[发明专利]一种基于OptiTrack的人体姿态识别方法

说明书

本发明涉及一种基于OptiTrack的人体姿态识别方法，包括以下步骤：采用限幅滤波算法对OptiTrack的姿态数据帧序列进行限幅滤波处理，去除数据帧噪声；采用K‑均值聚类算法提取去噪后的数据帧序列的关键语义帧；本发明采用局部线性嵌入算法提取训练样本的姿态特征，并使用降维思路将关键语义帧带入训练样本的姿态特征中，对关键语义帧的特征进行分类，从而实现姿态的分类识别解决了在大范围内对人体姿态进行识别时，摄像机难以捕捉到人体的姿态信息的难题。

技术领域

本发明涉及一种基于OptiTrack的人体姿态识别方法，属于计算机的视觉和模式识别领域。

背景技术

作为一种新型的人机交互方式，人体姿态识别算法一直是国内外学者研究的热点。随着VR技术的产生与发展，基于Kinect的小范围的姿态识别已不能满足VR大范围内动作识别、人机交互的需求，亟需一种新型的人体姿态识别方法满足VR技术的要求。

OptiTrack是一款高精度、低延迟的运动捕捉系统，可以捕捉到20m×25m范围内物体的运动。相比于视频图像帧，OptiTrack产生的姿态数据帧序列具有数据维数低、表征性强等特点，非常适用于人体姿态识别。但是目前，还没有一种合适的算法配合OptiTrack进行人体姿态识别。

发明内容

本发明提供一种基于OptiTrack的人体姿态识别方法，解决了在大范围内对人体姿态进行识别时，摄像机难以捕捉到人体的姿态信息的难题。

本发明解决其技术问题所采用的技术方案是：

一种基于OptiTrack的人体姿态识别方法，包括以下步骤：

第一步：采用限幅滤波算法对OptiTrack的姿态数据帧序列进行限幅滤波处理，去除数据帧噪声；

第二步：采用K-均值聚类算法提取去噪后的数据帧序列的关键语义帧；

第三步：采用局部线性嵌入算法提取训练样本的姿态特征，并使用降维思路将关键语义帧带入训练样本的姿态特征中，对关键语义帧的特征进行分类，从而实现姿态的分类识别；

作为本发明的进一步优选，对OptiTrack的姿态数据帧序列进行限幅滤波处理，实现数据帧去噪，其具体过程包括如下：

假设[x₁,x₂,…,x_n]为OptiTrack捕获的姿态数据帧序列，限幅滤波后的姿态数据帧为：

上式中A＝α/FPS，FPS为每秒传输帧数(Frames Per Second)，α为常数；

作为本发明的进一步优选，采用K-均值聚类算法提取姿态数据帧序列的关键语义帧的具体过程所述如下：

截至时间T₁，[x₁,x₂,…,x_m1]为去噪后的姿态数据帧，通过聚类个数K为2的K-均值聚类算法：

上式中x^(j)已知,j＝1,2表示姿态数据x_i,1≤i≤m₁的类别信息，上式中的μ^(j)表示类均值，得出

上式中表示第j类的成员个数，表示姿态数据x_i的权重。

上述公式中μ^(j)即为提取出的关键语义帧；