本發(fā)明涉及一種應(yīng)用于仿人運動擬態(tài)的人體骨骼點參數(shù)采集系統(tǒng)及其識別方法，對人體動作分類識別以實現(xiàn)仿人機器人動作擬態(tài)。
背景技術(shù)：
：kinect作為一種非合作方式的人體跟蹤系統(tǒng)，可以提供骨骼圖像、景深圖像，并且能進行骨架追蹤。通過景深攝像頭和rgb攝像頭的配合，kinect可以將實物的3d影像投放到屏幕當(dāng)中,kinect的這些特性使其成為了體態(tài)識別的熱門工具。但是僅依賴深度信息，在識別過程中也有一些缺陷:衣著表而較粗糙時，圖像像素跳動嚴(yán)重，深度圖像不穩(wěn)定;出現(xiàn)遮擋、有其他運動目標(biāo)時，無法精確識別。針對這些問題，本發(fā)明提出一種基于人體骨骼預(yù)定義的動作識別方法，用于紛亂背景下的體態(tài)識別。技術(shù)實現(xiàn)要素：本發(fā)明的目的基于kinect體感技術(shù)，將骨骼追蹤算法應(yīng)用于人體姿態(tài)識別，實現(xiàn)人體骨骼預(yù)定義的動作識別方法。本發(fā)明針對體態(tài)識別受環(huán)境干擾導(dǎo)致識別準(zhǔn)確率低和實時性差等問題，提出一種基于人體骨骼預(yù)定義的動作識別方法，用于人機交互體態(tài)分類。上述發(fā)明的技術(shù)解決方案，主要是將已建立的人體運動模型投影到捕獲的實際人體運動圖像中，由評價函數(shù)判斷兩者相似程度，以驅(qū)動對已有模型的參數(shù)搜索或生成。重復(fù)該過程直到相似度處于允許范圍內(nèi)，此時的模型參數(shù)將成為人體運動參數(shù)。該方法在模型選取棍圖模型,棍圖模型以點和線段表示關(guān)節(jié)與骨骼，通過擬合圖像構(gòu)造人體姿勢;依靠先驗知識處理圖像遮擋，對運動過程進行跟蹤，分析人體運動過程，建立與初始化人體模型，滿足仿人機器人實時性控制需求。本發(fā)明的具體技術(shù)方案為:人站在kinect視距范圍內(nèi)做“投降姿勢”，由openni程序庫驅(qū)動kinect進行姿勢校正，校正完成后，運行在epcm-505c核心控制器上的識別程序，驅(qū)動kinect進行數(shù)據(jù)采集，并實時繪制出人體骨骼框架。識別程序主要的功能是識別人體各關(guān)節(jié)，并通過濾波、空間向量運算、腿部姿態(tài)檢測，計算出控制機器人所需的信息,發(fā)揮kinect可獲得深度圖像特征優(yōu)勢，有機結(jié)合2bitbp特征，構(gòu)成骨架預(yù)定義體態(tài)類別，采用改進的支持向量機進行體態(tài)分類。本發(fā)明的有益效果:將捕獲特定場合下的人體離散或連續(xù)運動軌跡應(yīng)用在仿人機器人動作設(shè)計上，且人體運動軌跡采集實時性強，識別準(zhǔn)確率高，在紛亂、光照變化條件下魯棒性強，識別效率和正確率均能滿足仿人機器人的運動要求。附圖說明圖1為本發(fā)明實施例的識別程序初始化流程圖。圖2為本發(fā)明實施例的數(shù)值法基本原理圖。具體實施方式以下結(jié)合附圖和具體實施例對本發(fā)明進行詳細(xì)陳述。本發(fā)明實施例的圖1識別程序初始化流程圖。在系統(tǒng)建立之初，首先收集視野范圍內(nèi)的每一點，并形成一幅代表周圍環(huán)境的景深圖像，傳感器以每秒30幀的速度生成景深圖像流，實時再現(xiàn)周圍環(huán)境。其次kinect對景深圖像進行像素級評估，來辨別人體的不同部位，采用分割策略將人體從背景環(huán)境中區(qū)分出來，得到踢出追蹤對象背景后的景深圖像。最后，kinect會評估exemplar輸出的每一個可能的像素來確定關(guān)節(jié)點，根據(jù)追蹤到的20個關(guān)節(jié)點來生成一幅骨架系統(tǒng)圖。為達到上述目的，提出一種基于人體骨骼預(yù)定義的動作識別方法，具體按以下步驟實施：步驟ａ，通過kinect深度檢測，按照下式得到一個深度數(shù)據(jù)幀di。式中:ｕ=0.1236，c=0.037m為常數(shù)，d為kinect返回的某一點的深度值，d為實際距離。步驟b，根據(jù)表1的區(qū)間劃分，求解每個像素所屬的尺度，加入到深度搜索集中，作為不同區(qū)間下的深度搜索集。表1距離范圍/m尺度距離范圍/m尺度距離范圍/m尺度[0，2)(4，20][2，4)(2，4][4，10)(1，2]步驟c，根據(jù)每個區(qū)間的搜索集，把每一個像素梯度方向平均分為9個方向的二進制文件，形成9個方向數(shù)據(jù)圖，再計算對應(yīng)方向的積分圖并歸一化處理，計算出深度特征直方圖(histogramsoforienteddepths,hod)的方向梯度。步驟d，計算相應(yīng)尺度下rgb圖像的2bitbinarypattern(2bitbp)特征，檢測窗口從左到右，從上到下依次滑動，統(tǒng)計該尺度下的像素總數(shù)，如果大于1，則分別積分深度特征和2bitbp特征概率，當(dāng)概率之和大于閾值之后，記錄該尺度下的位置坐標(biāo)，形成融合向量。步驟e，對于下一個搜索區(qū)間，如果搜索集為空則轉(zhuǎn)到6);否則，轉(zhuǎn)到3)。步驟f，各個尺度和相應(yīng)尺度下的坐標(biāo)用矩形標(biāo)記在rgb幀和depth幀上，完成人體的檢測。步驟g，提取正樣本訓(xùn)練隨機森林分類器，包含目標(biāo)物體的矩形區(qū)域為正樣本區(qū)域，其他部分被視為負(fù)樣本區(qū)域，在正樣本區(qū)域和負(fù)樣本區(qū)域內(nèi)隨機產(chǎn)生大量9x9子窗口，這些窗口可相互重疊，且位置隨機，正樣本選擇1121張，測試樣本266張，負(fù)樣本選擇1024張，測試樣本選擇306張，完成分類器的初始化并進行訓(xùn)練。步驟h，隨機森林算法通過身體組件識別推理出逐像素信息，即給出某個特定像素屬于哪個身體部位的可能性，完成人體識別。步驟i，將所有像素的信息匯聚起來形成3d骨架關(guān)節(jié)位置，預(yù)定義多個體態(tài)類別，這些可靠的預(yù)測將作為算法的最終輸出，用于下而的體態(tài)分類。步驟j，按照式(1)構(gòu)建最優(yōu)超平而，根據(jù)體態(tài)特征和實驗效果分別按照式(2),(3)構(gòu)建不同的核函數(shù)實現(xiàn)體態(tài)分類。(1)(2)(3)式中:sgn()為符號函數(shù)，ω、b是非零常數(shù)，能任意縮放。本實施例的圖2為本發(fā)明一種應(yīng)用于仿人運動擬態(tài)的人體骨骼點參數(shù)采集裝置及其識別方法的參照數(shù)值法基本原理圖，其基本步驟為:確定演示人體期望目標(biāo)位姿(pref，rref);為軀干—目標(biāo)肢體設(shè)定關(guān)節(jié)角矢量q;通過正向運動學(xué)求解當(dāng)前肢體位姿(p，r);求解出當(dāng)前肢體與目標(biāo)肢體之間的距離(δp，δr)=(pref－p，rtrref);當(dāng)距離為0，即滿足d(δp，δr)=‖δp‖2+‖lnδω‖2→0時，停止計算;當(dāng)距離大于指定閾值，即滿足(δp，δr)＞(pt，et)時，解出修正值δq;修正關(guān)節(jié)角矢量為q=q+δq，轉(zhuǎn)步驟c)。其中，(pref，rref)為世界坐標(biāo)系的目標(biāo)位置與姿態(tài)。在步驟f)中，若隨機選擇某組數(shù)據(jù)而使得d(δp，δr)減小，則以該組數(shù)更新關(guān)節(jié)角。不斷迭代該過程，以逐漸逼近目標(biāo)關(guān)節(jié)角。上面所述僅僅是對本發(fā)明優(yōu)選實施方式進行描述，并非對本發(fā)明的構(gòu)思和范圍進行限定，在不脫離本發(fā)明設(shè)計思想的前提下，本領(lǐng)域中普通工程技術(shù)人員如對本發(fā)明的技術(shù)方案中的人體骨骼點參數(shù)采集方法和識別方法進行改變，均應(yīng)屬于本發(fā)明的保護范圍。當(dāng)前第1頁12