[发明专利]一种基于哈尔特征和动态时序匹配的投篮动作识别方法

说明书

技术领域

本发明涉及一种投篮动作识别方法，尤其涉及一种基于哈尔特征和动态时 序匹配的投篮动作识别方法。

背景技术

动作捕捉设备对场地、服装和演员都有较高的限制，以光学捕捉设备为例， 演员需要穿着特定的服装并贴上标记点，需要十分繁琐的准备过程。应用从多 视点轮廓图识别动作的方法，可以做到无标记点，以改善用户体验，提高交互 性。

在近年来动作识别的相关研究中，很多学者结合计算机视觉和机器学习等 知识，针对不同的应用领域和需求，提出了从二维图像序列恢复三维动作的解 决方案，其研究成果主要被应用于智能监控、感知接口、运动分析和虚拟现实 等方面。如，K.Takahashi等人基于手部动作提出了一种全帧匹配方案，使用 spatio-temporal vector fields作为识别依据，使用CDP(Continuous Dynamic Programming)定位，用于人的有限个手部动作的识别。而LIU REN等则以舞蹈 动作为基础，使用AdaBoost学习得到的矩形特征计算轮廓图在这些特征上的海 明距离，后基于预先生成的动作图(Motion Graph)进行单幅图像的局部敏感匹 配，最后合成与输入最相近的姿势序列。

发明内容

本发明的目的在于克服动作捕捉设备对场地、服装和演员高限制，避免繁 琐的准备过程，在无标记点的情况下快速而准确地识别出投篮动作。

基于哈尔特征和动态时序匹配的投篮动作识别方法，其特征在于包括以下 步骤：

1)预先用动作捕捉设备捕获各种投篮动作存入数据库中，将所有动作向两 侧轻微旋转后渲染成多视角下的二维图像，然后处理为轮廓图储存；

2)标记所有动作的投篮出手时刻、出手位置和出手方式，将所有动作分为 左手单手、右手单手和双手三大类，并建立索引；

3)依据动作分类，在每一类中平均随机取若干动作，取其出手时刻对应的 姿势为样本，按类标记，建立姿势分类样本库；

4)依据动作分类，在每一类中平均随机取若干姿势对，取两者图像的异或 值为样本，并以两者三维骨架间的距离是否过大为标记，建立姿势区分样本库；

5)对姿势分类样本库和姿势区分样本库中的每一个样本，提取基于LUT 扩展的浮点哈尔特征；

6)使用Multiclass Gentle AdaBoost算法，针对浮点哈尔特征，从姿势分类 样本库和姿势区分样本库中分别抽取分类哈尔特征向量和度量哈尔特征向量；

7)运行时，通过多视点摄像机拍摄人投篮的图片序列，并处理为轮廓图序 列作为输入；

8)从图像序列中篮球轮廓是否与人体轮廓分离及其速度、位置，判断投篮 出手时刻；

9)使用分类哈尔特征向量，计算出手时刻对应姿势的分类哈尔特征值，判 断所属类；

10)从数据库中索引同一类的所有动作，作为备选相似动作；

11)对每一个备选相似动作，将其与输入按出手时刻对齐，使用度量哈尔 特征向量计算两两姿势间的度量哈尔特征值，再做动态时序匹配，得到匹配代 价；

12)取匹配代价最优的备选相似动作，作为输入的识别结果。

基于哈尔特征和动态时序匹配的投篮动作识别方法，其特征在于，所述的 对姿势分类样本库和姿势区分样本库中的每一个样本，提取基于LUT扩展的浮 点哈尔特征步骤包括：

1)选择若干哈尔特征样式，按照图像大小和移动步长，选取不同的长度、 宽度和位置，定义若干哈尔特征；

2)对样本库中的每一个样本所对应的二值轮廓图像，对每个已定义的哈尔 特征，计算哈尔特征值；

3)对每个已定义的哈尔特征，将其值域等分为K个子域，对每个类c统计 每个子域中哈尔特征值落于该子域的样本个数，得到样本分布统计；

4)对每个已定义的哈尔特征，根据样本分布统计，计算每个子域的类属偏 向值，得到基于LUT扩展的浮点哈尔特征，类属偏向值的计算公式是：