馮婷

摘 要： 針對(duì)目前大多數(shù)健美操動(dòng)作精度監(jiān)測(cè)都是通過對(duì)健美操動(dòng)作進(jìn)行三維重建，并進(jìn)行健美操動(dòng)作特征提取，建立健美操動(dòng)作最優(yōu)分類決策函數(shù)的基礎(chǔ)上完成的，難以保證對(duì)健美操動(dòng)作的所有特征進(jìn)行提取，降低了健美操動(dòng)作精度監(jiān)測(cè)的準(zhǔn)確性。為此，提出一種基于圖像的健美操動(dòng)作精度監(jiān)測(cè)新方法，通過將健美操動(dòng)作從背景中摳出來，利用Kinect深度圖像采集方法對(duì)圖像進(jìn)行預(yù)處理，然后提出利用HOG3D對(duì)健美操動(dòng)作特征進(jìn)行提取，并分析提取過程。在此基礎(chǔ)上，將健美操動(dòng)作精度監(jiān)測(cè)問題轉(zhuǎn)化為視頻內(nèi)容分類問題，通過概率統(tǒng)計(jì)中的Adaboost方法對(duì)健美操動(dòng)作精度進(jìn)行識(shí)別，利用概率函數(shù)將健美操動(dòng)作的姿勢(shì)狀態(tài)聯(lián)系起來形成動(dòng)作序列，并通過遍歷函數(shù)取其最大值作為健美操動(dòng)作的分類標(biāo)準(zhǔn)，選用逐層等比方法對(duì)健美操動(dòng)作精度進(jìn)行監(jiān)測(cè)，從而實(shí)現(xiàn)健美操動(dòng)作精度的監(jiān)測(cè)。實(shí)驗(yàn)結(jié)果證明，所提方法能夠有效地提高健美操動(dòng)作軌跡監(jiān)測(cè)的精度，降低健美操動(dòng)作精度監(jiān)測(cè)的能耗，具有良好的使用價(jià)值。

關(guān)鍵詞： 圖像； 健美操動(dòng)作； 概率函數(shù)； 運(yùn)動(dòng)序列； 特征參數(shù)； 精度監(jiān)測(cè)

中圖分類號(hào)： TN911.73?34； TP391 文獻(xiàn)標(biāo)識(shí)碼： A 文章編號(hào)： 1004?373X（2018）07?0075?05

Research on image?based movement accuracy monitoring of aerobics

FENG Ting

（Zhengzhou University of Aeronautics， Zhengzhou 450000， China）

Abstract： Most of the action precision monitoring of aerobics is realized by three?dimensional reconstruction of aerobics movement. The characteristic extraction of aerobics movement was performed on the basis of the optimal classification decision function， which is difficult to guarantee all the characteristics extraction of aerobics movement， and can reduce the movement monitoring accuracy of aerobics. An image?based new method to monitor the movement accuracy of aerobics is proposed to extract the aerobics movement in background. The Kinect depth image acquisition method is used to preprocess the image， and then the HOG3D is used to extract the action characteristic of aerobics and analyze the extraction process. On this basis， the problem of aerobics movement precision monitoring is transformed into video content classification problem. The Adaboost method in probability statistics is used to identify the movement accuracy of aerobics. The probability function is adopted to link the posture states of aerobics movement to form the movement sequences， and its maximum value taken by the traversal function is deemed as the classification standard of aerobics movement. The layer?by?layer equal ratio method is used to monitor the movement accuracy of aerobics， so as to realize the movement accuracy monitoring of aerobics. The experimental results show that the proposed method can improve the movement trajectory monitoring accuracy of aerobics effectively， reduce the energy consumption of movement accuracy monitoring of aerobics， and has high use value.

Keywords： image； aerobics movement； probability function； motion sequence； characteristic parameter； precision monitoring

0 引 言

隨著社會(huì)的發(fā)展，人們對(duì)健身的需求越來越強(qiáng)烈，運(yùn)動(dòng)消費(fèi)也稱為一種新的時(shí)尚，健美操作為一種有氧運(yùn)動(dòng)，能夠有效提高身體素質(zhì)、心肺功能以及肌肉耐力，使人體達(dá)到最優(yōu)狀態(tài)，區(qū)別于其他有氧運(yùn)動(dòng)，健美操動(dòng)作輕松優(yōu)美，帶健身的同時(shí)帶給人們藝術(shù)的享受，越來越受到人們的重視。對(duì)健美操動(dòng)作精度進(jìn)行檢測(cè)，可以對(duì)健美操動(dòng)作進(jìn)行改善，增強(qiáng)健身的效果。但目前大多數(shù)健美操動(dòng)作精度檢測(cè)都是通過小波閾值去噪方法進(jìn)行健美操動(dòng)作特征選取，并對(duì)特征進(jìn)行分類，利用支持向量機(jī)方法選擇最優(yōu)健美操動(dòng)作特征參數(shù)，從而實(shí)現(xiàn)健美操動(dòng)作精度檢測(cè)。該方法難以克服固定衰減或震蕩問題，難以區(qū)別相似度較高的健美操動(dòng)作，需要提高健美操動(dòng)作監(jiān)測(cè)的精度。但這種方法仍在業(yè)內(nèi)引起強(qiáng)烈反響，隨著人們對(duì)健美操重視程度的加深，對(duì)健美操動(dòng)作精度檢測(cè)研究的內(nèi)容也逐漸加深，產(chǎn)生了豐碩的研究成果。

文獻(xiàn)[1]提出基于體感網(wǎng)的健美操動(dòng)作精度監(jiān)測(cè)方法，將傳感器節(jié)點(diǎn)安裝在人體上，通過體感網(wǎng)可以采集到人體的健美操運(yùn)動(dòng)信號(hào)，利用基于耦合隱馬爾可夫模型的健美操動(dòng)作識(shí)別方法，構(gòu)建具備多個(gè)相關(guān)數(shù)據(jù)鏈的隨機(jī)過程模型并對(duì)健美操動(dòng)作進(jìn)行統(tǒng)計(jì)分析，根據(jù)與傳感器節(jié)點(diǎn)對(duì)應(yīng)的數(shù)據(jù)鏈信息，對(duì)健美操動(dòng)作運(yùn)動(dòng)特征進(jìn)行描述，通過不同數(shù)據(jù)鏈之間的轉(zhuǎn)移映射健美操運(yùn)動(dòng)過程中各身體部位的協(xié)調(diào)。通過基于概率神經(jīng)網(wǎng)絡(luò)和可調(diào)節(jié)模糊聚類算法的增強(qiáng)學(xué)習(xí)方法完成對(duì)健美操運(yùn)動(dòng)特征的提取，在此基礎(chǔ)上，通過慣性信號(hào)完成對(duì)健美操動(dòng)作精度的監(jiān)測(cè)。這種方法由于需要佩戴傳感器節(jié)點(diǎn)，影響健美操運(yùn)動(dòng)的舒適性，難以保證健美操運(yùn)動(dòng)效果。文獻(xiàn)[2]提出健美操動(dòng)作精度監(jiān)測(cè)方法，通過將RP?CCall和RP?CCeach壓縮分類的動(dòng)作識(shí)別方法與壓縮感知和稀疏表示理論相結(jié)合，將傳感信號(hào)壓縮與健美操動(dòng)作識(shí)別相結(jié)合，通過對(duì)壓縮的數(shù)據(jù)建立稀疏表示的健美操動(dòng)作運(yùn)動(dòng)模式的識(shí)別模型，利用稀疏系數(shù)的分布來實(shí)現(xiàn)健美操動(dòng)作識(shí)別，從而實(shí)現(xiàn)健美操動(dòng)作精度監(jiān)測(cè)。這種方法由于過分注重識(shí)別且忽視健美操動(dòng)作監(jiān)測(cè)，導(dǎo)致健美操動(dòng)作精度監(jiān)測(cè)的準(zhǔn)確度不高。文獻(xiàn)[3]提出健美操動(dòng)作精度監(jiān)測(cè)方法，基于分布式壓縮感知和聯(lián)合稀疏表示的動(dòng)作識(shí)別方法，通過構(gòu)建適用于動(dòng)作識(shí)別的稀疏描述模型，將多傳感器的復(fù)雜動(dòng)作識(shí)別問題轉(zhuǎn)化為偏向數(shù)學(xué)的線性回歸問題來解決。從而實(shí)現(xiàn)健美操動(dòng)作進(jìn)度檢測(cè)，但這種方法由于監(jiān)測(cè)過程繁瑣，導(dǎo)致健美操動(dòng)作精度監(jiān)測(cè)耗時(shí)較長(zhǎng)。

綜上，本文提出一種基于圖像的健美操動(dòng)作精度監(jiān)測(cè)新方法。實(shí)驗(yàn)結(jié)果證明，所提方法能夠有效提高健美操動(dòng)作軌跡監(jiān)測(cè)的精度，降低健美操動(dòng)作精度監(jiān)測(cè)的能耗，具有良好的使用價(jià)值。

1 基于圖像的健美操動(dòng)作精度監(jiān)測(cè)研究

1.1 基于圖像的健美操動(dòng)作特征提取

將健美操具體動(dòng)作從整體背景中分離出來是提取動(dòng)作特征的關(guān)鍵，進(jìn)而完成健美操動(dòng)作特征的檢測(cè)。本文采用kinect深度圖像預(yù)處理方法，通過深度圖像的深度維數(shù)據(jù)將健美操動(dòng)作從背景中摳出。

在深度數(shù)據(jù)流所供應(yīng)的深度圖像序列中，設(shè)定像素點(diǎn)代表在深度數(shù)據(jù)采集設(shè)備的視界范圍內(nèi)，該特定對(duì)象坐標(biāo)[（x，y）]與深度數(shù)據(jù)采集設(shè)備鏡頭平面最近的部位到該鏡頭平面的直線距離。采用Kinect的深度圖像數(shù)據(jù)流可以在預(yù)處理階段減少計(jì)算量。

通過時(shí)空檢測(cè)符檢測(cè)或由密集采樣得到健美操動(dòng)作局部區(qū)域特征，為了提高健美操動(dòng)作精度監(jiān)測(cè)的準(zhǔn)確性，特征向量需要具有很好的辨識(shí)性。本文采用Hog3D方法對(duì)局部區(qū)域特征進(jìn)行提取，具體特征提取過程如圖1所示。

圖1中，在進(jìn)行3D梯度方向進(jìn)行表述時(shí)，將會(huì)從不同維度對(duì)健美操動(dòng)作的特征點(diǎn)及其附近區(qū)域的表述向量進(jìn)行計(jì)算。設(shè)定存在[N]個(gè)尺度，其中[σxy]表示空間尺度因子，[σt]表示時(shí)間的尺度因子，則尺度因子數(shù)量可以表示為：

[z=i=0N-1 j=0N-1σ-2ixyσ-jt] （1）

為了加快平均梯度向量的運(yùn)算速度，引入積分圖像。

設(shè)定一個(gè)視頻序列[v（x，y，t）]，[v?x，][v?y，][v?t]分別表示該視頻序列在[x，y，t]處的偏微分，則[v?x]的積分視頻可以表示為：

同理，得到[v?y]和[v?t]的積分視頻表達(dá)式為：

對(duì)于任意的三維空間長(zhǎng)方體[b=（x，y，t，w，h，l）T，]其中，[（x，y，t）T]表示健美操動(dòng)作特征點(diǎn)位置；[w]表示三維空間的寬度；[h]表示三維空間的高度；[l]表示三維空間的長(zhǎng)度。設(shè)定平均梯度為：

式中：[gb?x，][gb?y，][gb?t]分別表示三維空間寬度、高度以及長(zhǎng)度上的平均梯度。其中，[gb?x]可以通過式（6）進(jìn)行計(jì)算：

同理，利用類似式（6）計(jì)算得到[gb?y]和[gb?t]。

對(duì)二維健美操圖像梯度方向進(jìn)行量化，將梯度方向直方圖看成一個(gè)圓，通過將圓分成[N]個(gè)區(qū)域，每個(gè)直方區(qū)域近似用多特征點(diǎn)描述。

設(shè)定[gb]表示多維空間的平均特征向量，將[gb]映射到空間區(qū)域的過程通過矩陣乘法表示，設(shè)[P=（p1，p2，…，pn）T]表示[n]個(gè)面的中心位置。其中，[pi=（xi，yi，ti）T。]假設(shè)[qb]表示[gb]的映射，則存在如下關(guān)系：

[qb=（qb1，qb2，…，qbn）T=P?gbgb2] （7）

式中：[qbi=pi2?cos∠（pi，gb）=gb-12?pTi?gb，]需要對(duì)投影過的[P]向量進(jìn)行閾值化，為了保證[qb]范圍區(qū)間的準(zhǔn)確性，比較每個(gè)面的中心點(diǎn)[pi]和[pj，]得到閾值[t=pTi?pj。]閾值量化后的向量可以表示為[qb=qb-t，]當(dāng)[qb<0]時(shí)，賦值為0，得到投影梯度：

設(shè)取樣點(diǎn)[s=（xs，ys，ts，σs，τs）T，]其中，[（xs，ys，ts）T]表示投影特征點(diǎn)集合；[σs]表示投影時(shí)間梯度；[τs]表示投影空間梯度。通過特征區(qū)域[rs=（xr，yr，trwr，hr，lr）T]計(jì)算取樣點(diǎn)[s]處的描述值[ds]。采用式（9）計(jì)算方向直方圖，從而形成一個(gè)單一的健美操動(dòng)作特征向量[ds=d1，d2，…，dM2NT]。

[hc=i=1s3qbi] （9）

通過上述論述，將健美操動(dòng)作從背景中摳出來，利用Kinect深度圖像采集方法對(duì)圖像進(jìn)行預(yù)處理，然后通過Hog3D對(duì)健美操動(dòng)作特征進(jìn)行提取。

1.2 基于圖像的健美操動(dòng)作精度分析監(jiān)測(cè)

健美操動(dòng)作精度分析監(jiān)測(cè)可以轉(zhuǎn)化成視頻內(nèi)容分類問題。即將待檢序列與預(yù)先標(biāo)定的代表典型運(yùn)動(dòng)的參考序列相匹配，使其對(duì)空間和時(shí)間尺度上的輕微特征變化具有魯棒性。

本文選用概率統(tǒng)計(jì)中的Adaboost方法對(duì)健美操動(dòng)作精度進(jìn)行識(shí)別。通過將待檢健美操動(dòng)作的每個(gè)姿勢(shì)定義為一個(gè)狀態(tài)，同時(shí)利用概率計(jì)算公式將健美操的每一個(gè)動(dòng)作狀態(tài)結(jié)合在一起。將每一個(gè)健美操動(dòng)作序列轉(zhuǎn)換成靜態(tài)姿勢(shì)，并計(jì)算這些健美操動(dòng)作集合的聯(lián)合概率，概率最大值則為健美操動(dòng)作的最終分類標(biāo)準(zhǔn)。

通過將弱分類器與1.1節(jié)經(jīng)過提取得到的健美操動(dòng)作特征進(jìn)行一一對(duì)應(yīng)，其中弱分類器的原型可以表示為：

式中：[x]表示待檢窗口；[fj（x）]表示容積特征值的函數(shù)；[θj]表示通過訓(xùn)練得到的特征值閾值；[α1，][α2]表示取值范圍在[[-1，1]]之間的小數(shù)，說明分類的結(jié)果，一般情況下，如果分類結(jié)果完全正確，則[α1=α2=1]。

完成對(duì)健美操圖像動(dòng)作的識(shí)別分析后，在此基礎(chǔ)上對(duì)健美操動(dòng)作精度進(jìn)行監(jiān)測(cè)。本文選用逐層等比方法對(duì)健美操動(dòng)作精度進(jìn)行監(jiān)測(cè)，具體過程如下所述。

假設(shè)[V]表示待檢健美操動(dòng)作視頻，大小為[W×H×L]，其中[W]和[H]表示幀圖像的寬和高，[L]表示幀數(shù)。設(shè)定當(dāng)前監(jiān)測(cè)窗口大小為[winsize×winsize×40，]winsize的初始值為64，串口的放大比例scale=1.2，將窗口逐次等比放大，通過式（11）計(jì)算窗口放大次數(shù)：

當(dāng)[i=1T]時(shí)，通過winsize×winsize×40大小的檢測(cè)窗口遍歷整個(gè)健美操動(dòng)作視頻序列[V，]計(jì)算待檢子窗口數(shù)量：

通過分類器對(duì)當(dāng)前窗口進(jìn)行監(jiān)測(cè)，若監(jiān)測(cè)結(jié)果正確，則輸出相關(guān)參數(shù)，并在視頻中標(biāo)注。否則，繼續(xù)監(jiān)測(cè)下一個(gè)窗口。然后對(duì)弱分類器對(duì)應(yīng)的容積特征的一些主要參數(shù)進(jìn)行更新。

容積特征內(nèi)兩個(gè)長(zhǎng)方體的權(quán)值可以表示為：

式中[w1，][w2]表示初始權(quán)值。容積特征的兩個(gè)長(zhǎng)方體的第一幀左上角的坐標(biāo)如下：

通過將容積特征的兩個(gè)長(zhǎng)方體的寬和長(zhǎng)分別乘以scale，完成基于圖像的健美操動(dòng)作精度分析監(jiān)測(cè)。

2 實(shí)驗(yàn)結(jié)果與分析

為了證明本文提出的基于圖像的健美操動(dòng)作精度監(jiān)測(cè)方法的有效性，以Intel P4 2 GB處理器為硬件環(huán)境，Matlab 2008a為平臺(tái)，運(yùn)用對(duì)比法將本文提出的健美操動(dòng)作精度監(jiān)測(cè)方法與文獻(xiàn)[1?2]所提健美操動(dòng)作精度監(jiān)測(cè)方法進(jìn)行比較，完成本次實(shí)驗(yàn)。

首先依據(jù)三種健美操動(dòng)作精度監(jiān)測(cè)方法對(duì)健美操動(dòng)作的目標(biāo)方位坐標(biāo)進(jìn)行監(jiān)測(cè)，得到對(duì)比監(jiān)測(cè)結(jié)果如圖2，圖3所示。

通過對(duì)圖2和圖3的分析可以得到，本文所提方法的最大誤差不超過1°，說明本文方法預(yù)測(cè)精度可滿足健美操動(dòng)作精度的監(jiān)測(cè)要求。在丟幀不多的情況下可對(duì)健美操動(dòng)作軌跡進(jìn)行監(jiān)測(cè)跟蹤，將健美操動(dòng)作識(shí)別與監(jiān)測(cè)軌跡相結(jié)合可獲得最優(yōu)的健美操動(dòng)作精度監(jiān)測(cè)結(jié)果。

然后進(jìn)行健美操動(dòng)作精度監(jiān)測(cè)實(shí)驗(yàn)，利用本文所提方法和文獻(xiàn)[1?2]方法對(duì)健美操動(dòng)作軌跡監(jiān)測(cè)的準(zhǔn)確度進(jìn)行對(duì)比，對(duì)比結(jié)果如圖4所示。

通過圖4可以看出，本文所提方法對(duì)健美操動(dòng)作軌跡監(jiān)測(cè)的準(zhǔn)確度與文獻(xiàn)[1?2]相比，健美操動(dòng)作軌跡的監(jiān)測(cè)準(zhǔn)確度較高，說明本文所提方法能夠較好地提高對(duì)健美操動(dòng)作精度監(jiān)測(cè)的準(zhǔn)確性。

最后對(duì)三種健美操動(dòng)作精度監(jiān)測(cè)方法的能耗進(jìn)行對(duì)比，能耗（單位：J）的計(jì)算方法如下所示：

式中：[I]表示精度監(jiān)測(cè)時(shí)的運(yùn)行電流；[V]表示電源電壓；[H]表示精度監(jiān)測(cè)時(shí)間。通過計(jì)算，得到三種方法的能耗對(duì)比結(jié)果如圖5所示。

從圖5可以看出，本文所提方法能夠有效降低健美操動(dòng)作進(jìn)度監(jiān)測(cè)的能耗，且本文所提方法的能耗折線近似一條直線，說明本文所提方法的運(yùn)行能耗較穩(wěn)定，從而說明本文所提方法進(jìn)行健美操動(dòng)作精度監(jiān)測(cè)較穩(wěn)定。綜上所述，本文所提方法能夠有效提高健美操動(dòng)作精度監(jiān)測(cè)的準(zhǔn)確性，降低精度監(jiān)測(cè)的誤差，且能耗較少，具有較強(qiáng)的使用價(jià)值。

3 結(jié) 語

健美操動(dòng)作精度監(jiān)測(cè)對(duì)健美操訓(xùn)練結(jié)果存在重要影響，其精度監(jiān)測(cè)的準(zhǔn)確性是改善健美操動(dòng)作的重要前提。本文提出一種基于圖像的健美操動(dòng)作精度監(jiān)測(cè)方法，實(shí)驗(yàn)結(jié)果證明，本文所提方法能夠有效提高健美操動(dòng)作監(jiān)測(cè)的準(zhǔn)確性，對(duì)健美操事業(yè)的發(fā)展具有積極的推動(dòng)作用。

參考文獻(xiàn)

[1] 梁娟.多元化全民健身效益指數(shù)異構(gòu)數(shù)據(jù)挖掘模型[J].科技通報(bào)，2015，31（8）：108?110.

LIANG Juan. Heterogeneous data mining model of national fitness benefit index diversification [J]. Bulletin of science and technology， 2015， 31（8）： 108?110.

[2] 王向東，張靜文，毋立芳，等.一種運(yùn)動(dòng)軌跡引導(dǎo)下的舉重視頻關(guān)鍵姿態(tài)提取方法[J].圖學(xué)學(xué)報(bào)，2014，35（2）：256?261.

WANG Xiangdong， ZHANG Jingwen， WU Lifang， et al. A key pose frame extraction approach combined with trajectory from weightlifting video [J]. Journal of graphics， 2014， 35（2）： 256?261.

[3] 李敏，宋曰聰，吳斌，等.基于Beowulf機(jī)群中改進(jìn)粒子濾波的3D人體運(yùn)動(dòng)跟蹤[J].計(jì)算機(jī)工程與應(yīng)用，2015，51（14）：17?22.

LI Min， SONG Yuecong， WU Bin， et al. Three?dimension human motion tracking based improved particle filter on Beowulf cluster system [J]. Computer engineering and applications， 2015， 51（14）： 17?22.

[4] 高慧萍.籃球運(yùn)動(dòng)員跳投動(dòng)作精度視頻三維監(jiān)測(cè)仿真[J].計(jì)算機(jī)仿真，2016，33（10）：183?186.

GAO Huiping. Basketball player jump shot video motion precision： three?dimensional monitoring simulation research [J]. Computer simulation， 2016， 33（10）： 183?186.

[5] 付銳，程文冬，張名芳，等.基于動(dòng)態(tài)匹配模型的駕駛?cè)俗觳啃袨樽R(shí)別與分級(jí)預(yù)警[J].汽車工程，2015，37（9）：1095?1102.

FU Rui， CHENG Wendong， ZHANG Mingfang， et al. Driver mouth behavior recognition and hierarchical prewarning based on dynamic matching model [J]. Automotive engineering， 2015， 37（9）： 1095?1102.

[6] 龔暢，王華君，李榮，等.基于狀態(tài)依賴檢測(cè)的視頻運(yùn)動(dòng)目標(biāo)軌跡跟蹤算法[J].現(xiàn)代電子技術(shù)，2016，39（7）：51?56.

GONG Chang， WANG Huajun， LI Rong， et al. Video moving target trail tracking algorithm based on state dependence detection [J]. Modern electronics technique， 2016， 39（7）： 51?56.

[7] 江藝羨，張岐山.基于加權(quán)一個(gè)變量的一階灰色模型的動(dòng)態(tài)軌跡預(yù)測(cè)算法[J].計(jì)算機(jī)應(yīng)用，2016，36（5）：1336?1340.

JIANG Yixian， ZHANG Qishan. Prediction algorithm of dynamic trajectory based on weighted grey model [J]. Journal of computer applications， 2016， 36（5）： 1336?1340.

[8] 張寬橋，楊鎖昌，王剛.一種紅外導(dǎo)引頭量測(cè)誤差抑制方法研究[J].計(jì)算機(jī)測(cè)量與控制，2015，23（6）：2030?2032.

ZHANG Kuanqiao， YANG Suochang， WANG Gang. Measurement error suppressing method in infrared seeker [J]. Computer measurement & control， 2015， 23（6）： 2030?2032.

[9] 王忠勇，楊松超.基于Kalman的運(yùn)動(dòng)物體跟蹤和預(yù)測(cè)方法研究[J].科學(xué)技術(shù)與工程，2014，14（29）：234?237.

WANG Zhongyong， YANG Songchao. Using Kalman to research tracking and prediction of moving object [J]. Science technology and engineering， 2014， 14（29）： 234?237.