基于DTW和K-means的人体动作匹配和评估方法研究

"基于DTW和K-means的动作匹配和评估" 本文提出了一种基于DTW和K-means的动作匹配和评估方法，旨在满足基于Kinect的康复训练系统的需要。该方法通过Kinect实时提取骨骼关节点三维坐标，计算骨骼关节点的角度，得到一组动作序列的空间角度变化值；然后通过改进的DTW算法把两组动作序列的角度值进行匹配，得到两个序列之间的距离；最后通过K-means聚类方法对距离的大小评估。 动作匹配是康复训练系统的关键组件。传统的动作匹配方法存在一些缺陷，例如计算复杂度高、识别速率低等。本文提出的方法可以实时地匹配和评估人体动作，提高了识别速率和准确性。 Kinect是一种基于深度传感器的体感外设，可以在不受背景和光照等影响下监测人体动作。近年来，Kinect被广泛应用于康复训练中。文献[1]结合Kinect用于在学步车上提取腿部信息进行医疗分析。文献[2]利用Kinect的深度传感器获取深度图像来识别3D人体姿态。 人体动作识别是康复系统的关键组件。近年来，对人体动作识别的研究十分活跃。NATARAJANP等人[3]将CRF用到了人体动作识别中。ShiQinfeng等人[4]针对连续的动作序列提出一种判定式的马尔可夫模型(即HMM算法)。由于CRF和HMM算法需要先建模，算法复杂度较大。 本文提出的方法通过Kinect实时提取骨骼关节点三维坐标，计算骨骼关节点空间角度，以空间角度变化值定义一组动作，然后通过改进的DTW算法把两组动作序列的角度值进行匹配，得到两个序列之间的距离。最后通过K-means聚类方法对距离的大小评估。 DTW算法是一种常用的时序规整算法，可以解决距离测量过程中时间轴差异问题。K-means聚类方法可以对距离的大小进行评估，实现人体动作的匹配和评估。 实验表明，本文提出的方法能很好地实现人体动作匹配和评估，实时性好，较传统DTW算法在识别速率上有明显提高。 本文的贡献在于： 1. 提出了基于Kinect和DTW的动作匹配和评估方法，实现了实时的人体动作匹配和评估。 2. 提出了改进的DTW算法，提高了识别速率和准确性。 3. 应用了K-means聚类方法对距离的大小评估，实现了人体动作的匹配和评估。 本文的结果表明，本文提出的方法可以实时地匹配和评估人体动作，提高了识别速率和准确性，为康复训练系统提供了重要的技术支持。