[发明专利]一种人体运动轨迹的识别方法及装置

说明书

技术领域

本发明涉及人工智能领域，尤其涉及一种人体运动轨迹的识别方法及装置。

背景技术

人机交互是一门研究系统与用户之间的交互关系的学问。在科学技术的变革中，为了使得人机交互方式更加拟人化以及自然化，研究者们一直致力于设计出一种更完美的能够被大众接受的人机交互方式，从而提高用户与计算机的交流，同时提高交互效率，方便用户的生活。

在人机交互中，人体的运动姿态比如手势是用户日常生活中使用最广泛的一种交流方式，由于手势具有多样性、多义性等特点，让计算机充分解释不同用户的手势是在研究中需要解决的一个重要问题。在现有技术中对于手势的识别通过深度摄像机捕捉用户的手的位置，以获取手的深度信息，同时与彩色共同组成3D空间，通过手势识别算法识别用户的手势。

现有技术对于人体运动轨迹识别算法采用隐马尔可夫模型(Hidden Markov Model,HMM)，隐马尔可夫模型作为一种统计分析模型应用于语音识别，行为识别等领域。对于给定的测试样本（根据深度摄像机获取的用户的运动轨迹生成）O=O₁，O2，…,O_T以及一些已有的HMM模型（预先保存好的运动轨迹样本），可通过HMM模型评估给定的测试样本与哪一个已有的HMM模型最相似，利用前向算法求出给定的测试样本与每一个HMM模型的相似度而选出相似度最高的HMM模型，从而识别用户的运动轨迹。然而，由于前向算法的算法复杂度为o(n^2T)，其运算速度较低，运算时间更长，不利于计算机的运行。除此之外，已有的HMM模型为特定的运动轨迹模型，种类较少，因此难以覆盖到其他更复杂的运动轨迹，导致该算法的识别率低，能识别的运动轨迹种类少。

发明内容

本发明实施例提供一种人体运动轨迹的识别方法及装置，可有效提高运算速率以及识别率。

本发明实施例第一方面提供一种人体运动轨迹的识别方法，包括：

获取人体运动轨迹；

将所述运动轨迹分解为多个特征，并基于所述多个特征生成测试样本；

计算所述测试样本与多个样本集的相似度，每个样本集表示一种运动轨迹；

输出与所述测试样本相似度最大的样本集所表示的运动轨迹。

结合本发明实施例第一方面的实现方式，在本发明实施例第一方面的第一种可能的实现方式中，所述将所述运动轨迹分解为多个特征之前，所述方法还包括：

对所述获取的运动轨迹进行滤波。

结合本发明实施例第一方面的第一种可能的实现方式，在本发明实施例第一方面的第二种可能的实现方式中，所述对所述获取的运动轨迹进行滤波包括：

计算当前时刻滤波前的坐标值x_i与上一时刻滤波后的坐标值X_i-1的差值，将所述计算得到的差值和预设的比例参数α的乘积与所述上一时刻滤波后的坐标值X_i-1相加，得到当前时刻滤波后的坐标值X_i，参数i表示当前时刻。

结合本发明实施例第一方面或第一方面的第一种至第二种中的任一种可能的实现方式，在本发明实施例第一方面的第三种可能的实现方式中，所述将所述运动轨迹分解为多个特征，并基于所述多个特征生成测试样本包括：

将滤波后的运动轨迹分解为多个特征，每个特征的方向是唯一的；

根据预设的角度阈值识别所述多个特征；

将所述多个特征根据预设的排列方式组成所述测试样本。

结合本发明实施例第一方面或第一方面的第一种至第三种中的任一种可能的实现方式，在本发明实施例第一方面的第四种可能的实现方式中，所述计算所述测试样本与每个样本集的相似度包括：

计算所述测试样本与所述样本集中的训练样本的相似度，所述训练样本是由多个特征组成的；

根据所述测试样本与所述训练样本的相似度，结合预设的所述训练样本的权重，获得所述测试样本与所述训练样本的加权相似度；

将所述测试样本与多个训练样本的加权相似度进行累加得到所述测试样本与所述样本集的相似度。

本发明实施例第二方面提供一种人体运动轨迹的识别装置，包括：

获取模块，用于获取人体运动轨迹；

分解模块，用于将所述运动轨迹分解为多个特征，并基于所述多个特征生成测试样本；

计算模块，用于计算所述测试样本与多个样本集的相似度，每个样本集表示一种运动轨迹；

输出模块，用于输出与所述测试样本相似度最大的样本集所表示的运动轨迹。