度、速度和加速度。文獻(xiàn)報(bào)道所設(shè)計(jì)的AHRS模塊算出的姿態(tài)角度動(dòng)態(tài)誤差控制在3o以內(nèi),具有很好的實(shí)時(shí)性、準(zhǔn)確性、穩(wěn)健性。

2 神經(jīng)網(wǎng)絡(luò)算法

神經(jīng)網(wǎng)絡(luò)算法,是一種使用網(wǎng)狀結(jié)構(gòu)的算法,其數(shù)據(jù)處理結(jié)構(gòu)與神經(jīng)突觸連接的結(jié)構(gòu)相似。采用神經(jīng)網(wǎng)絡(luò)來對(duì)人體姿態(tài)分類的研究已有一些報(bào)道[6,7],取得了較高的識(shí)別精度。在傳感器的類型和數(shù)據(jù)復(fù)雜性不斷提高的大趨勢(shì)下,需要對(duì)該類算法進(jìn)行優(yōu)化,例如粒子群優(yōu)化BP算法等(PSO-BP)。何佳佳等[8]為了提高人體姿態(tài)的識(shí)別精度,提出一種基于改進(jìn)的粒子群優(yōu)化(PSO)神經(jīng)網(wǎng)絡(luò)的人體姿態(tài)識(shí)別算法。使用訓(xùn)練后的神經(jīng)網(wǎng)絡(luò)對(duì)6種人體姿態(tài)進(jìn)行了識(shí)別,識(shí)別精度很高。

郭鈞等[9]運(yùn)用高斯分布方法來建立背景模型,并利用彩色背景差分進(jìn)行運(yùn)動(dòng)人體的檢出。通過對(duì)檢出的人體圖像進(jìn)行形態(tài)學(xué)處理后,分別進(jìn)行實(shí)體、輪廓和幾何矩三種特征的提取。每個(gè)特征建立了一個(gè)BP神經(jīng)網(wǎng)絡(luò)分類器,經(jīng)多種人體姿態(tài)樣本獨(dú)立訓(xùn)練后,再采用D-S證據(jù)理論對(duì)神經(jīng)網(wǎng)絡(luò)的輸出結(jié)果進(jìn)行融合處理,對(duì)運(yùn)動(dòng)人體姿態(tài)識(shí)別的測(cè)試認(rèn)為:采用多特征神經(jīng)網(wǎng)絡(luò)融合方法比單特征神經(jīng)網(wǎng)絡(luò)取得更好的識(shí)別率,該方法可以用于各種智能視頻監(jiān)控系統(tǒng)中。

3 動(dòng)態(tài)路徑優(yōu)化算法

剛性模型的姿態(tài)識(shí)別中,很多已報(bào)道的算法只限于單一角度的圖像特征提取,或是簡(jiǎn)略單一的進(jìn)行分類,且數(shù)據(jù)處理的算法過于復(fù)雜[10]。廣泛應(yīng)用于交通運(yùn)輸和地理測(cè)繪等領(lǐng)域的動(dòng)態(tài)路徑優(yōu)化算法,在人體姿態(tài)識(shí)別中也有報(bào)道,將待識(shí)別人體姿態(tài)序列與經(jīng)訓(xùn)練得到的樣本人體姿態(tài)序列進(jìn)行匹配。

陳芙蓉等[10]為實(shí)時(shí)獲取人體的三維動(dòng)作姿態(tài)序列,引入了DTW(動(dòng)態(tài)時(shí)間規(guī)整)與ICP(迭代最近點(diǎn)算法)匹配算法。特征提取人體姿態(tài)的骨架特征,根據(jù)匹配算法,計(jì)算兩組骨架模型之間的相似度,建立模型的匹配矩陣,再通過在待匹配的姿態(tài)序列中所有可能位置上進(jìn)行最優(yōu)搜索,確定匹配路徑,實(shí)現(xiàn)姿態(tài)識(shí)別。該類方法相比傳統(tǒng)的DTW算法擁有運(yùn)算量小、運(yùn)算復(fù)雜程度低和消耗時(shí)間短的優(yōu)勢(shì)。

綜上可知,姿態(tài)識(shí)別技術(shù)當(dāng)前已有較多的高效算法報(bào)道,依據(jù)姿態(tài)識(shí)別方式的不同和應(yīng)用對(duì)象的差異,可以靈活選用或是將不同的算法進(jìn)行融合。此外,隨著軟件的發(fā)展和設(shè)備集成化程度的提高,很多具體實(shí)例的算法已經(jīng)較為完整地內(nèi)嵌到實(shí)驗(yàn)器材中。但是矩陣構(gòu)建、計(jì)算及其優(yōu)化等是上述各類算法實(shí)現(xiàn)和數(shù)據(jù)表達(dá)的基礎(chǔ),擁有良好的矩陣數(shù)理知識(shí)在姿態(tài)識(shí)別技術(shù)的研究中仍然擁有重要的作用,特別是在某些算法的改進(jìn)中是必不可少的實(shí)用工具。

[1]孔維行,樂燕芬,施偉斌,等.無線傳感器網(wǎng)絡(luò)人體姿態(tài)識(shí)別算法[J].數(shù)據(jù)通信,2013,(3):16-19.

[2]李宗民,劉玉杰,李振波,等.Bezier矩陣及其在人體姿態(tài)識(shí)別中的應(yīng)用[J].計(jì)算機(jī)工程與應(yīng)用,2005,41(24):38-40.

[3]彭丁聰.卡爾曼濾波的基本原理及應(yīng)用[J].飛航導(dǎo)彈,2009,8(11):32-34.

[4]張友民,戴冠中.卡爾曼濾波計(jì)算方法研究進(jìn)展[J].控制理論與應(yīng)用,1995,12(5):529-538.

[5]張慶賓,田國(guó)會(huì),張衍儒.基于AHRS的人體姿態(tài)捕捉系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)[J].高技術(shù)通訊,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 神經(jīng)網(wǎng)絡(luò)的人體動(dòng)態(tài)姿態(tài)識(shí)別算法[J].北京信息科技大學(xué)學(xué)報(bào),2011,26(4):27-29.

[8]何佳佳,李平,劉井平,等.改進(jìn)PSO優(yōu)化神經(jīng)網(wǎng)絡(luò)算法的人體姿態(tài)識(shí)別[J].傳感器與微系統(tǒng),2017,36(1):115-118.

[9]郭鈞,韓新樂,李鶴喜.基于多神經(jīng)網(wǎng)絡(luò)融合的運(yùn)動(dòng)人體姿態(tài)識(shí)別[J].數(shù)字技術(shù)與應(yīng)用,2016,(10):51-53.

[10]陳芙蓉,唐棣,王露晨,等.基于動(dòng)態(tài)路徑優(yōu)化的人體姿態(tài)識(shí)別[J].計(jì)算機(jī)工程與設(shè)計(jì),2016,37(10):2759-2763.