多維數據關聯的機器人運動步態識別方法

陳先睿

（貴州大學體育學院，貴州 貴陽550025）

1 引言

現階段指紋、人臉等生物特征識別技術在足球訓練、交通以及工業等領域中已經有了十分廣泛的應用［1-2］。但是這些生物特征的獲取需要依靠近距離或者接觸性的協作感知方法，而且這些信息容易偽裝或隱藏，所以生物特征識別技術的應用范圍受到了一定的限制，因此一種全新生物特征引起了相關專家的廣泛關注，這就是步態。例如文獻［3］提出一種基于確定性學習的人體步態識別方法，利用人體運動捕捉設備獲取關節角時序數據序列，其中局部準確的人體步態內部動力學能夠采用徑向基函數網絡得到逼近，根據將NN逼近獲取的步態動力學知識存儲在RBF網絡中，利用該網絡有效進行步態識別；文獻［4］提出一種基于MPSO-BP神經網絡方法的人體步態識別方法，主要采用自適應調整學習因子組建MPSO-BP神經網絡分類器，通過多種傳感信息的特征向量樣本集對神經網絡進行訓練，以實現不同運動模式的步態識別。以上方法雖然在現階段取得了較好的研究成果，但是這兩種方法的識別有效率并不是十分理想。為了有效克服上述方法存在的問題，提出了一種基于多維數據關聯的機器人運動步態識別方法。

2 機器人運動步態識別方法設計

以下給出基于多維數據關聯的機器人運動步態識別流程圖，如圖1所示。

分析圖1可知，基于多維數據關聯的機器人運動步態識別流程為：采用背景減除法提取機器人運動圖像，通過形態學方法去除所提取到的圖像中的噪聲及空洞。采用多維數據關聯提取機器人運動步態輪廓形狀靜態特征，在此基礎上獲取動作能量圖（AEI）以及步態能量圖（GEI），并對二者進行對比分析，獲取動態能量信息。采用核主成分分析進行空間降維，獲取運動目標的頻率動態特征，將機器人運動步態輪廓形狀靜態特征與頻率動態特征進行融合，根據融合結果實現機器人運動步態識別。

圖1 基于多維數據關聯的機器人運動步態識別流程Fig.1 Robot Gait Recognition Process Based on Multidimensional Data Association

2.1 預處理

為了更加全面對機器人運動步態識別方法進行深入研究，由于機器人運動步態識別率的高低和運動目標輪廓提取的準確與否存在直接關聯性［5］，因此首先需要在輪廓背景中對機器人進行分離。

背景減除法最為關鍵的一個步驟就是背景建模，其中時間平均圖像為典型的背景模型，主要是將連續輸入的N幅圖像像素值的中間值設定為背景圖像的像素值，同時設定{Ik,k=1,…,N}代表一個含有幀圖像的序列，其中背景圖像能夠表示為：

式中：Ik(x,y)—第k幀圖像(x,y)處的灰度值；B(x,y)—背景圖像中(x,y)處的灰度值。

步態序列圖像主要是通過背景減除法得到機器人運行目標，但是其中含有大量的空洞以及噪聲，將會降低整個識別方法的有效識別率，所以通過形態學方法消除圖像中存在的噪聲以及空洞。

2.2 機器人運動步態特征選擇與提取

機器人運動步態特征提取是機器人步態識別技術中十分關鍵的一步，特征提取是實現步態識別的基礎［6-7］，因此以下通過多維數據關聯進行采樣，在采樣前期需要將(x,y)坐標轉換為(θ,r)，同時將各幀圖像輪廓的質心設定為(xc,yc)，將其作為變換后的極坐標原點，具體的轉換公式如下所示：

長度計算式為：

通過公式（4）以及公式（5）計算輪廓的質心：

在完成采樣之后，還需要將極坐標轉換為直角坐標，方便后續進行Procrustes形狀特征提取［8］。假設極坐標為(θ,r)，則通過公式（6）將其轉換為直角坐標，即：

設定步態序列為F={f0,f1,…,fN-1}，ft代表第t幀圖像序列，N代表一個周期步態序列的幀數，首先需要計算兩個相鄰圖像的幀差圖，即：

AEI能夠定義為：

ARI中包含步態圖像中大量的動態信息，能夠通過不同像素點的強度代表在行走過程中具有動態變化性的像素點中出現的概率。

機器人在行走過程中，主要通過姿態變化、手臂擺動幅度以及用力大小進行情況進行運動步態的識別，但是這些特征需要在一個完整的步態序列圖像中獲取，因此以下重點采用步態能量圖展開研究：

設定一組步態周期圖形序列為At()x,y，采用以下公式計算步態能量圖：

將AEI和GEI兩者進行對比分析，獲取大量的GEI動態能量信息，實現機器人運動步態特征提取。

2.3 機器人運動步態識別

核方法屬于一類模式識別方法［9］，整個方法最為主要的目的就是得到一組數據之間的關系，主要通過核函數完成數據處理，同時降低算法的計算量。

設定x,y∈X，其中X代表數據空間的樣本集，分式線性性映射函數為Φ，則有：

式中：K(x,y)—核函數；Φ(x)·Φ(y)—內積。

只有滿足對應條件的核函數才能夠應用在核方法中，具體的判定過程如下。

針對于任意給定的函數K(x,y)，不恒等于零的函數g(x)促使∫g(x)2dx＜∞是函數K(x,y)能夠在特征空間進行內積運算的充分必要條件，其中：

采用核主成分分析方法進行步態特征降維的過程中，首先需要針對F空間的總體樣本協方差矩陣SΦ t的特征值進行分解，則有：

核主成分分析算法的具體計算過程如下所示：

（1）將函數K設定為訓練特征集S的核函數；

（2）計算核函數全部對應的核矩陣，同時計算矩陣K~；

（3）對矩陣K~進行特征值分解，將得到的特征值按照從大到小的順序進行排序，選取前i個特征向量；

（4）最后得到降維之后的數據，其計算公式如下：

通過降維處理之后能夠得到運動目標的頻率動態特征。

通過公式（15）計算各個特征的權重值：

將公式（15）中的算法應用到加法融合公式之中，獲取加權的加法融合規則，具體的計算公式如下：

式中：gi—總特征；Rn—第n個特征子向量。

通過兩個特征的融合，能夠實現機器人運動步態識別［10］。

3 仿真實驗

實驗主要以人形仿生機器人為對象進行研究，數據庫共含有人形仿生機器人20臺，針對不同的人形仿生機器人進行15個不同角度的拍攝，每個機器人在同一個視角下共包含10個步態序列。

選擇文獻［3］方法、文獻［4］方法作為實驗對比方法，實驗主要通過個人電子計算機（Inter Pentium（R）CPU3.00GHz，1GB RAM）完成。其中，實驗用人形仿生機器人，如圖2所示。

圖2 實驗用人形仿生機器人Fig.2 Humanoid Robot for Experiment

（1）為了針對不同識別算法的性能進行對比，實驗選取機器人運動步態特征提取準確率作為方法評價指標，針對選取的20臺人形仿生機器人的不同視角序列進行實驗。在具體實驗的過程中，選取4組圖像作為訓練集，剩余的部分則作為測試集，具體的實驗對比結果，如表1所示。

表1 特征提取準確率變化情況Tab.1 Change of Feature Extraction Accuracy

由表1中的實驗數據可知，研究方法的機器人運動步態特征提取準確率在96.22%-99.36%之間，說明這種方法的提取準確率較高，這說明該方法能夠準確提取到機器人運動步態特征，能夠為后續機器人運動步態識別奠定堅實的基礎。

（2）為了進一步驗證研究方法的魯棒性，采用三種方法進行有效識別率對比，結果如圖3所示。

圖3 有效識別率對比結果Fig.3 Comparison Results of Effective Recognition Rate

從圖中能夠看出，進行特征融合之后，研究方法的有效識別率有十分明顯的上升趨勢，并且這種方法的有效識別率在82%-98%之間，始終高于實驗對比方法。

（3）為進一步比較不同方法進行機器人運動步態識別的性能，進行識別耗時比較，結果如圖4所示。

圖4 識別耗時比較Fig.4 Comparison of Recognition Time

分析上圖可知，研究方法的識別耗時在2.2s以下，始終低于實驗對比方法，說明該方法能夠快速識別機器人運動步態。

4 結束語

針對傳統的機器人運動步態識別方法存在有效識別率較低等問題，結合多維數據關聯，提出了一種基于多維數據關聯的機器人運動步態識別方法。從實驗結果分析可知，研究方法的機器人運動步態特征提取準確率在96.22%-99.36%之間，有效識別率在82%-98%之間，識別耗時在2.2s以下，說明這種方法的機器人運動步態特征提取準確率更高，且能夠實現機器人運動步態的快速準確識別，獲取較為滿意的識別結果。