基于DTW曲线的运动数据动作分类方法技术

基于ＤＴＷ曲线的运动数据动作分类方法：（１）生成用于运动序列之间相似性度量的双向ＤＴＷ距离和分段ＤＴＷ距离；（２）根据双向ＤＴＷ距离和分段ＤＴＷ距离生成ＤＴＷ曲线，并基于ＤＴＷ曲线生成有效性加权距离Ｄ↓［Ｗ－ｄｔｗ］（Ｐ，Ｑ）＝∫↑［１］↓［０］Ｗ↓［ＥｏＬＣ］（λ）.Ｄ↓［Ｓ－ｄｔｗ］（λ，Ｐ，Ｑ）ｄλ，其中Ｗ↓［ＥｏＬＣ］为逻辑分类有效性曲线，Ｄ↓［ｓ－ｄｔｗ］为分段ＤＴＷ距离，λ为用于分段的阈值，Ｐ和Ｑ为两个运动序列；（３）根据步骤（２）得到有效性加权距离，采用层次聚类算法对运动序列进行动作分类。本发明专利技术该方法放宽了ＤＴＷ的限制，使分类鲁棒性增强，实验结果表明，本发明专利技术的方法可以得到较好的分类结果。

【技术实现步骤摘要】

本专利技术涉及运动数据自动分类的一种方法，主要用于动作分类。
技术介绍
为了有效地利用三维运动数据(例如作为动作识别的训练数据)，需将具有相同运动特 征的动作片段分为一类，然后对每个类别进行标注，形成各种动作集，动作集的集合称为运 动库。例如大量"走"和"跑"的动作片段经过分类和标注后形成"走"和"跑"两个动作 集。目前已有的分类方法主要有-(1) 人工分类方法，即采用人工对运动数据进行分类和标注，这种方法将消耗大量的 时间和精力；(2) Souvenir提出的流形聚类方法Manifold Clustering (Souvenir R., Pless R. Manifold Clustering. Proceedings of the Tenth IEEE International Conference on Computer Vision (ICCV'05). Washington: IEEE Computer Society, 2005: 648-653)， 该方法根据人工指定的聚类个数，只能对简单行为的运动数据进行分类；(3) Jenkins (Jenkins 0. C., Matari M. J. A spatio-temporal extension to Isomap nonlinear dimension reduction . New York: ACM Press, 2004: 56)等人首先手工将 运动分为简单的片段，然后采用非线性降维(ST-Isomap)法对这些片段进行两次聚类，第 一次聚类结果称为基本动作单元，第二次聚类得到行为单元；(4) Barbie (Barbie J., Safonova A. ， Pan P. ， et al. Segmenting motion capture data into distinct behaviors . Proceedings of the 2004 conference on Graphics interface GI ， 04 . School of Computer Science, University力f'Waterloo, Waterloo, Ontario, .Canada: Canadian Human-Computer Communications Society, 2004: 185-194) 为运动数据建立混合高斯模型GMM，采用EM算法(期望最大化算法)来估计高斯分布的参数，假设不同的动作属于不同的高斯分布，根据该假设将运动序列分割为各个动作片段；(5) DTW方法，Berndt (Berndt D. J., Clifford J. Using Dy薩ic Time Warping to Find Patterns in Time Series . Proceedings of AAAI Workshop on Knowledge Discovery in Databases. 1994: 229-248)等人将语音识别中广泛使用的DTW(Dynaroic time warping 动态时间弯曲)用作运动分类，该方法先计算DTW距离，然后根据计算结果进行动作分类。DTW基本原理是将两个序列局部时间弯曲，寻找这两个序列的最优对齐，从而判断这两个序列之间的相似程度。由于DTW在局部上对数据进行时间弯曲，因此相比于欧式距离,DTW 距离(最优化路径的平均值)可以更好反映两个序列的逻辑相似性，如图l。但在动作分类 中，直接使用DTW来评价两个序列的相似性还有如下局限性(1) 条件严格DTW有严格的最优路径搜索范围，这个范围有利于提高DTW运行速度， 可以防止非连续(nonmonotonic),非单调(discontinuous)禾口退化(degenerated)等问 题的出现。但对于动作分类来说，这些条件过于严格，在逻辑判断方面表现不佳。(2) 鲁棒性差两个序列的DTW距离为一个具体的数值，仅仅通过一个数值判断两个序 列的相似性，鲁棒性较差，容易受噪声干扰。
技术实现思路
本专利技术的技术解决问题是克服现有技术的不足，提供一种基于DTW曲线的运动数据动 作分类方法，该方法放宽了DTW的限制，使分类鲁棒性增强，从而提高了运动数据动作的分 类效果。本专利技术的技术解决方案基于DTW曲线的运动数据动作分类方法，步骤如下(1) 生成用于运动序列之间相似性度量的双向DTW距离和分段DTW距离，所述的生成 双向DTW距离的方法为对于给定的两个运动序列P和Q，这两个序列的DTW距离为 A^(尸,0 ，令序列尸的翻转序列为2',且P和2'之间的DTW距离为D^(户，g)，则序列P和 Q之间的双向DTW距离定义为ZV^(尸，0:^mhHD^CP，2)，D^(尸,2')h生成分段DTW距离的方法为给定两个运动序列P和Q，将这两个运动序列进行分段，并选择部分运动片段， 片段之间采用双向DTW距离，则两个运动序列P和Q之间的分段DTW距离定义为覆盖所有运 动片段的双向DTW距离之和平均值的最小值；(2) 根据步骤(1)中的双向DTW距离和分段DTW距离生成DTW曲线，并基于DTW曲线生成有效性加权距离ZVdtw(P,0 = A^(;i,尸，0"，其中W^为逻辑分类有效性曲线，D^为分段DTW距离，义为用于分段的阈值，P和Q为两个运动序列。 本专利技术与现有技术相比的优点在于 (1)在传统动态时间弯曲算法(Dynamic time wa卬ing， DTW)距离度量的基础上，本 专利技术给出了双向DTW和分段DTW两种距离度量方法，提高了运动序列动作自动分类的鲁棒性， 更加接近人工分类的结果。(3) DTW有严格的最优路径搜索范围，这对于动作分类来说，这些条件过于严格，在逻 辑判断方面表现不佳。本专利技术提出的双向DTW和分段DTW则放宽了该条件限制，更有利于逻 辑分类，从而提高了运动数据动作的分类效果。(3)本专利技术提出了的用于动作分类的，伴曲线表示方法，给出了有效性加权鉅离的定 义，并采用层次聚类算法(hierarchical clustering procedure)对运动数据进行分类。实验结果表明，本专利技术的基于DTW曲线的动作分类方法可以得到较好的分类结果。 附图说明图1为欧氏距离和DTW距离点的对应关系； 图2为逻辑相似性(Kovar)描述； 图3为逻辑相似性较好、DTW距离较大的动作示例； 图4为本专利技术的流程图； 图5为本专利技术的双向DTW示意图6为本专利技术的分段DTW示意图；图6a和图6b为运动片段的两种组合。图7为本专利技术的DTW曲线生成流程图8为本专利技术的8-连通域的生成示意图9为由极小相似域计算分段DTW距离；图10为分类有效性与阈值参数关系的定性分析；图11为DTW曲线示例；图12为不同运动风格的boxing;图13为不同聚类数下生成的Rand Index值(MoCap数据集)； 图14为不同聚类数下生成的Rand Index值(IXMAS数据集)。 具体实施例方式如图4所示，本专利技术的实现方法具体如下-1.生成用于运动序列之间相似性度量的双向DTW距离和分段DTW距离。 运动序列之间相似性度量(如图2中的前踢腿和向侧踢腿这两个运动)可本文档来自技高网...

【技术保护点】
基于ＤＴＷ曲线的运动数据动作分类方法，其特征在于步骤如下：　（１）生成用于运动序列之间相似性度量的双向ＤＴＷ距离和分段ＤＴＷ距离，所述的生成双向ＤＴＷ距离的方法为：对于给定的两个运动序列Ｐ和Ｑ，这两个序列的ＤＴＷ距离为Ｄ↓［ｄｔｗ］（ Ｐ，Ｑ），令序列Ｐ的翻转序列为Ｑ′，且Ｐ和Ｑ′之间的ＤＴＷ距离为Ｄ↓［ｄｔｗ］（Ｐ，Ｑ′），则序列Ｐ和Ｑ之间的双向ＤＴＷ距离定义为：Ｄ↓［Ｂ－ｄｔｗ］（Ｐ，Ｑ）＝ｍｉｎ｛Ｄ↓［ｄｔｗ］（Ｐ，Ｑ），Ｄ↓［ｄｔｗ］（Ｐ，Ｑ′）｝；所述的生成分段ＤＴＷ距离的方法为：给定两个运动序列Ｐ和Ｑ，将这两个运动序列进行分段，并选择部分运动片段，片段之间采用双向ＤＴＷ距离，则两个运动序列Ｐ和Ｑ之间的分段ＤＴＷ距离定义为覆盖所有运动片段的双向ＤＴＷ距离之和平均值的最小值；　（２）根据步骤（ １）中的双向ＤＴＷ距离和分段ＤＴＷ距离生成ＤＴＷ曲线，并基于ＤＴＷ曲线生成有效性加权距离Ｄ↓［Ｗ－ｄｔｗ］（Ｐ，Ｑ）＝∫↓［０］↑［１］Ｗ↓［ＥｏＬＣ］（λ）.Ｄ↓［Ｓ－ｄｔｗ］（λ，Ｐ，Ｑ）ｄλ，其中Ｗ↓［ＥｏＬＣ］为逻辑分类有效性曲线，Ｄ↓［ｓ－ｄｔｗ］为分段ＤＴＷ距离，λ为用于分段的阈值，Ｐ和Ｑ为两个运动序列；　（３）根据步骤（２）得到有效性加权距离，采用层次聚类算法对运动序列进行动作分类。...

【技术特征摘要】

【专利技术属性】
技术研发人员：郝爱民，宋峰，王莉莉，赵沁平，
申请(专利权)人：北京航空航天大学，
类型：发明
国别省市：11[中国|北京]