基于SVM的实时肢体动作识别方法技术

本发明专利技术提供了一种基于SVM的实时肢体动作识别方法，包括以下步骤：获取用户深度图像；获取深度图像三维坐标生成关节坐标模型；获取相邻两帧的每一关节角的差值作为动作特征；采用支持向量机模型训练算法，将动作特征进行测试分类并输出标签；利用向量机模型识别肢体动作。

【技术实现步骤摘要】
基于SVM的实时肢体动作识别方法
本专利技术涉及一种动态肢体动作识别技术，特别是一种基于SVM的实时肢体动作识别方法。
技术介绍
近年来手势识别在许多领域得到了应用，特别是在人机交互领域。与键盘和鼠标相比，身体姿势被认为是更为自然和灵活的输入。按照获取手势信息的途径不同，手势识别可以分为两种，一种是基于非视觉的识别，如数据手套，另一种是基于视觉的识别。最近越来越多的研究集中在基于视觉的手势识别上，一方面对于用户来说更加舒适，另一方面基于视觉的手势识别具有更好的辨识度。随着Kinect传感器的的问世，动静态深度图像识别使的视觉识别在人机交互领域扮演着越来越重要的角色。实时肢体动作的识别，在手势识别的基础上具有更高层次的应用，通过对用户多种肢体动作，如抬手、挥臂等肢体动作的识别，解决了之前局限的动静态手势识别问题，将手势延伸到肢体动作，对人机交互领域具有重大意义，可应用于多种场景。
技术实现思路
本专利技术的目的在于提供一种基于SVM的实时肢体动作识别方法，可以识别肢体动作。实现本专利技术目的的技术方案为：一种基于SVM的实时肢体动作识别方法，包括以下步骤：获取用户深度图像；获取深度图像三维坐标生成关节坐标模型；获取相邻两帧的每一关节角的差值作为动作特征；采用支持向量机模型训练算法，将动作特征进行测试分类并输出标签；利用向量机模型识别肢体动作。本专利技术与现有技术相比，具有以下优点：(1)相比于传统离线识别，本方法通过对用户的肢体动作进行实时在线检测，输出识别结果并及时响应用户需求，实现更为自然的人机交互方式；(2)基于SVM分类判定后输出识别结果及时响应用户需求，实现更为自然的人机交互方式。下面结合说明书附图对本专利技术作进一步描述。附图说明图1为本专利技术所提供的实时肢体动作识别方法的框架流程示意图。图2为本专利技术所提供的实时肢体动作识别方法基于关节点坐标的角度提取方法示意图。图3为本专利技术所提供肢体动作识别方法支持向量机模型框架流程示意图。具体实施方式结合图1，一种基于SVM的实时肢体动作识别方法，包括以下步骤：步骤1，基于Kinect传感器，获取用户深度图像；步骤2，获取深度图像中关节的三维坐标生成关节坐标模型；步骤3，获取相邻两帧每一关节角的差值作为动作特征；步骤4，将动作特征输入支持向量机模型中进行训练，得到不同肢体动作的标签；步骤5，利用支持向量机和标签识别肢体动作。利用骨骼跟踪技术，可以很方便的获取骨骼坐标数据，生成骨骼坐标模型。人体一共拥有若干个骨骼坐标点来代表身体部位的关节点，如头部、颈部、肩部、膝盖等，其中每个关节点都由一组三维坐标表示。骨骼跟踪技术将身体划分为多个部分，用不同的颜色表示，并定义表示身体各部分的标签。步骤2中，通过式(1)获取深度图像的三维坐标(u,v,x)其中，dI(x)是深度图像I中像素x的深度，θ＝(u,v)为u和v的偏移量。通过对其进行归一化处理是为了使得提取出来的特征具有深度不变性。通过划分出的各个身体部分信息获取各关节点位置。结合图2，步骤3中本专利技术所提供的实时肢体动作识别方法采用的是基于关节点坐标的角度提取方法。对于三维坐标已知的骨骼坐标点，我们可以建立角度模型，即对其中部分特殊节点，计算它们的角度关系。这些角度信息反应了节点间的位置关系，也反应了运动幅度大小。将角度分为两种，第一种角度被称为绝对拍摄角度(absolutecameraangles)，共12个，它们由“零坐标关节”，肩中心、髋关节、手臂和腿关节等共同组成，通过这12个角度作为参照物，可以使得常规角度不受相机拍摄位置的影响，同时也可保持旋转不变性。第二种角度是常规角度，也是我们真正用来表示动作的角度，共23个。其中包括12个实际骨骼关节角度，例如肩关节、肘关节、腕关节等。另外11个为自定义的表征动作特征的角度，例如踝-臀角和腕-臀角等。通过骨骼坐标点。可以建立角度模型，对其中部分特殊节点，计算他们的角度关系，获取动作特征向量。结合图3，步骤4的如下：步骤一、选取径向基函数作为核函数；步骤二、设计一28个的SVM二分类器，对8种手势之间进行两两比较；步骤三、选取训练集MSRC-12；步骤四、提取用户所做动作的特征向量；步骤五、利用关节角模型进行训练；步骤六、与预设动作模板进行比较，输出结果。每隔t时间对表示当前时刻动作的特征向量用SVM分类器进行归类，看是否属于之前预设的几类动作。利用核函数的选取，采用多手势分类策略，在获取训练样本后，提取动作点的特征向量，由关节角度模型进行训练，与预设模板动作进行比较，输出结果。通过构建SVM分类器，将肢体动作的特征向量通过骨骼跟踪技术获取，实时检测使用者与训练集模板之间的数据比较，进行分类响应并输出结果。本文档来自技高网...

【技术保护点】
1.一种基于SVM的实时肢体动作识别方法，其特征在于，包括以下步骤：获取用户深度图像；获取深度图像中三维坐标生成关节坐标模型；获取相邻两帧的每一关节角的差值作为动作特征；采用支持向量机模型训练算法，将动作特征进行测试分类并输出标签；利用向量机模型识别肢体动作。

【技术特征摘要】
1.一种基于SVM的实时肢体动作识别方法，其特征在于，包括以下步骤：获取用户深度图像；获取深度图像中三维坐标生成关节坐标模型；获取相邻两帧的每一关节角的差值作为动作特征；采用支持向量机模型训练算法，将动作特征进行测试分类并输出标签；利用向量机模型识别肢体动作。2.根据权利要求1所述的方法，其特征在于，通过式(1)获取深度图像的三维坐标(u,v,x)其中，dI(x)是深度图像I中像...

【专利技术属性】
技术研发人员：叶子杰，孙瑜，吴海涛，熊浩，董英杰，
申请(专利权)人：南京理工大学，
类型：发明
国别省市：江苏,32