[发明专利]一种动作识别方法及系统

说明书

技术领域

本发明属于人机交互技术领域，更具体地，涉及一种动作识别方法及系统。

背景技术

随着计算机科学与人工智能的发展，传统的人机交互方式如键盘、鼠标等已经逐渐满足不了新兴行业的应用，例如在AR/VR应用中，传统交互方式无法给用户提供沉浸式的体验。而基于动作识别的人机交互设备具有自然、直观、简洁等特点，得到越来越多的应用。

目前，动作识别方案大部分是基于光学感测原理，来自为微软公司的US20100199228A1提供了利用深度摄像机采集用户的身体姿态信息，并进行识别的方案；来自中国的CN104933408A提供了一种通过图像进行手势识别的方案。然而，基于光学感测的识别技术都需要图像数据，计算量大，需要计算能力较强的处理器；通过图像识别一个动作处理时间往往较长，无法达到用户的实时要求；单/双目摄像头和体感摄像机体积都比较大，无法实现便携化，并且硬件成本高；用户的动作容易受到遮挡，造成系统无法识别。这些缺陷都限制了其使用范围。

也有部分方案采用了加速度传感器来采集用户的手部运动信息，来自Nintendo公司的US20080291160A1提供了利用红外传感器和加速度传感器捕获用户手部位置的方案。但方案中仍需要使用红外传感器来进行辅助定位，所以用户的使用环境固定，无法移动。

发明内容

针对现有技术的以上缺陷或改进需求，本发明提供了一种动作识别方法及系统，采用惯性传感器采集运动信息，相比于视觉传感器，具有更精确的运动信息，能够更准确地识别；使用者可以不受环境限制，随时移动；可识别图像中被物体遮挡的动作。

一种动作识别方法，包括以下步骤：

(1)启动惯性传感器采集运动关节处的运动参数：

(2)依据采集的运动参数解算姿态数据；

(3)将姿态数据与动作模型库匹配输出动作识别结果。

进一步地，所述动作模型按照如下方式训练：

(31)利用惯性传感器多次采集某一动作下的运动样本参数，依据该运动样本参数解算该动作对应的姿态样本数据；

(32)将姿态样本数据代入K个高斯模型，得到姿态样本数据x在第k个高斯模型下产生的概率,并估计K个分高斯模型的权值π_k；

(33)计算姿态样本数据x属于某一动作的概率

(34)判定概率p(x)是否趋于收敛，若是，则得到由K个高斯模型组成的动作模型，若否，则依据当前权值π_k更新K个高斯模型的参数，返回步骤(32)。

进一步地，所述高斯模型个数K按照如下方式确定：

根据训练用的样本数据分别作出X/Y/Z轴加速度数据的分布直方图，并求出各个直方图的加速度阈值，按阈值对各轴加速度分布进行分割，保留处于阈值之上加速度分布，计算加速度极大值个数，取三个极大值个数中最大的为高斯模型个数K。

进一步地，所述高斯模型参数以及权重按照如下方式初始化：

根据训练用的样本数据得到加速度在三维空间的分布，并聚类得到聚类中心，各聚类中心的三维矢量即为高斯模型的初始期望μ；以各聚类中心为圆心，以聚类中心之间最短距离的1/m作为半径，作出K个球体，统计球体内点的个数，根据个数之比求出各高斯模型权重的初始值，并利用协方差公式计算出高斯模型的初始协方差。

进一步地，采用随机生成的隐马尔可夫模型以及上述求得的初始化参数，训练得到若干个备选动作模型，将得到的模型对训练数据进行识别，选取平均识别率最高的模型为最终的动作模型。

进一步地，对至少相邻的两个姿态数据求平均，将均值作为步骤(3)匹配的姿态数据。

进一步地，所述步骤(3)还将不同运动部位的姿态数据转换到同一坐标系下。

进一步地，所述运动参数包括角速度和加速度，或者速度、加速度和磁场强度及方向；所述姿态数据包括航向角、俯仰角和横滚角。

进一步地，所述惯性传感器为加速度计，或者陀螺仪，或者加速度计和陀螺仪的组合，或者加速度计和磁力计的组合，或者陀螺仪和磁力计的组合，或者加速度计、陀螺仪和磁力计的组合。

一种动作识别系统，包括：

额外信息获取单元，设置在辅助运动部位，用于采集辅助运动关节的运动参数；