多維數(shù)據(jù)關(guān)聯(lián)的機(jī)器人運(yùn)動(dòng)步態(tài)識(shí)別方法

陳先睿

（貴州大學(xué)體育學(xué)院，貴州 貴陽(yáng)550025）

1 引言

現(xiàn)階段指紋、人臉等生物特征識(shí)別技術(shù)在足球訓(xùn)練、交通以及工業(yè)等領(lǐng)域中已經(jīng)有了十分廣泛的應(yīng)用［1-2］。但是這些生物特征的獲取需要依靠近距離或者接觸性的協(xié)作感知方法，而且這些信息容易偽裝或隱藏，所以生物特征識(shí)別技術(shù)的應(yīng)用范圍受到了一定的限制，因此一種全新生物特征引起了相關(guān)專家的廣泛關(guān)注，這就是步態(tài)。例如文獻(xiàn)［3］提出一種基于確定性學(xué)習(xí)的人體步態(tài)識(shí)別方法，利用人體運(yùn)動(dòng)捕捉設(shè)備獲取關(guān)節(jié)角時(shí)序數(shù)據(jù)序列，其中局部準(zhǔn)確的人體步態(tài)內(nèi)部動(dòng)力學(xué)能夠采用徑向基函數(shù)網(wǎng)絡(luò)得到逼近，根據(jù)將NN逼近獲取的步態(tài)動(dòng)力學(xué)知識(shí)存儲(chǔ)在RBF網(wǎng)絡(luò)中，利用該網(wǎng)絡(luò)有效進(jìn)行步態(tài)識(shí)別；文獻(xiàn)［4］提出一種基于MPSO-BP神經(jīng)網(wǎng)絡(luò)方法的人體步態(tài)識(shí)別方法，主要采用自適應(yīng)調(diào)整學(xué)習(xí)因子組建MPSO-BP神經(jīng)網(wǎng)絡(luò)分類器，通過(guò)多種傳感信息的特征向量樣本集對(duì)神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，以實(shí)現(xiàn)不同運(yùn)動(dòng)模式的步態(tài)識(shí)別。以上方法雖然在現(xiàn)階段取得了較好的研究成果，但是這兩種方法的識(shí)別有效率并不是十分理想。為了有效克服上述方法存在的問(wèn)題，提出了一種基于多維數(shù)據(jù)關(guān)聯(lián)的機(jī)器人運(yùn)動(dòng)步態(tài)識(shí)別方法。

2 機(jī)器人運(yùn)動(dòng)步態(tài)識(shí)別方法設(shè)計(jì)

以下給出基于多維數(shù)據(jù)關(guān)聯(lián)的機(jī)器人運(yùn)動(dòng)步態(tài)識(shí)別流程圖，如圖1所示。

分析圖1可知，基于多維數(shù)據(jù)關(guān)聯(lián)的機(jī)器人運(yùn)動(dòng)步態(tài)識(shí)別流程為：采用背景減除法提取機(jī)器人運(yùn)動(dòng)圖像，通過(guò)形態(tài)學(xué)方法去除所提取到的圖像中的噪聲及空洞。采用多維數(shù)據(jù)關(guān)聯(lián)提取機(jī)器人運(yùn)動(dòng)步態(tài)輪廓形狀靜態(tài)特征，在此基礎(chǔ)上獲取動(dòng)作能量圖（AEI）以及步態(tài)能量圖（GEI），并對(duì)二者進(jìn)行對(duì)比分析，獲取動(dòng)態(tài)能量信息。采用核主成分分析進(jìn)行空間降維，獲取運(yùn)動(dòng)目標(biāo)的頻率動(dòng)態(tài)特征，將機(jī)器人運(yùn)動(dòng)步態(tài)輪廓形狀靜態(tài)特征與頻率動(dòng)態(tài)特征進(jìn)行融合，根據(jù)融合結(jié)果實(shí)現(xiàn)機(jī)器人運(yùn)動(dòng)步態(tài)識(shí)別。

圖1 基于多維數(shù)據(jù)關(guān)聯(lián)的機(jī)器人運(yùn)動(dòng)步態(tài)識(shí)別流程Fig.1 Robot Gait Recognition Process Based on Multidimensional Data Association

2.1 預(yù)處理

為了更加全面對(duì)機(jī)器人運(yùn)動(dòng)步態(tài)識(shí)別方法進(jìn)行深入研究，由于機(jī)器人運(yùn)動(dòng)步態(tài)識(shí)別率的高低和運(yùn)動(dòng)目標(biāo)輪廓提取的準(zhǔn)確與否存在直接關(guān)聯(lián)性［5］，因此首先需要在輪廓背景中對(duì)機(jī)器人進(jìn)行分離。

背景減除法最為關(guān)鍵的一個(gè)步驟就是背景建模，其中時(shí)間平均圖像為典型的背景模型，主要是將連續(xù)輸入的N幅圖像像素值的中間值設(shè)定為背景圖像的像素值，同時(shí)設(shè)定{Ik,k=1,…,N}代表一個(gè)含有幀圖像的序列，其中背景圖像能夠表示為：

式中：Ik(x,y)—第k幀圖像(x,y)處的灰度值；B(x,y)—背景圖像中(x,y)處的灰度值。

步態(tài)序列圖像主要是通過(guò)背景減除法得到機(jī)器人運(yùn)行目標(biāo)，但是其中含有大量的空洞以及噪聲，將會(huì)降低整個(gè)識(shí)別方法的有效識(shí)別率，所以通過(guò)形態(tài)學(xué)方法消除圖像中存在的噪聲以及空洞。

2.2 機(jī)器人運(yùn)動(dòng)步態(tài)特征選擇與提取

機(jī)器人運(yùn)動(dòng)步態(tài)特征提取是機(jī)器人步態(tài)識(shí)別技術(shù)中十分關(guān)鍵的一步，特征提取是實(shí)現(xiàn)步態(tài)識(shí)別的基礎(chǔ)［6-7］，因此以下通過(guò)多維數(shù)據(jù)關(guān)聯(lián)進(jìn)行采樣，在采樣前期需要將(x,y)坐標(biāo)轉(zhuǎn)換為(θ,r)，同時(shí)將各幀圖像輪廓的質(zhì)心設(shè)定為(xc,yc)，將其作為變換后的極坐標(biāo)原點(diǎn)，具體的轉(zhuǎn)換公式如下所示：

長(zhǎng)度計(jì)算式為：

通過(guò)公式（4）以及公式（5）計(jì)算輪廓的質(zhì)心：

在完成采樣之后，還需要將極坐標(biāo)轉(zhuǎn)換為直角坐標(biāo)，方便后續(xù)進(jìn)行Procrustes形狀特征提取［8］。假設(shè)極坐標(biāo)為(θ,r)，則通過(guò)公式（6）將其轉(zhuǎn)換為直角坐標(biāo)，即：

設(shè)定步態(tài)序列為F={f0,f1,…,fN-1}，ft代表第t幀圖像序列，N代表一個(gè)周期步態(tài)序列的幀數(shù)，首先需要計(jì)算兩個(gè)相鄰圖像的幀差圖，即：

AEI能夠定義為：

ARI中包含步態(tài)圖像中大量的動(dòng)態(tài)信息，能夠通過(guò)不同像素點(diǎn)的強(qiáng)度代表在行走過(guò)程中具有動(dòng)態(tài)變化性的像素點(diǎn)中出現(xiàn)的概率。

機(jī)器人在行走過(guò)程中，主要通過(guò)姿態(tài)變化、手臂擺動(dòng)幅度以及用力大小進(jìn)行情況進(jìn)行運(yùn)動(dòng)步態(tài)的識(shí)別，但是這些特征需要在一個(gè)完整的步態(tài)序列圖像中獲取，因此以下重點(diǎn)采用步態(tài)能量圖展開研究：

設(shè)定一組步態(tài)周期圖形序列為At()x,y，采用以下公式計(jì)算步態(tài)能量圖：

將AEI和GEI兩者進(jìn)行對(duì)比分析，獲取大量的GEI動(dòng)態(tài)能量信息，實(shí)現(xiàn)機(jī)器人運(yùn)動(dòng)步態(tài)特征提取。

2.3 機(jī)器人運(yùn)動(dòng)步態(tài)識(shí)別

核方法屬于一類模式識(shí)別方法［9］，整個(gè)方法最為主要的目的就是得到一組數(shù)據(jù)之間的關(guān)系，主要通過(guò)核函數(shù)完成數(shù)據(jù)處理，同時(shí)降低算法的計(jì)算量。

設(shè)定x,y∈X，其中X代表數(shù)據(jù)空間的樣本集，分式線性性映射函數(shù)為Φ，則有：

式中：K(x,y)—核函數(shù)；Φ(x)·Φ(y)—內(nèi)積。

只有滿足對(duì)應(yīng)條件的核函數(shù)才能夠應(yīng)用在核方法中，具體的判定過(guò)程如下。

針對(duì)于任意給定的函數(shù)K(x,y)，不恒等于零的函數(shù)g(x)促使∫g(x)2dx＜∞是函數(shù)K(x,y)能夠在特征空間進(jìn)行內(nèi)積運(yùn)算的充分必要條件，其中：

采用核主成分分析方法進(jìn)行步態(tài)特征降維的過(guò)程中，首先需要針對(duì)F空間的總體樣本協(xié)方差矩陣SΦ t的特征值進(jìn)行分解，則有：

核主成分分析算法的具體計(jì)算過(guò)程如下所示：

（1）將函數(shù)K設(shè)定為訓(xùn)練特征集S的核函數(shù)；

（2）計(jì)算核函數(shù)全部對(duì)應(yīng)的核矩陣，同時(shí)計(jì)算矩陣K~；

（3）對(duì)矩陣K~進(jìn)行特征值分解，將得到的特征值按照從大到小的順序進(jìn)行排序，選取前i個(gè)特征向量；

（4）最后得到降維之后的數(shù)據(jù)，其計(jì)算公式如下：

通過(guò)降維處理之后能夠得到運(yùn)動(dòng)目標(biāo)的頻率動(dòng)態(tài)特征。

通過(guò)公式（15）計(jì)算各個(gè)特征的權(quán)重值：

將公式（15）中的算法應(yīng)用到加法融合公式之中，獲取加權(quán)的加法融合規(guī)則，具體的計(jì)算公式如下：

式中：gi—總特征；Rn—第n個(gè)特征子向量。

通過(guò)兩個(gè)特征的融合，能夠?qū)崿F(xiàn)機(jī)器人運(yùn)動(dòng)步態(tài)識(shí)別［10］。

3 仿真實(shí)驗(yàn)

實(shí)驗(yàn)主要以人形仿生機(jī)器人為對(duì)象進(jìn)行研究，數(shù)據(jù)庫(kù)共含有人形仿生機(jī)器人20臺(tái)，針對(duì)不同的人形仿生機(jī)器人進(jìn)行15個(gè)不同角度的拍攝，每個(gè)機(jī)器人在同一個(gè)視角下共包含10個(gè)步態(tài)序列。

選擇文獻(xiàn)［3］方法、文獻(xiàn)［4］方法作為實(shí)驗(yàn)對(duì)比方法，實(shí)驗(yàn)主要通過(guò)個(gè)人電子計(jì)算機(jī)（Inter Pentium（R）CPU3.00GHz，1GB RAM）完成。其中，實(shí)驗(yàn)用人形仿生機(jī)器人，如圖2所示。

圖2 實(shí)驗(yàn)用人形仿生機(jī)器人Fig.2 Humanoid Robot for Experiment

（1）為了針對(duì)不同識(shí)別算法的性能進(jìn)行對(duì)比，實(shí)驗(yàn)選取機(jī)器人運(yùn)動(dòng)步態(tài)特征提取準(zhǔn)確率作為方法評(píng)價(jià)指標(biāo)，針對(duì)選取的20臺(tái)人形仿生機(jī)器人的不同視角序列進(jìn)行實(shí)驗(yàn)。在具體實(shí)驗(yàn)的過(guò)程中，選取4組圖像作為訓(xùn)練集，剩余的部分則作為測(cè)試集，具體的實(shí)驗(yàn)對(duì)比結(jié)果，如表1所示。

表1 特征提取準(zhǔn)確率變化情況Tab.1 Change of Feature Extraction Accuracy

由表1中的實(shí)驗(yàn)數(shù)據(jù)可知，研究方法的機(jī)器人運(yùn)動(dòng)步態(tài)特征提取準(zhǔn)確率在96.22%-99.36%之間，說(shuō)明這種方法的提取準(zhǔn)確率較高，這說(shuō)明該方法能夠準(zhǔn)確提取到機(jī)器人運(yùn)動(dòng)步態(tài)特征，能夠?yàn)楹罄m(xù)機(jī)器人運(yùn)動(dòng)步態(tài)識(shí)別奠定堅(jiān)實(shí)的基礎(chǔ)。

（2）為了進(jìn)一步驗(yàn)證研究方法的魯棒性，采用三種方法進(jìn)行有效識(shí)別率對(duì)比，結(jié)果如圖3所示。

圖3 有效識(shí)別率對(duì)比結(jié)果Fig.3 Comparison Results of Effective Recognition Rate

從圖中能夠看出，進(jìn)行特征融合之后，研究方法的有效識(shí)別率有十分明顯的上升趨勢(shì)，并且這種方法的有效識(shí)別率在82%-98%之間，始終高于實(shí)驗(yàn)對(duì)比方法。

（3）為進(jìn)一步比較不同方法進(jìn)行機(jī)器人運(yùn)動(dòng)步態(tài)識(shí)別的性能，進(jìn)行識(shí)別耗時(shí)比較，結(jié)果如圖4所示。

圖4 識(shí)別耗時(shí)比較Fig.4 Comparison of Recognition Time

分析上圖可知，研究方法的識(shí)別耗時(shí)在2.2s以下，始終低于實(shí)驗(yàn)對(duì)比方法，說(shuō)明該方法能夠快速識(shí)別機(jī)器人運(yùn)動(dòng)步態(tài)。

4 結(jié)束語(yǔ)

針對(duì)傳統(tǒng)的機(jī)器人運(yùn)動(dòng)步態(tài)識(shí)別方法存在有效識(shí)別率較低等問(wèn)題，結(jié)合多維數(shù)據(jù)關(guān)聯(lián)，提出了一種基于多維數(shù)據(jù)關(guān)聯(lián)的機(jī)器人運(yùn)動(dòng)步態(tài)識(shí)別方法。從實(shí)驗(yàn)結(jié)果分析可知，研究方法的機(jī)器人運(yùn)動(dòng)步態(tài)特征提取準(zhǔn)確率在96.22%-99.36%之間，有效識(shí)別率在82%-98%之間，識(shí)別耗時(shí)在2.2s以下，說(shuō)明這種方法的機(jī)器人運(yùn)動(dòng)步態(tài)特征提取準(zhǔn)確率更高，且能夠?qū)崿F(xiàn)機(jī)器人運(yùn)動(dòng)步態(tài)的快速準(zhǔn)確識(shí)別，獲取較為滿意的識(shí)別結(jié)果。