多維數(shù)據(jù)關聯(lián)的機器人運動步態(tài)識別方法

陳先睿

（貴州大學體育學院，貴州 貴陽550025）

1 引言

現(xiàn)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(yè)等領域中已經(jīng)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(xié)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(tài)。例如文獻［3］提出一種基于確定性學習的人體步態(tài)識別方法，利用人體運動捕捉設備獲取關節(jié)角時序數(shù)據(jù)序列，其中局部準確的人體步態(tài)內(nèi)部動力學能夠采用徑向基函數(shù)網(wǎng)絡得到逼近，根據(jù)將NN逼近獲取的步態(tài)動力學知識存儲在RBF網(wǎng)絡中，利用該網(wǎng)絡有效進行步態(tài)識別；文獻［4］提出一種基于MPSO-BP神經(jīng)網(wǎng)絡方法的人體步態(tài)識別方法，主要采用自適應調整學習因子組建MPSO-BP神經(jīng)網(wǎng)絡分類器，通過多種傳感信息的特征向量樣本集對神經(jīng)網(wǎng)絡進行訓練，以實現(xiàn)不同運動模式的步態(tài)識別。以上方法雖然在現(xiàn)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(shù)據(jù)關聯(lián)的機器人運動步態(tài)識別方法。

2 機器人運動步態(tài)識別方法設計

以下給出基于多維數(shù)據(jù)關聯(lián)的機器人運動步態(tài)識別流程圖，如圖1所示。

分析圖1可知，基于多維數(shù)據(jù)關聯(lián)的機器人運動步態(tài)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(tài)學方法去除所提取到的圖像中的噪聲及空洞。采用多維數(shù)據(jù)關聯(lián)提取機器人運動步態(tài)輪廓形狀靜態(tài)特征，在此基礎上獲取動作能量圖（AEI）以及步態(tài)能量圖（GEI），并對二者進行對比分析，獲取動態(tài)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(tài)特征，將機器人運動步態(tài)輪廓形狀靜態(tài)特征與頻率動態(tài)特征進行融合，根據(jù)融合結果實現(xiàn)機器人運動步態(tài)識別。

圖1 基于多維數(shù)據(jù)關聯(lián)的機器人運動步態(tài)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(tài)識別方法進行深入研究，由于機器人運動步態(tài)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(lián)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(xù)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(tài)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(tài)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(tài)特征選擇與提取

機器人運動步態(tài)特征提取是機器人步態(tài)識別技術中十分關鍵的一步，特征提取是實現(xiàn)步態(tài)識別的基礎［6-7］，因此以下通過多維數(shù)據(jù)關聯(lián)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(xù)進行Procrustes形狀特征提?。?］。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(tài)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(tài)序列的幀數(shù)，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(tài)圖像中大量的動態(tài)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(tài)變化性的像素點中出現(xiàn)的概率。

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

設定一組步態(tài)周期圖形序列為At()x,y，采用以下公式計算步態(tài)能量圖：

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

2.3 機器人運動步態(tài)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(shù)據(jù)之間的關系，主要通過核函數(shù)完成數(shù)據(jù)處理，同時降低算法的計算量。

設定x,y∈X，其中X代表數(shù)據(jù)空間的樣本集，分式線性性映射函數(shù)為Φ，則有：

式中：K(x,y)—核函數(shù)；Φ(x)·Φ(y)—內(nèi)積。

只有滿足對應條件的核函數(shù)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(shù)K(x,y)，不恒等于零的函數(shù)g(x)促使∫g(x)2dx＜∞是函數(shù)K(x,y)能夠在特征空間進行內(nèi)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(tài)特征降維的過程中，首先需要針對F空間的總體樣本協(xié)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(shù)K設定為訓練特征集S的核函數(shù)；

（2）計算核函數(shù)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(shù)據(jù)，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(tài)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(guī)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(xiàn)機器人運動步態(tài)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(shù)據(jù)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(tài)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(tài)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(shù)據(jù)可知，研究方法的機器人運動步態(tài)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(tài)特征，能夠為后續(xù)機器人運動步態(tài)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(tài)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(tài)。

4 結束語

針對傳統(tǒng)的機器人運動步態(tài)識別方法存在有效識別率較低等問題，結合多維數(shù)據(jù)關聯(lián)，提出了一種基于多維數(shù)據(jù)關聯(lián)的機器人運動步態(tài)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(tài)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(tài)特征提取準確率更高，且能夠實現(xiàn)機器人運動步態(tài)的快速準確識別，獲取較為滿意的識別結果。