基于視覺傳感的智能運動訓練系統的研發

詹彬 周磊

摘 要：針對當前大學生體質素質下降的狀況，以及體質測試設備簡陋易損壞，操作繁瑣等缺點，我們結合最新體感識別技術，開發了一套完整的無接觸體質測試系統。該系統利用微軟Kinect V2智能攝像頭，可實時準確地獲取人體骨架關節點的三維空間位置信息并將其轉化為動作數據流，與設計有限狀態機模板數據進行模式匹配，完成靜態骨骼識別。利用Kinect的優勢進行步態識別算法的設計，以實現運動識別。同時該方法還具有無接觸、多人檢測、一機多測等優勢，智能打分機制可將用戶運動數據實時上傳至Web。

關鍵詞：運動識別；DTW動態匹配算法；Kinect V2；骨骼識別；步態識別

中圖分類號：TP39；TH789 文獻標識碼：A 文章編號：2095-1302（2018）09-00-04

0 引 言

學生體質健康狀況逐漸成為社會大眾關注的焦點。為徹底貫徹落實健康第一的指導思想，切實加強學校體育工作，促進學生積極參加體育鍛煉。國家頒發的《國家學生身體素質健康標準》中明確要求各個高校在對各年級學生進行《素質健康標準》測試工作的同時還需每年對在校生進行一次體質健康測試。

人民生活水平的提高和健康意識的發展是促進體質測試系統發展的關鍵。在滿足人民的生活需求后，人們就會越加關注自身的身體素質[1-3]。隨著網絡、計算機以及數字通信等技術的快速發展，美國和日本等多個國家在體質測試相關領域已進入了智能化階段。而我國在體質測試方面起步緩慢，目前更側重于測試完成后對測試數據的管理和分析，忽略了測試過程中采集數據的復雜度和誤差。目前我們設計的無接觸體質測試系統能夠較準確地完成運動檢測，根據完成度給測試者打分，為學生鍛煉提供指導。

1 識別原理

1.1 步態識別

隨著人類社會文明程度的高速發展，傳統的識別技術已然無法滿足人們日益增長的需求。在這種情況下，步態識別技術應運而生。步態識別是利用人的行為特征來對人體動作進行識別的一種生物識別技術，通過采集追蹤用戶行走動作特點來識別人的身份。步態識別步驟如下：

（1）采集視頻；

（2）對目標視頻進行預處理；

（3）根據現實情況從得到的圖片中提取目標輪廓特征；

（4）將提取到的特征和步態庫內的數據進行匹配。

人體骨骼關節點3D位置信息可以作為動作識別參考點，如圖1所示。將Kinect V2追蹤采集到的3D動作骨骼25個關節點三維坐標組合形成骨骼模板，獲得步態的數據序列[4]，經過預處理分析用戶的步態特征。將骨骼模板樣本與該系統之前設置的用戶姿勢進行判斷即可識別用戶意圖，從而實現用戶動作識別。

1.2 Kinect識別分析

該系統采用微軟公司推出的一款3D攝像頭Kinect[5]傳感器。其主要優勢在于能夠實時抓取實驗運動場景，高效識別和傳輸骨骼信息，并且能夠對使用者進行語音識別等。Kinect主要由RGB攝像頭、深度圖像使用的紅外接收器和紅外線發射器、麥克風陣列組成。

Kinect之所以能夠實時抓取運動場景，主要依靠紅外攝像頭、紅外投影機、彩色攝像頭。Kinect通過紅外線發射器發射波長為830 mm的紅外光線，再由紅外線接收器接收反射回來的紅外光線，并編碼、解碼，逐幀生成深度圖像。深度圖像通過背景分離、識別人體等算法從深度圖像RGB攝像頭獲取相應的彩色圖像。Kinect將這些圖像數據傳送至應用程序進行處理。

總而言之，Kinect V2設備相對于普通攝像頭而言優點繁多。普通攝像頭的缺陷主要在于過度依賴彩色圖像[6]，難以消除環境對實驗數據的影響。而Kinect V2對運動骨骼進行識別分析時依賴于深度圖像，所以較好地消除了環境的影響。軟件系統框架如圖2所示。

2 運動識別的實現

2.1 系統架構

本系統的技術架構可分成五層。Kinect數據采集層利用Kinect智能攝像頭采集人體深度圖像、人體骨骼圖像、人體彩色圖像，并把這些信息以視頻流的數據形式傳遞給骨骼算法處理層，算法處理層對這些數據進行濾波處理與DTW模板匹配[7]。最后對經過處理的骨骼節點數據進行運動識別層的運動匹配，在應用層顯示運動檢測的結果和成績。體質測試系統框架結構如圖3所示。

2.2 DTW動態匹配算法

利用DTW算法“局部最優，全局最優”的思想在本運動識別系統中的運用，尋找模版匹配中最相近的節點，成功識別仰臥起坐運動的狀態節點。本系統對一個運動周期實時提取骨骼特征，本系統骨骼特征序列參考模版樣本數小于測試模版樣本數，即N

其中：橫坐標為特征矩陣的時序，縱坐標為標準骨骼數據時序，折線表示匹配最優路徑，即相似度最高路徑。在局部最優路徑的計算中，采用加權歐式距離計算圖中節點相似度。根據公式最終找到相似度最大的時序坐標點。依次類推找到上圖所示的最優路徑。

3 仰臥起坐運動的實現

3.1 仰臥起坐識別原理

鑒于步態識別原理的特點，特征值的采樣和提取成為該系統的首要難點。骨骼特征序列和運動特征序列是運動識別的兩個重要組成部分。骨骼點在三維空間的相對角度如圖5所示，將運動姿勢[9]骨骼數據點映射在Kinect V2坐標中，如圖6所示。

運動識別時刻的某一姿勢特點在提取特征時，將由上述骨骼角度方法計算得到的相對角度組成每個骨骼的特征序列。為提高運動識別的準確性和完整性，運動特征和骨骼特征[10]的提取分別針對各自的特點同步分類提取。

3.2 仰臥起坐狀態機

仰臥起坐是一種鍛煉身體的方式，身體仰臥于地墊上，屈膝約成90°，腳部平放在地面上。平地上切勿把腳部固定

（可由同伴用手按住腳踝），否則大腿和髖部的屈肌便會加入工作，從而降低了腹部肌肉的工作量。根據本身腹肌的力量雙手按放在頭部位置，且雙手越靠近頭部，仰臥起坐就越吃力。利用腹肌收縮，兩臂向前擺動，迅速成坐姿，上體繼續前屈，然后還原成坐姿，如此連續進行。狀態機流程如圖7

所示。

3.3 運動特征提取

仰臥起坐人體運動姿勢轉化如圖8所示。

上述姿勢為仰臥起坐人體側面骨骼圖，做深蹲運動時都有左右兩側骨骼節點。所有的節點包括SL（左肩），SR（右肩），EL（左肘），ER（右肘），HL（左手），HR（右手），KL（左膝），KR（右膝），FL（左腳），FR（右腳），T（臀部）。本系統設定和的夾角為α，和的夾角為β，和的夾角為γ，和的夾角為δ。在實際情況中，提取特征矩陣，如公式（15）所示，其中T，t分別表示深蹲運動的運動周期和完成一次深蹲運動的時間。

與上述兩個運動一致，將深蹲運動中DTW算法中一般狀態節點的相似度閾值設定為ds，單位為度。深蹲運動有兩個關鍵點，即雙臂是否水平前伸，深蹲狀態完成度是否較高。將深蹲狀態節點的相似度閾值設為dsmax，計算相似度權重為α∶β∶γ∶δ=ks1∶ks2∶ks3∶ks4。

仰臥起坐運動的關鍵是仰臥起坐的狀態動作，仰臥狀態和起坐狀態分值比為b1∶b2。以一仰臥起坐測試周期為例，每個仰臥起坐運動周期滿分為m，在實際情況下m為100分。假設測試者完成了n個深蹲運動，其中站立狀態相似度為g，仰臥起坐狀態相似度為k，根據公式得到最終成績S：

3.4 功能展示

該運動過程對運動動作規范性有嚴格要求。根據《國家學生體質健康標準》要求，測試者首先應平躺在坐墊上，兩腿稍分開，屈膝呈90°左右，兩手貼于頭部。受試者坐起時兩肘觸及或超過雙膝為完成一次。仰臥時兩肩必須觸墊。如果受試者已坐起但肘關節未達到雙膝者則不計該次數。測試者站立且雙手平舉成T字型則判定測試者結束運動，同時給運動動作打分。運動過程如圖9所示。

3.5 測試結果分析

仰臥起坐運動功能的識別主要利用Kinect V2智能攝像頭采集人體骨骼數據，然后將前景和背景分離，三維空間坐標轉化，限幅濾波等，獲取可靠的骨骼數據。利用步態識別算法和DTW匹配算法實現運動識別。

在系統測試過程中對于運動識別算法做了多人多次的系統測試。取得測試樣本結果進行分析，對運動次數和運動識別率的統計見表1所列。

分析數據可知，誤差可能由以下原因導致：

（1）Kinect V2是基于光學感測體感技術的傳感器，周圍環境光線可能導致誤差產生；

（2）Kinect V2接收的信息由一點位攝像機采集，會有一定的圖像畸變，可能產生誤差。

測試結果表明該運動識別率很高，運動識別功能可靠，性能和新穎性略優于市面上的同類產品。故可以判斷此運動算法有很好的識別效果，并可對運動動作做精確識別。將本系統運用在校園運動中，得到了老師和學生的一致好評。

4 結 語

針對傳統體質測試儀器易損壞，測試過程繁瑣等問題，文中設計的系統基于體感識別技術、骨骼追蹤技術憑借其創新性較好地改善了這一狀況。不僅在國內高校建立了體驗平臺設施，同時還設置有獨立的多功能體感運動訓練展廳，讓更多的人能體驗到無接觸式體感運動。本系統安裝實施使用一年多來，深受學生的喜愛，收獲到了越來越多的贊譽。隨著技術的進步，通過智能體感設備進行體制測試系統的研究將是未來體質測試系統開發的新方向。

參考文獻

[1]高德霞.大學生對體質的認識及體育行為與體質狀況的關系探究[J].當代體育科技，2017，7（33）：183-184.

[2]徐萬江.基于特征子空間的跨視角步態識別研究[D].蘇州：蘇州大學，2017.

[3]傅國棟，韓凱多.大學生體質健康現狀及對策研究[J].考試刊，2018（36）：191-192.

[4]陳海峰.步態識別中的不變特征提取算法設計和研究[D].深圳：深圳大學，2017.

[5]楊海清，王洋洋.基于多Kinect的三維人臉重建研究[J].浙江工業大學學報，2018，46（2）：137-142.

[6] GUTIERREZ J，CAMPS-VALLS G ，LUQUE M J，et al. A color contrast definition for perceptually based color image coding[J]. Recent patents on signal processing，2012，2（1）.

[7]王晶晶.基于云計算的視頻轉碼自適應方法研究[D].南京：南京郵電大學，2017.

[8]何存富，王森，吳強，等.基于FPGA的FIR濾波器在超聲導波接收系統中信號降噪的應用[J].北京工業大學學報，2018（5）.

[9]庾晶.運動視頻標注算法研究[D].南京：南京郵電大學，2017.

[10]胡珂杰.基于3D骨骼的人體行為識別關鍵技術研究[D].無錫：江南大學，2018.