一种人体动作的识别预测方法

技术领域

本发明涉及人体动作识别领域，特别是涉及一种人体动作的识别预测方法。

背景技术

目前常见的动作预测或识别方法，主要基于图像信息，例如文献CN115393964 A公开了一种基于BlazePose的健身动作识别方法及装置，该发明基于BlazePose轻量级卷积神经网络对图像进行人体姿态估计，得到图像中用户在进行健身时的关节点位置信息；将关节点位置信息转换为特征向量，基于KNN分类提取当前运动类别；通过角度分析与距离阈值判断检测用户在当前运动类别的姿态准确与否，并根据结果反馈动作改进建议。文献CN115273244A公开了一种基于图神经网络的人体动作识别方法和系统，通过预先训练的基于图神经网络的人体动作识别网络对输入视频进行处理，输出动作分类，该人体动作识别网络包括2D关节识别网络、3D关节识别网络和全连接分类层。利用带有短连接的下采样和对应上采样层来实现数据的2D特征提取和关节点识别，以此输出作为图神经网络的骨架图输入，从而输出准确的3D动作从而从动作序列识别对应的动作分类。文献108284444A公开了一种人机协作下基于Tc-ProMps算法的多模式人体动作预测方法，该预测模型主要分为离线训练和在线预测两个模块，离线模块对人体动作样本进行训练，获取某类动作技能的表征的特征权值向量w及其概率分布；在线模块通过视觉信息观察人体动作，对人体动作进行在线识别和滚动预测。

基于机器学习的动作识别算法会先对数据进行分类，再将分类结果传递到终端设备中进行响应动作。但是在运动中，人体的动作有时发生的很迅速，如果当一个动作的数据被完全采集分析后，此动作已经完成，错过了对于这个动作的响应时机，如果在运动开始时进行识别和分析，需要在动作完成前，驱动终端设备启动或完成响应动作，在此时间内响应困难仍然很大。基于图像的动作预测算法需要摄像机等外部设备获取图像数据进行分析，在很多场景下无法实现。

发明内容

本发明所要解决的技术问题是提供一种人体动作的识别预测方法，能够准确预测人体下一步动作。

本发明解决其技术问题所采用的技术方案是：提供一种人体动作的识别预测方法，包括以下步骤：

实时采集足部运动数据；

基于所述足部运动数据进行步相划分，并根据每个步相的所述足部运动数据构建步相特征向量；

将所述步相特征向量放入步相分类模型进行分类识别，得到步相分类结果；

基于所述步相分类结果预测下一步动作是否为目标动作。

进一步的，所述足部运动数据包括足部加速度数据，所述足部加速度数据包括横轴加速度、纵轴加速度和竖轴加速度，所述横轴加速度为人体侧移方向的加速度，所述纵轴加速度为人体前进方向的加速度，所述竖轴加速度为人体垂直方向的加速度。

进一步的，所述步相特征向量包括横轴加速度均值、纵轴加速度均值和竖轴加速度均值。

进一步的，所述基于所述足部运动数据进行步相划分，并根据每个步相的所述足部运动数据构建步相特征向量，包括：

设置步相基准周期，所述步相基准周期为预估的人体完成一个步相所需要的时间；

在所述步相基准周期内，基于所述足部运动数据的周期性变化规律判断当前步相是否完成，如果已经完成，则将当前所述步相基准周期内已获得的所述足部运动数据划分为一个步相，并构建所述步相特征向量，并开始下一个所述步相基准周期，否则继续采集所述足部运动数据；

在所述步相基准周期内，如果始终判断当前步相没有完成，则将整个所述步相基准周期内获得的所述足部运动数据划分为一个步相，并构建所述步相特征向量。

进一步的，当人体在行进时，所述基于所述足部运动数据的周期性变化规律判断当前步相是否完成，包括：

设置所述纵轴加速度的正向基准峰值和负向基准峰值；

当所述纵轴加速度达到一次正向基准峰值和一次负向基准峰值后回到初始加速度时，认为人体完成了一个步相。

进一步的，所述足部运动数据还包括足部压力数据。

进一步的，当人体在行进时，所述基于所述足部运动数据的周期性变化规律判断当前步相是否完成，包括：

设置所述纵轴加速度的正向基准峰值和负向基准峰值；

当所述纵轴加速度达到一次正向基准峰值和一次负向基准峰值后回到初始加速度，且所述足部压力数据变大后又变小时，认为人体完成了一个步相。

进一步的，所述步相分类结果包括目标动作、准备动作、非目标动作，所述准备动作为所述目标动作的前一个步相或前多个步相的组合。

进一步的，所述基于所述步相分类结果预测下一步动作是否为目标动作，包括：

如果当前步相为所述非准备动作，返回所述实时采集足部运动数据的步骤；

如果当前步相为所述准备动作，且所述准备动作包括一个步相，预测下一步动作为所述目标动作；

如果当前步相为所述准备动作，且所述准备动作包括多个步相，判断当前步相是否为所述准备动作中最后一个步相，如果是则预测下一步动作为所述目标动作，否则记录当前步相并返回所述实时采集足部运动数据的步骤。

进一步的，所述步相分类模型基于支持向量机构建。

进一步的，还包括基于所述步相分类结果启动响应动作的步骤。

有益效果

由于采用了上述的技术方案，本发明与现有技术相比，具有以下的优点和积极效果：本发明根据人体运动特点，将人体动作划分为不同步相进行分析，并将目标动作的前一个步相作为准备动作，利用分类模型对准备动作进行识别进而对目标动作进行预测，而不是对正在进行或已经完成的目标动作进行识别。当准备动作完成后，准备动作的识别过程也同时完成，当目标动作开始时，响应已经启动，使响应装置能够更早预知目标动作，为其准备后续相应动作提供了更多时间。

附图说明

图1是本发明实施方式中人体运动阶段分解示意图；

图2是本发明实施方式的流程图；

图3是本发明实施方式中动作预测及响应流程图；

图4是本发明实施方式中人体急停动作的足部数据示意图。

具体实施方式

下面结合具体实施例，进一步阐述本发明。应理解，这些实施例仅用于说明本发明而不用于限制本发明的范围。此外应理解，在阅读了本发明讲授的内容之后，本领域技术人员可以对本发明作各种改动或修改，这些等价形式同样落于本申请所附权利要求书所限定的范围。

本发明的实施方式涉及一种人体动作的识别预测方法，如图2所示，使用传感器采集足部的加速度数据和足底压力数据，控制器读取采集的数据后进行处理。首先对数据进行平滑滤波，得到预处理后的数据。由于人体运动的每一步都可以粗略地看作一个周期性的运动，所以可以按照数据的周期特征对其进行步相划分，将每一个步相的特征向量放入训练好的分类模型中进行分类识别。如图1所示，根据需求，将每一步分为目标动作，非目标动作，和准备动作，准备动作可以为一步或者几步的组合，在准备动作完成后即是目标动作。

预测响应过程如图3所示，如果分类结果为非准备动作，即为目标动作或者非目标动作，动作预测过程结束，不启动响应，重新传入步相数据进行分类识别。如果分类结果为准备动作或准备动作的一部分，则开始记录步相，如果识别到单个步相或几个步相的组合为准备动作，则预测下一个步相为目标动作，输出启动响应信号，驱动响应。响应动作可以为针对目标动作的任何行为，可以是可穿戴设备的记录或反馈，也可为外部设备功能的开启或关闭。目标动作也可以为任意运动中的任意动作，只需要在采集对应的数据构造模型，就可以将本发明用于多种运动中。

以篮球运动的急停动作为例，将停止动作作为目标动作，则停止前一步为准备动作，跑动动作为非目标动作。

首先需要采集对应的动作的足部压力与足部加速度数据进行数据处理与建模。在数据处理阶段，使用滑动均值滤波法，对传感器数据进行预处理，处理完成后依据人体运动的周期性进行步相划分。

预处理后的数据如图4所示，上方的图中横坐标为采样点，纵坐标为加速度，下方的图中，横坐标为采样点，纵坐标为压力值。随着受试者足部的落地，支撑，蹬地与摆动，除了前脚掌内侧的足部压力会先增大后减小以外，xyz三个方向上的加速度也会随着变化。数据周期性更好但数据量更大，y方向作为跑动的前进方向，跑动者在足部蹬地时，会向地面发力，来受到地面的反作用力的反馈，为启动提供能量，所以足底压力会开始增大，y方向上的加速度也会开始增大。足部启动后，足部腾空，足底压力会维持在一个比较稳定的状态，主要来自通过包裹性调节的足部与鞋底的压力。而腾空后，y方向上的加速度会开始减小。当受试者的足部落地时，足底压力开始增大，而y方向上的加速度开始增加，进入下一个周期。在跑动中，足部落地到再次离开地面的这段时间，y方向上的加速度会发生小范围的波动。其他方向上的加速度也具有一定的周期性，z方向上的加速度会在足部离地抬起时减小，在足部下降落地时增大，在落地和腾空的时候都会产生一定范围内的波动。根据上述特点，划分好步相后，将xyz三个方向加速度的均值(x.mean(),y.mean(),z.mean())构建为特征向量，并放入基于支持向量机(SVM)构建的步相分类模型中进行分类。

在运动过程中实时获取的数据会先根据周期性进行步相划分。以人体向前行进时的动作为例，首先根据经验预设步相基准周期和y方向上加速度的基准峰值，设定当前周期内，如果加速度在正、负方向上分别达到一次基准峰值后又回到初始值附近，认为人体完成了一个步相。为了得到更精确的结果，可以利用足底压力数据进行辅助判断，如果当前周期内，加速度在正、负方向上分别达到一次基准峰值后又回到初始值附近，且足部压力数据变大后又变小时，认为人体完成了一个步相。

如果该周期内，系统始终判定没有完成步相，则将整个步相基准周期内的数据作为一个步相进行划分。根据划分好的步相构建特征向量，传入模型中进行识别，如识别为准备动作，即急停前一步，则认为下一步为急停动作，启动响应活动，同时人体进入急停动作，可以在急停动作开始时就进行针对的活动，不会错过急停动作。

以下为具体预测结果，利用目前现有的所有样本的30％作为被识别样本，现有样本的剩余70％数据进行建模设计算法，算法的整体识别正确率为88.9％，预急停动作识别正确率为73.1％。

例如在足球运动的跑动射门的动作中，将射门动作作为目标动作，则射门动作的前一步作为准备动作，运动前段的跑动动作作为非目标动作，依据本发明方法，在射门动作前一步完成后识别到准备动作，预测下一步为射门动作，发出响应信号，可以控制其他设备针对射门动作做出反应。

在一些规律性更强的运动中，例如三级跳远，可以将起跳前规律的迈步动作作为准备动作，即准备动作为几个步相的组合，识别到后，再针对起跳动作做出响应。

在一些特定场景中，例如日常行走，可以将正常行走的步相作为非目标动作，在遇到一些突发状况，例如摔倒等情况前的一步作为准备动作，识别到后，即预测下一步会摔倒，在摔倒行为开始时即可启动外部设备进行预防和应对。