一种基于OptiTrack的人体姿态识别方法技术

本发明专利技术涉及一种基于OptiTrack的人体姿态识别方法，包括以下步骤：采用限幅滤波算法对OptiTrack的姿态数据帧序列进行限幅滤波处理，去除数据帧噪声；采用K‑均值聚类算法提取去噪后的数据帧序列的关键语义帧；本发明专利技术采用局部线性嵌入算法提取训练样本的姿态特征，并使用降维思路将关键语义帧带入训练样本的姿态特征中，对关键语义帧的特征进行分类，从而实现姿态的分类识别解决了在大范围内对人体姿态进行识别时，摄像机难以捕捉到人体的姿态信息的难题。

A method of human body attitude recognition based on OptiTrack

The invention relates to a human body posture recognition method based on OptiTrack, which comprises the following steps: limiting filtering using the attitude data frame sequence of OptiTrack limiting filter, removing noise by using K data frame; K-means clustering algorithm to extract data frames after denoising the key semantic frame; the method of extracting the features of attitude the training samples by using local linear embedding algorithm and use the dimension reduction idea will be the key semantic frame into the gesture features of training samples in the feature of key frame semantic classification, classification and recognition so as to realize the attitude to solve the recognition of human posture within a wide range of problems, the camera to capture the attitude information of the body.

【技术实现步骤摘要】
一种基于OptiTrack的人体姿态识别方法
本专利技术涉及一种基于OptiTrack的人体姿态识别方法，属于计算机的视觉和模式识别领域。
技术介绍
作为一种新型的人机交互方式，人体姿态识别算法一直是国内外学者研究的热点。随着VR技术的产生与发展，基于Kinect的小范围的姿态识别已不能满足VR大范围内动作识别、人机交互的需求，亟需一种新型的人体姿态识别方法满足VR技术的要求。OptiTrack是一款高精度、低延迟的运动捕捉系统，可以捕捉到20m×25m范围内物体的运动。相比于视频图像帧，OptiTrack产生的姿态数据帧序列具有数据维数低、表征性强等特点，非常适用于人体姿态识别。但是目前，还没有一种合适的算法配合OptiTrack进行人体姿态识别。
技术实现思路
本专利技术提供一种基于OptiTrack的人体姿态识别方法，解决了在大范围内对人体姿态进行识别时，摄像机难以捕捉到人体的姿态信息的难题。本专利技术解决其技术问题所采用的技术方案是：一种基于OptiTrack的人体姿态识别方法，包括以下步骤：第一步：采用限幅滤波算法对OptiTrack的姿态数据帧序列进行限幅滤波处理，去除数据帧噪声；第二步：采用K-均值聚类算法提取去噪后的数据帧序列的关键语义帧；第三步：采用局部线性嵌入算法提取训练样本的姿态特征，并使用降维思路将关键语义帧带入训练样本的姿态特征中，对关键语义帧的特征进行分类，从而实现姿态的分类识别；作为本专利技术的进一步优选，对OptiTrack的姿态数据帧序列进行限幅滤波处理，实现数据帧去噪，其具体过程包括如下：假设[x1,x2,…,xn]为OptiTrack捕获的姿态数据帧序列，限幅滤波后的姿态数据帧为：上式中A＝α/FPS，FPS为每秒传输帧数(FramesPerSecond)，α为常数；作为本专利技术的进一步优选，采用K-均值聚类算法提取姿态数据帧序列的关键语义帧的具体过程所述如下：截至时间T1，[x1,x2,…,xm1]为去噪后的姿态数据帧，通过聚类个数K为2的K-均值聚类算法：上式中x(j)已知,j＝1,2表示姿态数据xi,1≤i≤m1的类别信息，上式中的μ(j)表示类均值，得出上式中表示第j类的成员个数，表示姿态数据xi的权重。上述公式中μ(j)即为提取出的关键语义帧；截至时间T2，为新的一组去噪后的姿态数据帧，对重复上述过程，最终得到关键语义帧序列μ(1),μ(2),…,μ(n)；作为本专利技术的进一步优选，首先提取训练样本的姿态特征，已知训练样本其类别标签为首先通过权重系数构建训练样本点之间的权重矩阵：上述式中，为局部协方差矩阵，为剩余m-1个与标签相同的样本；根据目标函数：由上述目标函数化解出M＝(I-W)T(I-W)，其中，表示矩阵W中的第i行j列元素，则投影矩阵P＝[α1,α2,…,αd]，其中α1,α2,…,αd是矩阵M的前d个最小的非零特征值λ1,λ2,…,λd对应的特征向量；为特征提取后训练样本对应的待分类样本，即将关键语义帧序列μ(1),μ(2),…,μ(n)带入前述得出关键语义帧的姿态特征Y＝PT[μ(1),μ(2),…,μ(n)]＝[y1,y2,…,yn]；作为本专利技术的进一步优选，对关键语义帧降维分类，其具体过程如下：已知降维过后的样本与其标签信息L，计算关键语义帧的投影Y＝PT[μ(1),μ(2),…,μ(n)]，利用SVM分类器对Y中列向量进行分类。通过以上技术方案，相对于现有技术，本专利技术具有以下有益效果：本专利技术实现了，在大范围区域内(3m×3m到25m×20m)，对区域内持续运动的人体进行快速、准确的运动姿态分析识别，获得一系列人体动作姿态的标签附图说明下面结合附图和实施例对本专利技术进一步说明。图1为本专利技术所公布方法的算法流程图。图2为人体姿态图；图3为与图2人体姿态图对应的姿态数据帧。具体实施方式现在结合附图对本专利技术作进一步详细的说明。这些附图均为简化的示意图，仅以示意方式说明本专利技术的基本结构，因此其仅显示与本专利技术有关的构成。如图1-图3所示，本专利技术的目的是提供一种基于OptiTrack的人体姿态识别方法，其实现思路为：首先，利用限幅滤波算法对OptiTrack的姿态数据帧序列进行滤波，去除数据帧噪声；其次采用K-均值聚类算法提取姿态数据帧序列的关键语义帧，减少数据帧之间的冗余信息，提升算法的处理速度；同时，采用局部线性嵌入算法提取训练样本的特征，并使用同样的降维思路提取关键语义帧的特征，对关键语义帧的特征进行分类，实现姿态的分类识别；上述思路可以总结出以下步骤：第一步：采用限幅滤波算法对OptiTrack的姿态数据帧序列进行限幅滤波处理，去除数据帧噪声；第二步：采用K-均值聚类算法提取去噪后的数据帧序列的关键语义帧；第三步：采用局部线性嵌入算法提取训练样本的姿态特征，并使用降维思路将关键语义帧带入训练样本的姿态特征中，对关键语义帧的特征进行分类，从而实现姿态的分类识别；具体如下：第一步、对OptiTrack的姿态数据帧序列进行限幅滤波处理，实现数据帧去噪；噪声点的存在会影响姿态数据帧的精确性，进而影响最后的姿态分类结果。为了解决噪声问题，本专利技术采用限幅滤波的方法，处理姿态数据帧序列，去除数据噪声。滤波算法中A＝α/FPS是一个可自我调节的变量，可以根据FPS的大小自主调节A的大小，自适应的滤除姿态数据帧中的噪声点，其中α是放大倍数，把1/FPS放大，根据实际情况选取。这边的思路是在FPS值增大时，两帧序列之间的距离|xi-xi-1|变小，所以A定义成与FPS成反比，实际处理中1/FPS很小，两帧序列之间的距离远大于1/FPS，所以公式中需要把1/FPS放大α倍。第二步、采用K-均值聚类算法提取姿态数据帧序列的关键语义帧；对于实时的姿态识别分类算法，提取具有关键语义的数据帧是提高算法效率的有效步骤。为解决此类问题，本专利技术提出采用K-均值聚类的方法提取姿态数据帧序列的关键语义帧，减少数据的冗余信息。1、基于K-均值聚类算法提取关键语义帧截至时间T1，[x1,x2,…,xm1]为去噪后的姿态数据帧，通过K(聚类个数)为2的K-均值聚类算法：上式中x(j),j＝1,2表示姿态数据xi,1≤i≤m1的类别信息，上式中的μ(j)表示类均值：上式中表示第j类的成员个数，表示姿态数据xi的权重。上式中μ(j)即为提取出的关键语义帧。2、实时姿态数据流聚类处理在实际应用中，必须对姿态数据帧序列进行实时处理，才能及时输出当前时刻的姿态信息；本专利技术采取折中的方法，在减少算法计算量的同时实时输出的姿态信息。其具体算法流程如下：假设当前待聚类姿态数据帧为①随机选取两个聚类质心点μ(1),μ(2)；②对每一个待分类姿态数据帧，根据计算其应该属于的类别x(j),j＝1,2；③利用公式(7)重新计算两个质心点；④重复②③直至公式(6)的目标函数收敛；⑤计算每一类的序列顺序加权值其中表示Xt(1)中第i个数据帧；⑥若η(1)≥η(2)，则μ(1)＝μ(2),否则至此，便计算出第一帧关键语义帧μ(1)，利用新的姿态数据帧序列重复上述步骤，即可计算出全部关键语义帧μ(1),μ(2),…,μ(n)。第三步、采用局部线性嵌入算法提取训练样本特征，对关键语义帧降维分类1、提取训练样本特征已知训练样本其类别本文档来自技高网...

【技术保护点】
一种基于OptiTrack的人体姿态识别方法，其特征在于：包括以下步骤：第一步：采用限幅滤波算法对OptiTrack的姿态数据帧序列进行限幅滤波处理，去除数据帧噪声；第二步：采用K‑均值聚类算法提取去噪后的数据帧序列的关键语义帧；第三步：采用局部线性嵌入算法提取训练样本的姿态特征，并使用降维思路将关键语义帧带入训练样本的姿态特征中，对关键语义帧的特征进行分类，从而实现姿态的分类识别。

【技术特征摘要】
1.一种基于OptiTrack的人体姿态识别方法，其特征在于：包括以下步骤：第一步：采用限幅滤波算法对OptiTrack的姿态数据帧序列进行限幅滤波处理，去除数据帧噪声；第二步：采用K-均值聚类算法提取去噪后的数据帧序列的关键语义帧；第三步：采用局部线性嵌入算法提取训练样本的姿态特征，并使用降维思路将关键语义帧带入训练样本的姿态特征中，对关键语义帧的特征进行分类，从而实现姿态的分类识别。2.根据权利要求1所述的基于OptiTrack的人体姿态识别方法，其特征在于：对OptiTrack的姿态数据帧序列进行限幅滤波处理，实现数据帧去噪，其具体过程包括如下：假设[x1,x2,…,xn]为OptiTrack捕获的姿态数据帧序列，限幅滤波后的姿态数据帧为：上式中A＝α/FPS，FPS为每秒传输帧数，α为常数。3.根据权利要求1所述的基于OptiTrack的人体姿态识别方法，其特征在于：采用K-均值聚类算法提取姿态数据帧序列的关键语义帧的具体过程所述如下：截至时间T1，为去噪后的姿态数据帧，通过聚类个数K为2的K-均值聚类算法：上式中x(j)为已知，,j＝1,2表示姿态数据xi,1≤i≤m1的类别信息，上式中的μ(j)表示类均值，得出上式中表...

【专利技术属性】
技术研发人员：刘尚，周映江，蒋国平，葛晟宇，
申请(专利权)人：南京邮电大学，
类型：发明
国别省市：江苏,32