剛性模型姿態識別技術中的數據表達與矩陣變化

畢瑛璞

(國防科技大學文理學院,湖南長沙 410073)

剛性模型的姿態識別有著廣泛的應用前景,當前主要的識別方法有基于圖像分析和加速度傳感器兩種。基于圖像分析的方法在圖像檢索應用中有難以替代的優勢,而基于加速度傳感器的姿態識別則能很好地實現精度高和環境適應性強的要求[1]。這兩類姿態識別實質都是模式識別問題,出于姿態識別數據的復雜性和計算的高強度性,矩陣計算在姿態識別的各類高效算法中必不可少,是模型構建與數據表達的基礎。

高效的姿態識別算法可以有效降低硬件成本,并提高識別的準確度[2]。眾多研究表明基于矩陣變換的卡爾曼濾波算法、神經網絡算法以及動態路徑優化算法,在剛性模型姿態識別技術中擁有良好的應用前景,具有較高的參考價值。

1 卡爾曼濾波算法

卡爾曼濾波(Kalman filtering)是一種使用線性系統狀態方程,進行系統狀態最優估計的算法[3]。有外部變量的自回歸移動平均系統或者可用有理傳遞函數表示的系統都可以轉換成用狀態空間表示的系統,也就能用卡爾曼濾波進行計算[4]。

張慶賓等[5]研究了利用穿戴式傳感器進行人體姿態捕捉的問題,提出基于姿態航向參考系統(AHRS)對人體姿態進行捕捉的方法。通過陀螺儀的原始數據,可以得到相對姿態角。通過加速度計和磁力計信號,解算得到絕對姿態角。經過小波降噪后,由多元數據融合可解算得到姿態角度,利用歐拉角與四元數轉換關系,求出初始四元數,定義姿態角度矩陣,利用協方差矩陣更新卡爾曼濾波器的增益值,進一步解算出了穩定、精確的姿態角度、速度和加速度。文獻報道所設計的AHRS模塊算出的姿態角度動態誤差控制在3o以內,具有很好的實時性、準確性、穩健性。

2 神經網絡算法

神經網絡算法,是一種使用網狀結構的算法,其數據處理結構與神經突觸連接的結構相似。采用神經網絡來對人體姿態分類的研究已有一些報道[6,7],取得了較高的識別精度。在傳感器的類型和數據復雜性不斷提高的大趨勢下,需要對該類算法進行優化,例如粒子群優化BP算法等(PSO-BP)。何佳佳等[8]為了提高人體姿態的識別精度,提出一種基于改進的粒子群優化(PSO)神經網絡的人體姿態識別算法。使用訓練后的神經網絡對6種人體姿態進行了識別,識別精度很高。

郭鈞等[9]運用高斯分布方法來建立背景模型,并利用彩色背景差分進行運動人體的檢出。通過對檢出的人體圖像進行形態學處理后,分別進行實體、輪廓和幾何矩三種特征的提取。每個特征建立了一個BP神經網絡分類器,經多種人體姿態樣本獨立訓練后,再采用D-S證據理論對神經網絡的輸出結果進行融合處理,對運動人體姿態識別的測試認為:采用多特征神經網絡融合方法比單特征神經網絡取得更好的識別率,該方法可以用于各種智能視頻監控系統中。

3 動態路徑優化算法

剛性模型的姿態識別中,很多已報道的算法只限于單一角度的圖像特征提取,或是簡略單一的進行分類,且數據處理的算法過于復雜[10]。廣泛應用于交通運輸和地理測繪等領域的動態路徑優化算法,在人體姿態識別中也有報道,將待識別人體姿態序列與經訓練得到的樣本人體姿態序列進行匹配。

陳芙蓉等[10]為實時獲取人體的三維動作姿態序列,引入了DTW(動態時間規整)與ICP(迭代最近點算法)匹配算法。特征提取人體姿態的骨架特征,根據匹配算法,計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序列中所有可能位置上進行最優搜索,確定匹配路徑,實現姿態識別。該類方法相比傳統的DTW算法擁有運算量小、運算復雜程度低和消耗時間短的優勢。

綜上可知,姿態識別技術當前已有較多的高效算法報道,依據姿態識別方式的不同和應用對象的差異,可以靈活選用或是將不同的算法進行融合。此外,隨著軟件的發展和設備集成化程度的提高,很多具體實例的算法已經較為完整地內嵌到實驗器材中。但是矩陣構建、計算及其優化等是上述各類算法實現和數據表達的基礎,擁有良好的矩陣數理知識在姿態識別技術的研究中仍然擁有重要的作用,特別是在某些算法的改進中是必不可少的實用工具。

[1]孔維行,樂燕芬,施偉斌,等.無線傳感器網絡人體姿態識別算法[J].數據通信,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識別中的應用[J].計算機工程與應用,2005,41(24):38-40.

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

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

[5]張慶賓,田國會,張衍儒.基于AHRS的人體姿態捕捉系統的設計與實現[J].高技術通訊,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 神經網絡的人體動態姿態識別算法[J].北京信息科技大學學報,2011,26(4):27-29.

[8]何佳佳,李平,劉井平,等.改進PSO優化神經網絡算法的人體姿態識別[J].傳感器與微系統,2017,36(1):115-118.

[9]郭鈞,韓新樂,李鶴喜.基于多神經網絡融合的運動人體姿態識別[J].數字技術與應用,2016,(10):51-53.

[10]陳芙蓉,唐棣,王露晨,等.基于動態路徑優化的人體姿態識別[J].計算機工程與設計,2016,37(10):2759-2763.