一种基于隐马尔可夫分析滑雪运动序列的方法技术

本发明专利技术公开的一种基于隐马尔可夫分析滑雪运动序列的方法，属于运动姿态数据处理与分析领域。本发明专利技术实现方法为：通过对传感器采集到的滑雪者的原始姿态数据加窗处理，将原始姿态数据划分为时间序列上的数据帧后利用SVD和矩阵范数提取表示姿态矩阵的“象征值”。基于隐马尔可夫搭建滑雪运动序列的概率转移模型，并使用时间序列上的“象征值”序列优化滑雪运动序列的概率转移模型参数，计算出滑雪运动姿态序列隐状态的最优路径。通过最优隐状态路径和概率转移模型计算求得下一时刻各滑雪状态的概率，进而预测下一时刻的滑雪状态，根据对滑雪者滑雪的运动姿态预测数据能够评估滑雪者的运动状态，进而提升对滑雪训练者的训练效果。果。果。

【技术实现步骤摘要】
一种基于隐马尔可夫分析滑雪运动序列的方法


[0001]本专利技术涉及一种基于隐马尔可夫分析滑雪运动序列的方法，属于运动姿态数据处理与分析领域。

技术介绍

[0002]第24届冬季奥林匹克运动会将于2022年在我国举办，民众对冰雪运动的热情持续高涨。无论是业余爱好者还是专业运动员，在训练时都需获取滑雪过程中的动作序列，以对他们的滑雪过程进行分析指导。在获取人体运动姿态序列这一领域中最重要的技术便为动作捕捉技术，国内外众多学者利用现有的动捕技术对获取人体运动姿态序列进行了大量研究，目前主流的动作捕捉方法分为光电捕捉，图像捕捉和惯性传感器捕捉三种。在构建分析人体运动姿态序列这一领域中，国内外研究人员构思使用了诸多方法：使用SVM对数据的时域特征和频域特征进行分类构建姿态序列、基于DTW距离的加速度时间序列数据的相似性度量的人体姿态序列识别构建方法、基于LSTM的人体运动姿态模型构建方法等等。在采集分析姿态的过程中，上述方法有以下两处缺点：
[0003](1).人体关节数量多，姿态数据矩阵维度高，造成运算量大的问题。
[0004](2).上述分析方法侧重于对姿态数据的匹配分类，并未关注姿态之间的转移概率，因此所构建的模型不具有通用指导性。

技术实现思路

[0005]本专利技术的目的是提供一种基于隐马尔可夫分析滑雪运动序列的方法，能够解决下述技术问题：(1)通过使用SVD奇异值分解和矩阵范数降低姿态矩阵的维度，进而通过低维数据表示姿态信息，减小计算量；(2)借助隐马尔可夫方法搭建滑雪运动序列的概率转移模型；(3)通过观测状态优化滑雪运动序列模型参数；(4)借助得到滑雪运动序列的概率转移模型对运动序列进行分析，实现对运动员滑雪运动过程的分析。本专利技术的应用领域包括滑雪运动的分析、指导、评估等领域。
[0006]本专利技术的目的是通过下述技术方案实现的。
[0007]本专利技术公开的一种基于隐马尔可夫分析滑雪运动序列的方法，通过对传感器采集到的滑雪者的原始姿态数据加窗处理，将原始姿态数据划分为时间序列上的数据帧后利用SVD和矩阵范数提取表示姿态矩阵的“象征值”。基于隐马尔可夫搭建滑雪运动序列的概率转移模型，并使用时间序列上的“象征值”序列优化滑雪运动序列的概率转移模型参数，计算出滑雪运动姿态序列隐状态的最优路径。通过最优隐状态路径和概率转移模型计算求得下一时刻各滑雪状态的概率，进而预测下一时刻的滑雪状态，根据对滑雪者滑雪的运动姿态预测数据能够评估滑雪者的运动状态，进而提升对滑雪训练者的训练效果。
[0008]本专利技术公开的一种基于隐马尔可夫分析滑雪运动序列的方法，包括如下步骤：
[0009]步骤一：对传感器采集到的滑雪者的原始姿态数据加窗处理，将原始姿态数据划分为时间序列上的数据帧。人体原始姿态数据以表的形式存储，表中行表示时间帧，列表示
身体节点。在使用人体骨骼模型表示姿态时，借助人体关节点来表示三维人体骨架模型。但在滑雪运动中，运动姿态主要受有四肢和躯干的姿态影响，同时为了降低姿态数据维度，只提取头、背、腰、四肢的传感器数据来表示人体骨架模型。通过加窗分割时间帧，能够更好识别出姿态数据。窗口划分的主要方法分为三类，行为定义窗口、事件定义窗口和滑动窗口。其中滑动窗口与其余窗口分割方法不同的地方在于滑动窗口在分割前无需考虑数据内容，仅采用固定长度的窗口滑动划分数据即可。滑动窗口能够很好地适应周期行为、稳定行为和零星分布行为的识别，故选用滑动窗口分割姿态序列。
[0010]步骤二：利用SVD和矩阵范数提取表示姿态矩阵的“象征值”。在分割好的单一窗口中构成以时间序列为列，姿态数据为行的矩阵。该矩阵维度高，隐藏特征多，难以直接进行匹配分类。采用SVD奇异值分解对矩阵进行特征提取。矩阵的奇异值对应于该矩阵的列向量在最为显著的子空间上的分布。即如果矩阵的列向量在高维空间中近似的分布于一条直线，则该矩阵第一个奇异值将会远大于其余的奇异值，基于此能够得到矩阵的列向量的空间分布情况。此外，由于矩阵前ε％的特征值已经包括矩阵的大部分信息，基于此能够进行滑雪运动的特征压缩提取。选取K帧时间数据构成一个时间窗，时间窗内包含L个人体节点的三个方向的旋转角，组成一个K*(3*L)大小的矩阵。通过寻找一个“象征值”，该值能够极大化的表征矩阵中姿态数据在时间帧上的特征，并且表示方法简洁。在对矩阵进行运算后，通过求取奇异矩阵的二范数得到时间窗姿态矩阵的“象征值”。
[0011]步骤三：基于隐马尔可夫模型搭建滑雪运动姿态序列概率转移模型。HMM模型的参数有三部分，初始概率π、状态转移概率A和状态观测概率B。将所述三部分用一个符号λ表示，即：
[0012]λ＝(π,A,B)
[0013]使用Q表示滑雪运动中所有隐藏状态的集合，S表示滑雪运动中所有观测状态的集合，所述两个集合的大小分别为N和M，即：
[0014]Q＝{q1,q2,
…
,q
N
}
[0015]S＝{s1,s2,
…
,s
M
}
[0016]其中q1,q2,
…
,q
N
表示N个不同的隐藏状态，s1,s2,
…
,s
M
表示M个不同的观测状态。
[0017]在实际采集到的时间序列中，I是时长为T的状态序列，O是对应时刻的观测序列，即：
[0018]I＝(i1,i2,
…
,i
T
)
[0019]O＝(o1,o2,
…
,o
T
)
[0020]其中i1,i2,
…
,i
T
表示各时刻隐藏状态的值，o1,o2,
…
,o
T
表示各时刻观测状态的值。
[0021]基于上述定义，将隐马尔可夫模型三部分参数定义为：π＝{π
i
}，A＝{a
ij
}，B＝{b
j
(k)}，其元素具体为：
[0022]π
i
＝P(i1＝q
i
),i＝1,2,
…
,N
[0023]a
ij
＝P(i
t+1
＝q
j
∣i
t
＝q
i
)
[0024]b
j
(k)＝P(o
t
＝s
k
∣i
t
＝q
j
)
[0025]其中π
i
，a
ij
和b
j
(k)分别表示初始概率矩阵、状态转移概率矩阵和状态观测概率矩阵中的元素。
[0026]步骤四：使用前向算法或后向算法对滑雪运动姿态序列的概率转移模型进行概率计算，即根据概率转移模型计算观测状态概率。在滑雪运动中，当得到运动序列概率转移模型后，需要计算出本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于隐马尔可夫分析滑雪运动序列的方法，其特征在于：包括如下步骤，步骤一：对传感器采集到的滑雪者的原始姿态数据加窗处理，将原始姿态数据划分为时间序列上的数据帧；人体原始姿态数据以表的形式存储，表中行表示时间帧，列表示身体节点；在使用人体骨骼模型表示姿态时，借助人体关节点来表示三维人体骨架模型；但在滑雪运动中，运动姿态主要受有四肢和躯干的姿态影响，同时为了降低姿态数据维度，只提取头、背、腰、四肢的传感器数据来表示人体骨架模型；通过加窗分割时间帧，能够更好识别出姿态数据；窗口划分的主要方法分为三类，行为定义窗口、事件定义窗口和滑动窗口；其中滑动窗口与其余窗口分割方法不同的地方在于滑动窗口在分割前无需考虑数据内容，仅采用固定长度的窗口滑动划分数据即可；滑动窗口能够很好地适应周期行为、稳定行为和零星分布行为的识别，故选用滑动窗口分割姿态序列；步骤二：利用SVD和矩阵范数提取表示姿态矩阵的“象征值”；在分割好的单一窗口中构成以时间序列为列，姿态数据为行的矩阵；该矩阵维度高，隐藏特征多，难以直接进行匹配分类；采用SVD奇异值分解对矩阵进行特征提取；矩阵的奇异值对应于该矩阵的列向量在最为显著的子空间上的分布；即如果矩阵的列向量在高维空间中近似的分布于一条直线，则该矩阵第一个奇异值将会远大于其余的奇异值，基于此能够得到矩阵的列向量的空间分布情况；此外，由于矩阵前ε％的特征值已经包括矩阵的大部分信息，基于此能够进行滑雪运动的特征压缩提取；选取K帧时间数据构成一个时间窗，时间窗内包含L个人体节点的三个方向的旋转角，组成一个K*(3*L)大小的矩阵；通过寻找一个“象征值”，该值能够极大化的表征矩阵中姿态数据在时间帧上的特征，并且表示方法简洁；在对矩阵进行运算后，通过求取奇异矩阵的二范数得到时间窗姿态矩阵的“象征值”；步骤三：基于隐马尔可夫模型搭建滑雪运动姿态序列概率转移模型；步骤四：使用前向算法或后向算法对滑雪运动姿态序列的概率转移模型进行概率计算，即根据概率转移模型计算观测状态概率；在滑雪运动中，当得到运动序列概率转移模型后，需要计算出在该概率转移模型下出现当前观测状态的概率，并据此计算求得概率转移模型的前向概率和后向概率；步骤五：根据计算求得的前向概率和后向概率以及观测到的滑雪姿态数据对隐马尔可夫模型参数进行优化学习；参数学习的问题描述为在给定观测序列的情况下求解λ使得观测序列概率P(O|λ)最大，通过EM算法(期望极大算法)的修正算法Baum-Welch算法进行训练，通过构造期望函数Q并极大化该函数得到模型参数，收敛得到HMM各参数的估计值；步骤六：步骤三至步骤五所述的滑雪运动姿态序列的概率转移模型构建方法和参数优化方法是基于滑雪运动姿态序列隐状态序列未知情况下搭建的，在搭建好概率转移模型后，选用维特比算法寻求到滑雪运动姿态序列隐状态的最优路径；步骤七：通过步骤六得到滑雪运动姿态序列隐状态序列的最优路径后，使用步骤三至步骤五得到的滑雪运动姿态序列概率转移模型计算求得下一时刻各滑雪状态的概率，进而预测下一时刻的滑雪运动隐状态i
T+1
和观测状态o
T+1
；此外，还能够通过得到滑雪运动序列的概率转移模型对运动序列进行分析，实现对运动员滑雪运动过程的分析。2.如权利要求1所述的一种基于隐马尔可夫分析滑雪运动序列的方法，其特征在于：还包括步骤八，当步骤一至步骤六所述的基于隐马尔可夫分析滑雪运动序列的方法应用于滑雪运动中的姿态数据处理与分析领域，滑雪者的运动处于长时间的连续状态，较少有大范
围突变的情况；通过步骤六得到滑雪运动姿态序列隐状态序列的最优路径后，使用步骤三至步骤五得到的滑雪运动姿态序列概率转移模型计算求得下一时刻各滑雪状态的概率，进而预测下一时刻的滑雪状态；此外，还能够通过得到滑雪运动序列的概率转移模型对运动序列进行分析，进而实现对滑雪者滑雪运动姿态的预测，根据对滑雪者滑雪的运动姿态预测数据能够评估滑雪者的运动状态，进而提升对滑雪训练者的训练效果。3.如权利要求1或2所述的一种基于隐马尔可夫分析滑雪运动序列的方法，其特征在于：步骤三实现方法为，基于隐马尔可夫模型搭建滑雪运动姿态序列概率转移模型；HMM模型的参数有三部分，初始概率π、状态转移概率A和状态观测概率B；将所述三部分用一个符号λ表示，即：λ＝(π，A，B)使用Q表示滑雪运动中所有隐藏状态的集合，S表示滑雪运动中所有观测状态的集合，所述两个集合的大小分别为N和M，即：Q＝{q1，q2，...，q
N
}S＝{s1，s2，...，s
M
}其中q1，q2，...，q
N
表示N个不同的隐藏状态，s1，s2，...，s
M
表示M个不同的观测状态...

【专利技术属性】
技术研发人员：费庆，李佩璋，姚小兰，陈振，方勖洋，张艺佳，
申请(专利权)人：北京理工大学，
类型：发明
国别省市：