[发明专利]一种动作模仿拟合度评价方法

说明书

本发明公开了一种动作模仿拟合度评价方法，以人体各肢体的单位向量描述人体姿态，在统一的坐标系下，通过示范者关键帧与设定范围内的多个模仿者对比帧的拟合计算，获取模仿者最接近示范者的姿态，避免了模仿者与示范者动作时间延迟带来的比较误差，更接近动作交互训练中模仿者跟随示范者学习的实际情况，处理效果优于DTW算法。本发明通过引入时间差指数衰减函数，考虑了示范者姿态和模仿者姿态出现的时间差异，弥补了模仿者多个姿态比较可能引起的拟合度计算误差。可以用于长时间连续动作的拟合度评价，可实时评价和显示拟合度，通过拟合度曲线和示范者关键帧的对照，可以有针对性地指导模仿者提高训练效果。

技术领域

本发明属于人体测量和人机交互技术领域，具体地涉及一种肢体运动姿态相似程度的评价方法。

背景技术

人机交互技术已经用于各种训练和娱乐当中。通过实际的示范者视频或示范者的人体三维模型运动，对学习和模仿者提供指导；通过测量获得学习和模仿者的肢体数据，对学习和模仿效果和成绩进行评价。这种技术已经在多种训练和娱乐场合得到应用，如体育训练、技能动作训练、交互游戏等。其中，对学习和模仿者进行肢体动作的测量有多种方法，可以获得被测量者肢体的位置和方向信息；将得到的这些信息与示范者的对应信息进行比较也存在一些方法，这些方法就可以评价学习和模仿的效果，从而指导学习和模仿者改进肢体动作，获得好的训练和娱乐效果。本专利所述的动作模仿拟合度，就是评价学习和模仿者与示范者肢体相似程度的一种方法。通过调研分析，可以获得这方面的现有技术状况如下：

申请号201310084753.0提出了一种基于相关性几何特征的运动相似性评估方法：该方法通过时间变形，进行两段动作序列的数据对齐；通过Adaboost算法对运动数据进行特征选择；基于曲线拟合方法，计算得到不同类型特征的相似性得分。该方法解决了运动序列的时间变形、特征选择、相似性计算问题。但是存在必须事先获取动作序列、无法对连续的多个动作实时计算相似度、无法考虑两个人体连续动作时间过程不均衡(快慢不一，时快时慢)等不足。

申请号201510434511.9提出了一种运动人体姿态相似性度量方法：该方法以距离度量模型为基础，构建了人体姿态特征向量，构建了融合主姿态特征和细节特征稀疏表示的姿态距离度量模型，运用二次规划优化求解获得最优度量矩阵，可以在视频帧数据库中检索出与目标图像人体姿态相似度最高的帧图像，适用于从众多数据中辨别特定姿态的静态图片。但由于要经过大量样本数据进行算法学习，姿态相似度计算量很大，无法用于一系列连续动作的实时相似度计算，而且该方法也无法解决需对比的两个人体连续动作的时间不一致问题。

申请号201610341941.0提出了一种人体运动数据相似度自动评价方法：通过计算两个姿态序列在时间和空间的统计信息的巴氏距离，获得两个姿态序列的相似性函数，用该函数值表示两个姿态序列的相似度。该方法给出的是一个确定的时间段中两个姿态序列的相似度，不能在人体姿态采集过程中连续地计算相似度。如果在姿态采集过程中连续地分时间段截取人体姿态序列，则截取点必然导致姿态序列的统计信息失真，使该算法失效。可见该算法无法满足连续实时地采集和计算人体运动相似度的要求，当然也无法解决两个人体动作时间过程不均衡(快慢不一，时快时慢)问题。

申请号201710454684.6给出了一种基于人体骨架信息的动作完成度识别方法：通过Kinect拍摄人体完成动作流程的视频并提取人体骨架信息，按时间间隔不断移动时间窗口，计算时间窗口内视频的人体信息与各模板片段的匹配相似度，以模板视频相似度最高片段的识别结果计算动作完成度(即完成了多少种训练)。在专利说明书中可见，该技术方案在计算人体视频与各段模板的相似度时采用了DTW算法(即动态时间归整)。可见，该专利申请是基于DTW算法对不同时间长度的数据序列进行处理并对比评价的，其评价结果是针对各模板段(有多个动作训练的模板段)的，获得的结果是完成了哪些模板段的训练，而不是对某个模板段的训练过程进行实时评价。显然，该技术解决不了交互训练中的实时评价问题，也不能两个人体动作时间过程不均衡(快慢不一，时快时慢)时的评价问题。