基于圖像的健美操動作精度監測研究

馮婷

摘 要： 針對目前大多數健美操動作精度監測都是通過對健美操動作進行三維重建，并進行健美操動作特征提取，建立健美操動作最優分類決策函數的基礎上完成的，難以保證對健美操動作的所有特征進行提取，降低了健美操動作精度監測的準確性。為此，提出一種基于圖像的健美操動作精度監測新方法，通過將健美操動作從背景中摳出來，利用Kinect深度圖像采集方法對圖像進行預處理，然后提出利用HOG3D對健美操動作特征進行提取，并分析提取過程。在此基礎上，將健美操動作精度監測問題轉化為視頻內容分類問題，通過概率統計中的Adaboost方法對健美操動作精度進行識別，利用概率函數將健美操動作的姿勢狀態聯系起來形成動作序列，并通過遍歷函數取其最大值作為健美操動作的分類標準，選用逐層等比方法對健美操動作精度進行監測，從而實現健美操動作精度的監測。實驗結果證明，所提方法能夠有效地提高健美操動作軌跡監測的精度，降低健美操動作精度監測的能耗，具有良好的使用價值。

關鍵詞： 圖像； 健美操動作； 概率函數； 運動序列； 特征參數； 精度監測

中圖分類號： TN911.73?34； TP391 文獻標識碼： A 文章編號： 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

隨著社會的發展，人們對健身的需求越來越強烈，運動消費也稱為一種新的時尚，健美操作為一種有氧運動，能夠有效提高身體素質、心肺功能以及肌肉耐力，使人體達到最優狀態，區別于其他有氧運動，健美操動作輕松優美，帶健身的同時帶給人們藝術的享受，越來越受到人們的重視。對健美操動作精度進行檢測，可以對健美操動作進行改善，增強健身的效果。但目前大多數健美操動作精度檢測都是通過小波閾值去噪方法進行健美操動作特征選取，并對特征進行分類，利用支持向量機方法選擇最優健美操動作特征參數，從而實現健美操動作精度檢測。該方法難以克服固定衰減或震蕩問題，難以區別相似度較高的健美操動作，需要提高健美操動作監測的精度。但這種方法仍在業內引起強烈反響，隨著人們對健美操重視程度的加深，對健美操動作精度檢測研究的內容也逐漸加深，產生了豐碩的研究成果。

文獻[1]提出基于體感網的健美操動作精度監測方法，將傳感器節點安裝在人體上，通過體感網可以采集到人體的健美操運動信號，利用基于耦合隱馬爾可夫模型的健美操動作識別方法，構建具備多個相關數據鏈的隨機過程模型并對健美操動作進行統計分析，根據與傳感器節點對應的數據鏈信息，對健美操動作運動特征進行描述，通過不同數據鏈之間的轉移映射健美操運動過程中各身體部位的協調。通過基于概率神經網絡和可調節模糊聚類算法的增強學習方法完成對健美操運動特征的提取，在此基礎上，通過慣性信號完成對健美操動作精度的監測。這種方法由于需要佩戴傳感器節點，影響健美操運動的舒適性，難以保證健美操運動效果。文獻[2]提出健美操動作精度監測方法，通過將RP?CCall和RP?CCeach壓縮分類的動作識別方法與壓縮感知和稀疏表示理論相結合，將傳感信號壓縮與健美操動作識別相結合，通過對壓縮的數據建立稀疏表示的健美操動作運動模式的識別模型，利用稀疏系數的分布來實現健美操動作識別，從而實現健美操動作精度監測。這種方法由于過分注重識別且忽視健美操動作監測，導致健美操動作精度監測的準確度不高。文獻[3]提出健美操動作精度監測方法，基于分布式壓縮感知和聯合稀疏表示的動作識別方法，通過構建適用于動作識別的稀疏描述模型，將多傳感器的復雜動作識別問題轉化為偏向數學的線性回歸問題來解決。從而實現健美操動作進度檢測，但這種方法由于監測過程繁瑣，導致健美操動作精度監測耗時較長。

綜上，本文提出一種基于圖像的健美操動作精度監測新方法。實驗結果證明，所提方法能夠有效提高健美操動作軌跡監測的精度，降低健美操動作精度監測的能耗，具有良好的使用價值。

1 基于圖像的健美操動作精度監測研究

1.1 基于圖像的健美操動作特征提取

將健美操具體動作從整體背景中分離出來是提取動作特征的關鍵，進而完成健美操動作特征的檢測。本文采用kinect深度圖像預處理方法，通過深度圖像的深度維數據將健美操動作從背景中摳出。

在深度數據流所供應的深度圖像序列中，設定像素點代表在深度數據采集設備的視界范圍內，該特定對象坐標[（x，y）]與深度數據采集設備鏡頭平面最近的部位到該鏡頭平面的直線距離。采用Kinect的深度圖像數據流可以在預處理階段減少計算量。

通過時空檢測符檢測或由密集采樣得到健美操動作局部區域特征，為了提高健美操動作精度監測的準確性，特征向量需要具有很好的辨識性。本文采用Hog3D方法對局部區域特征進行提取，具體特征提取過程如圖1所示。

圖1中，在進行3D梯度方向進行表述時，將會從不同維度對健美操動作的特征點及其附近區域的表述向量進行計算。設定存在[N]個尺度，其中[σxy]表示空間尺度因子，[σt]表示時間的尺度因子，則尺度因子數量可以表示為：

[z=i=0N-1 j=0N-1σ-2ixyσ-jt] （1）

為了加快平均梯度向量的運算速度，引入積分圖像。

設定一個視頻序列[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]的積分視頻表達式為：

對于任意的三維空間長方體[b=（x，y，t，w，h，l）T，]其中，[（x，y，t）T]表示健美操動作特征點位置；[w]表示三維空間的寬度；[h]表示三維空間的高度；[l]表示三維空間的長度。設定平均梯度為：

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

同理，利用類似式（6）計算得到[gb?y]和[gb?t]。

對二維健美操圖像梯度方向進行量化，將梯度方向直方圖看成一個圓，通過將圓分成[N]個區域，每個直方區域近似用多特征點描述。

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

[qb=（qb1，qb2，…，qbn）T=P?gbgb2] （7）

式中：[qbi=pi2?cos∠（pi，gb）=gb-12?pTi?gb，]需要對投影過的[P]向量進行閾值化，為了保證[qb]范圍區間的準確性，比較每個面的中心點[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[qb<0]時，賦值為0，得到投影梯度：

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

[hc=i=1s3qbi] （9）

通過上述論述，將健美操動作從背景中摳出來，利用Kinect深度圖像采集方法對圖像進行預處理，然后通過Hog3D對健美操動作特征進行提取。

1.2 基于圖像的健美操動作精度分析監測

健美操動作精度分析監測可以轉化成視頻內容分類問題。即將待檢序列與預先標定的代表典型運動的參考序列相匹配，使其對空間和時間尺度上的輕微特征變化具有魯棒性。

本文選用概率統計中的Adaboost方法對健美操動作精度進行識別。通過將待檢健美操動作的每個姿勢定義為一個狀態，同時利用概率計算公式將健美操的每一個動作狀態結合在一起。將每一個健美操動作序列轉換成靜態姿勢，并計算這些健美操動作集合的聯合概率，概率最大值則為健美操動作的最終分類標準。

通過將弱分類器與1.1節經過提取得到的健美操動作特征進行一一對應，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；[θj]表示通過訓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，說明分類的結果，一般情況下，如果分類結果完全正確，則[α1=α2=1]。

完成對健美操圖像動作的識別分析后，在此基礎上對健美操動作精度進行監測。本文選用逐層等比方法對健美操動作精度進行監測，具體過程如下所述。

假設[V]表示待檢健美操動作視頻，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。設定當前監測窗口大小為[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）計算窗口放大次數：

當[i=1T]時，通過winsize×winsize×40大小的檢測窗口遍歷整個健美操動作視頻序列[V，]計算待檢子窗口數量：

通過分類器對當前窗口進行監測，若監測結果正確，則輸出相關參數，并在視頻中標注。否則，繼續監測下一個窗口。然后對弱分類器對應的容積特征的一些主要參數進行更新。

容積特征內兩個長方體的權值可以表示為：

式中[w1，][w2]表示初始權值。容積特征的兩個長方體的第一幀左上角的坐標如下：

通過將容積特征的兩個長方體的寬和長分別乘以scale，完成基于圖像的健美操動作精度分析監測。

2 實驗結果與分析

為了證明本文提出的基于圖像的健美操動作精度監測方法的有效性，以Intel P4 2 GB處理器為硬件環境，Matlab 2008a為平臺，運用對比法將本文提出的健美操動作精度監測方法與文獻[1?2]所提健美操動作精度監測方法進行比較，完成本次實驗。

首先依據三種健美操動作精度監測方法對健美操動作的目標方位坐標進行監測，得到對比監測結果如圖2，圖3所示。

通過對圖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°，說明本文方法預測精度可滿足健美操動作精度的監測要求。在丟幀不多的情況下可對健美操動作軌跡進行監測跟蹤，將健美操動作識別與監測軌跡相結合可獲得最優的健美操動作精度監測結果。

然后進行健美操動作精度監測實驗，利用本文所提方法和文獻[1?2]方法對健美操動作軌跡監測的準確度進行對比，對比結果如圖4所示。

通過圖4可以看出，本文所提方法對健美操動作軌跡監測的準確度與文獻[1?2]相比，健美操動作軌跡的監測準確度較高，說明本文所提方法能夠較好地提高對健美操動作精度監測的準確性。

最后對三種健美操動作精度監測方法的能耗進行對比，能耗（單位：J）的計算方法如下所示：

式中：[I]表示精度監測時的運行電流；[V]表示電源電壓；[H]表示精度監測時間。通過計算，得到三種方法的能耗對比結果如圖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作進度監測的能耗，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行能耗較穩定，從而說明本文所提方法進行健美操動作精度監測較穩定。綜上所述，本文所提方法能夠有效提高健美操動作精度監測的準確性，降低精度監測的誤差，且能耗較少，具有較強的使用價值。

3 結 語

健美操動作精度監測對健美操訓練結果存在重要影響，其精度監測的準確性是改善健美操動作的重要前提。本文提出一種基于圖像的健美操動作精度監測方法，實驗結果證明，本文所提方法能夠有效提高健美操動作監測的準確性，對健美操事業的發展具有積極的推動作用。

參考文獻

[1] 梁娟.多元化全民健身效益指數異構數據挖掘模型[J].科技通報，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.一種運動軌跡引導下的舉重視頻關鍵姿態提取方法[J].圖學學報，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機群中改進粒子濾波的3D人體運動跟蹤[J].計算機工程與應用，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.籃球運動員跳投動作精度視頻三維監測仿真[J].計算機仿真，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.基于動態匹配模型的駕駛人嘴部行為識別與分級預警[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.基于狀態依賴檢測的視頻運動目標軌跡跟蹤算法[J].現代電子技術，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.基于加權一個變量的一階灰色模型的動態軌跡預測算法[J].計算機應用，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.一種紅外導引頭量測誤差抑制方法研究[J].計算機測量與控制，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的運動物體跟蹤和預測方法研究[J].科學技術與工程，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.