專利名稱：一種基于加速度傳感器的運動識別方法
技術領域：
本發(fā)明涉及一種運動識別方法，特別是涉及加速度傳感器的運動識別方法，屬于人機交互技術領域。
背景技術：
早期的運動識別主要是基于視覺方式的，給定一段圖像序列或者一個視頻片段，識別出人物的運動類型?；谝曈X的方法具有交互自然，提取的特征信息豐富等優(yōu)點，但該方法在實際應用中也有一些局限性，需要克服很多問題。如環(huán)境中的光照條件，人物在攝像機前的位置，場地的大小等。傳感器具有價格便宜，攜帶方便，不受場地限制等優(yōu)點，隨著這些設備的發(fā)展，運動識別又被帶入了一片新的研究領域，補充了傳統(tǒng)基于視覺的運動識別方法在實際應用中的不足，促使了運動識別在日常生活中的應用。這一技術已經被用在行為障礙病人的康復狀況監(jiān)視，老年人突發(fā)疾病預防監(jiān)視等應用中。常用的傳感器有加速度 傳感器，陀螺儀，麥克風等，一些內置傳感器的設備如Apple iPhone,Nintendo Wiimote等，這些無線設備的發(fā)展使得大范圍的交互應用成為可能，如智能家庭，混合現(xiàn)實等應用。對于使用加速度傳感器進行運動識別而言，主要問題有三一為如何快速自動地分割傳感器輸出的加速度信號，以達到在線的進行運動分割的目的，為后續(xù)的在線識別做準備；二為如何建立有效的分類模型，以達到高效準確的對運動進行分類識別的目的；三為如何采用適當?shù)姆椒ǎ谶\動結束之間進行識別，提高交互感。本發(fā)明將以這三個問題為基本出發(fā)點，對運動識別過程中的關鍵問題進行分析，解決以上提到的主要技術問題，實現(xiàn)一個高效的在線運動識別系統(tǒng)。對于加速度信號分割問題，很多研究工作都是將傳感器信號手動分割好，作為訓練和測試的數(shù)據(jù)庫。這樣降低了信號處理的負擔，并且數(shù)據(jù)比較理想化，在此基礎上排除了數(shù)據(jù)的影響，可以對比分析識別算法的性能。但是實際應用中，手動的方法交互感不好，不便于操作和應用，因此我們需要對信號進行在線的分割處理；對于分類模型的選取，現(xiàn)階段大多數(shù)研究與相應的系統(tǒng)采用動態(tài)時間卷曲算法(DTW)和隱馬爾科夫模型方法(HMM)，DTff算法所需的訓練數(shù)據(jù)較少，并且能夠動態(tài)的更新匹配的模板。但該算法的運算速度會隨著待識別的時序數(shù)據(jù)的長度以及模板的數(shù)量的增大而明顯的減慢，HMM方法用一個狀態(tài)表示當前動作，但是很多全身性動作比較復雜，無法僅僅用一個狀態(tài)充分表示出來，因此需要兩個或多個狀態(tài)變量來表示，本發(fā)明采用Fused HMM方法，解決了單獨的一個HMM無法對具有相關關系的兩個時序序列同時進行建模的問題，對于具有交互過程的全身性動作具有很好的描述能力，并且當一個HMM信息丟失時另一個HMM仍能正常工作，增加了算法的魯棒性；對于提前進行運動識別問題，當前主要的處理方法是當一個運動完成之后再去調用識別過程，在有些應用中這種延遲感會降低用戶體驗度。本發(fā)明采用了自回歸的預測模型，利用已知幀數(shù)據(jù)，預測出未知的數(shù)據(jù)，通過對預測得到的數(shù)據(jù)進行分析，可以在運動結束之前即開始識別的過程，并達到提前識別的效果。

發(fā)明內容
本發(fā)明的目的應用了一種連續(xù)的信號處理方法，自動的進行端點檢測，實現(xiàn)信號的自動在線分割能力；使用Fused隱馬爾科夫模型作為識別分類器，解決了傳統(tǒng)的隱馬爾科夫模型對復雜交互運動識別能力差的問題；運用自回歸的預測模型對未知數(shù)據(jù)進行預測，增強了提前識別的能力，解決了運動完成后再去識別造成的延遲感問題，本發(fā)明的主要目標是實現(xiàn)一個交互良好的高效準確的運動識別系統(tǒng)。本發(fā)明為了達到上述目的采用的技術方案為一種基于加速度傳感器的運動識別方法，其步驟如下步驟(I)、在線的對加速度信號進行自動分割在線的對加速度信號進行濾波分割處理，并篩選得到分割點；步驟(2)、將信號分割后的加速度信號表達的運動信息分成兩部分，訓練基于Fused隱馬爾科夫模型的分類模型，使用隱馬爾科夫模型分別對每部分運動信息進行建模， 再利用概率混合模型將兩個模型進行關聯(lián)；步驟(3)、利用一階自回歸模型，通過已知的數(shù)據(jù)來預測未知的數(shù)據(jù)；并根據(jù)隱狀態(tài)和觀察值之間的關系，將預測關系表達成隱狀態(tài)和觀察值之間的一個概率轉移；步驟(4)、將待識別的運動數(shù)據(jù)帶入到帶有預測能力的Fused隱馬爾科夫模型中進行估值操作，給出最后的識別結果。進一步的，所述步驟(I)中在線的對加速度信號進行分割的步驟具體如下步驟(Al)、應用遞歸最小二乘法(RLS)預測濾波器對加速度運動信號進行處理；步驟(A2)、當預測信號和原始信號明顯不同時，說明存在不穩(wěn)定點，分析得到的不穩(wěn)定點，篩選得到分割點。進一步的，所述步驟(2)訓練基于Fused隱馬爾科夫模型的分類模型的步驟具體如下步驟(BI)、對每一類運動分別采集手部和腳部的加速度信息，對每一部分分別訓練出隱馬爾科夫模型HMMl和HMM2 ；步驟(B2)、解碼出HMMl和HMM2的隱狀態(tài)序列S1和S2，分析運動的特征，選定一個主模型和一個輔助模型；步驟(B3)、將兩個隱馬爾科夫模型通過一定的概率分布關系，建立融合，將主模型的隱狀態(tài)序列和輔助模型的觀察值序列建立關聯(lián)。進一步的，所述步驟(3)中一階自回歸模型的建立步驟如下步驟(Cl)、設定回歸參數(shù)和初始值；步驟(C2)、對每一類運動,采用期望最大化(Expectation Maximum, EM)算法,迭代的訓練出預測模型，得到模型的參數(shù)。進一步的，所述步驟(4)帶有預測能力的Fused隱馬爾科夫模型的識別過程步驟如下將待識別的加速度數(shù)據(jù)帶入到訓練好的模型中進行估值操作，計算其擬合每一個已知模型的概率，并將擬合度最高的模型表示的運動類別當作最終的識別結果。本發(fā)明與現(xiàn)有技術相比的優(yōu)勢首先使用加速度信號的自動分割方法，相比于手動地進行信號分割的方法，本方法省去了手工處理的麻煩，并且在應用中增加了交互感和體驗度；
其次采用了 Fused HMM算法作為分類器，該方法能很好的處理具有交互過程的兩個時序序列，對于復雜的全身運動能夠通過較少的隱狀態(tài)來描述，提高了運算效率和分類準確度，并且當一個序列數(shù)據(jù)失效時，另一個序列仍能正常工作；最后采用了一種自回歸的預測模型，能夠通過已知數(shù)據(jù)預測出未知數(shù)據(jù)，在運動結束之前即開始識別操作，減小了算法延遲，提高了用戶體驗度。


圖I為本發(fā)明的一種基于加速度傳感器的運動識別方法的整體過程示意圖；圖2為本發(fā)明的RLS自適應濾波器原理示意圖；圖3為本發(fā)明的Fused隱馬爾科夫模型示意圖。
具體實施方式

下面結合附圖與實施例對本發(fā)明作進一步詳細描述本發(fā)明實施過程包括四個主要步驟在線對加速度信號進行分割，訓練基于Fused隱馬爾科夫模型的分類模型，建立自回歸的預測模型，帶有預測能力的Fused隱馬爾科夫模型的識別過程。步驟一，即在線的對加速度信號進行分割，主要分成二個階段第一階段應用遞歸最小二乘法預測濾波器對加速度運動信號進行處理如圖2所示本發(fā)明的RLS自適應濾波器原理示意圖，設置遞歸最小二乘法自適應濾波器作為預測濾波器，調整延遲，濾波器階數(shù)，遺忘因子，動態(tài)的更新濾波器系數(shù)因子。濾波器公式如下
^Pd (η) = γ, ωn (k)x(n - A ) = u'·: X (fi)⑴
k = 0J (")表示期望預測得到的第n幀數(shù)據(jù)，X(n) = [χ (η) χ (η_1) · · · x (n_p) ]τ表示之前最近的P幀數(shù)據(jù)，wn= [ωη(0)ωη(1)... ωη(ρ)]τ表示權重系數(shù)，P表示濾波器的階數(shù)，上面(I)式表明第η幀數(shù)據(jù)是由前面P幀數(shù)據(jù)預測得到的。通過上式可以訓練求得濾波器的系數(shù)因子wn。第二階段當預測信號和原始信號明顯不同時，說明存在不穩(wěn)定點，分析得到的不穩(wěn)定點，篩選得到分割點。計算兩個相鄰濾波器系數(shù)向量的歐氏距離，并保存為誤差向量e (η)e (n) = | w (n) -w (n-1) |2(2)w (n)表示通過RLS算法計算得到的第η時刻的濾波器系數(shù)向量。將得到的誤差向量與預先定義的閾值相比較，超過閾值的點保存為初步分割點集，PSb =[a0, a1； a2，…，aj，其中a0 = 0，I為初步分割點的個數(shù)。如果信號片段比較短的話，不能提供有意義的信息，因此要設定一個最短信號長度值(Lmin) Jfpsb中每個元素和Lmin作比較。如果arag > Lmin, (ai表示psb中的第i個初步分割點，O彡i彡I)，將Si保留作為不穩(wěn)定點并繼續(xù)檢驗下一個元素。如果ai-agSL.，則刪除掉ai;繼續(xù)檢驗下一個元素。最后psb中余下的點即為有效分割點。步驟二 訓練基于Fused隱馬爾科夫模型的分類模型。該步驟需要對每一類運動訓練一個Fused隱馬爾科夫模型。圖3為本發(fā)明的Fused隱馬爾科夫模型示意圖，具體分為如下兩個階段第一階段將總的特征信息分為手部特征和腳部特征，對每一部分特征信息分別獨立的訓練HMM，得到HMMl和HMM2。采集四個傳感器的信息，分別存儲為手部運動信息和腳部運動信息，對每一類運動的時序數(shù)據(jù)，訓練出一個隱馬爾科夫模型，訓練過程采用經典的Baum-Welch方法，該算法的主要思想是期望最大化過程，通過迭代的估計，訓練得到最優(yōu)的參數(shù)值。第二階段解碼出HMMl和HMM2的隱狀態(tài)序列SI和S2，分析運動的特征，選定一個主模型和一個輔助模型。S1是HMMl的隱狀態(tài)序列，Sli ( =ΓΝ)為S1每個時刻的狀態(tài)值，οπ( =ΓΝ)為每一時刻的觀察值，同理，S2i ( =ΓΝ)為S2每個時刻的狀態(tài)值，O2i ( =ΓΝ)為每一時刻的觀察值。 使用Viterbi算法，解碼出兩個訓練序列的隱狀態(tài)序列。根據(jù)運動的特征，設定兩部分所占的權重，權重較大的作為主要模型，另一個作為輔助模型。第三階段將兩個隱馬爾科夫模型通過一定的概率分布關系，建立融合，將主模型的隱狀態(tài)序列和輔助模型的觀察值序列建立關聯(lián)。輔助模型的觀察值的輸出概率不僅會受到其自身的隱狀態(tài)的影響，還會受到主要模型的隱狀態(tài)序列的影響。因此該過程要訓練得到一個交叉輸出概率如下B12 = B (S1, O2) = arg max p (O21 S1)(3)O2表示輔助模型的觀察值序列，S1表示主模型的隱狀態(tài)序列，B(Sp O2)為S1對O2的輸出概率。步驟三建立自回歸的預測模型。該過程具體可分為兩個階段。第一階段設定回歸參數(shù)和初始值?；貧w方程形式如下Ot = A(s, s' ) +B1 is, s' ) Ot^1+. . . +Bpis, s' ) 0t_p+Et(4)Ot表示t時刻的信號數(shù)據(jù)，作為觀察值，上式表明第t幀的數(shù)據(jù)是由之前的P幀數(shù)據(jù)預測得到的，P表示回歸階數(shù)，A(s，s’)和B(s，s’)是對應s，s’兩個狀態(tài)的回歸系數(shù)，Et為高斯誤差函數(shù)。第二階段對每一類運動，采用EM算法，迭代的訓練出預測模型，得到模型的參數(shù)。訓練過程就是迭代的修改A (s，s’)、B(s，s’)和Et的值，使得訓練樣本序列擬合模型的概率最大。訓練過程也采用EM算法，該模型不同于普通的隱馬爾科夫模型，每個觀察值的概率不僅僅依賴于它對應的隱狀態(tài)，而且還會受到之前的觀察值的影響，因此輸出概率有隱狀態(tài)和如序觀察值兩方面的影響。步驟四帶有預測能力的Fused隱馬爾科夫模型的識別過程。在識別過程中，將采集到的加速度信號分別輸入到每個已知模型中進行擬合，擬合結果概率最高的就是最后識別的運動類型。該過程分為以下幾個階段。第一階段在線的采集傳感器上的信號，并用步驟一中提到的方法自動的進行端點檢測，確定運動的起點和終點。第二階段在運動開始后的時刻t開始，根據(jù)之前的信號序列，向后對未知的信號進行預測，每次預測采用如下的回歸方程
Ot = A (s, s' ) +B1 (s, S1 ) Ot^1+. . . +Bp (s, s' ) 0t_p+Et連續(xù)預測若干次，得到序列q。第三階段將信號序列q帶入到已訓練好的Fused HMM模型中，使得如下公式值最大的HMM模型所對應的運動類別，即為最后的識別結果。
權利要求
1.一種基于加速度傳感器的運動識別方法，其特征在于該方法步驟如下 步驟(I)、在線的對加速度信號進行自動分割在線的對加速度信號進行濾波分割處理，并篩選得到分割點，保證識別過程能夠在線進行，增強交互感； 步驟(2)、將分割完成后的信號片段中加速度信號表達的運動信息分成兩部分，訓練基于Fused隱馬爾科夫模型的分類模型，使用隱馬爾科夫模型分別對每部分運動信息進行建模，再利用概率混合模型將兩個模型進行關聯(lián)； 步驟(3)、利用一階自回歸模型，通過已知的數(shù)據(jù)來預測未知的數(shù)據(jù)；并根據(jù)隱狀態(tài)和觀察值之間的關系，將預測關系表達成隱狀態(tài)和觀察值之間的一個概率轉移； 步驟(4)、將待識別的運動數(shù)據(jù)帶入到帶有預測能力的Fused隱馬爾科夫模型中進行估值操作，給出最后的識別結果。
2.根據(jù)權利要求I所述的基于加速度傳感器的運動識別方法，其特征在于所述步驟(1)中在線的對加速度信號進行分割的步驟具體如下 步驟(Al)、應用遞歸最小二乘法預測濾波器對加速度運動信號進行處理； 步驟(A2)、當預測信號和原始信號明顯不同時，說明存在不穩(wěn)定點，分析得到的不穩(wěn)定點，篩選得到分割點。
3.根據(jù)權利要求I所述的基于加速度傳感器的運動識別方法，其特征在于所述步驟(2)訓練基于Fused隱馬爾科夫模型的分類模型的步驟具體如下 步驟(BI)、對每一類運動分別采集手部和腳部的加速度信息，對每一部分分別訓練出隱馬爾科夫模型HMMl和HMM2 ； 步驟(B2)、解碼出HMMl和HMM2的隱狀態(tài)序列SI和S2，分析運動的特征，選定一個主模型和一個輔助模型； 步驟(B3)、將兩個隱馬爾科夫模型通過一定的概率分布關系，建立融合，將主模型的隱狀態(tài)序列和輔助模型的觀察值序列建立關聯(lián)。
4.根據(jù)權利要求I所述的基于加速度傳感器的運動識別方法，其特征在于所述步驟(3)中一階自回歸模型的訓練步驟如下 步驟(Cl)、設定回歸參數(shù)和初始值； 步驟(C2)、對每一類運動，采用期望最大化算法，迭代的訓練出預測模型，得到模型的參數(shù)。
5.根據(jù)權利要求I所述的基于加速度傳感器的運動識別方法，其特征在于所述步驟(4)帶有預測能力的Fused隱馬爾科夫模型的識別過程步驟如下將待識別的加速度運動信息帶入到訓練好的模型中進行估值操作，計算其擬合每一個已知模型的概率，并將擬合度最高的模型表示的運動類別當作最終的識別結果。
全文摘要
本發(fā)明是一種基于加速度傳感器的運動識別方法，屬于人機交互技術領域，該方法首先采集傳感器的加速度信號，在線的對加速度信號進行平滑處理，并自動的檢測運動的起點和終點，分割出運動片段，實現(xiàn)信號的自動分割；為了提高識別準確率，本發(fā)明采用Fused隱馬爾科夫模型算法作為分類器，在訓練階段對每個已知運動進行建模，并在識別階段估計出當前信號表示的運動；為了能夠在每個運動完成之前給出識別結果，本發(fā)明采用一個自回歸的預測模型，用已經采集到的已知數(shù)據(jù)對未知數(shù)據(jù)進行預測，從而達到提前識別的效果。本發(fā)明的特點是通過少量傳感器捕捉人體運動，并快速準確的識別出當前人體的運動類別。
文檔編號G06F3/01GK102707806SQ20121015639
公開日2012年10月3日 申請日期2012年5月18日 優(yōu)先權日2012年5月18日
發(fā)明者劉杰, 梁曉輝, 王劍, 郭承禹 申請人:北京航空航天大學