基于函数型数据分析方法的人体动态行为识别

人体运动过程中,肢体的运动是连续的,而对应的运动捕捉数据是离散的.为了更好地分析人体日常运动行为的连续性与周期性,本文提出了一种基于函数型数据分析（Functional data analysis,FDA）的人体动态行为识别方法.首先,利用函数型数据分析方法,将可穿戴式运动捕捉系统采集的人体周期行为数据函数化,通过函数准确地定义数据的连续性与周期性;然后,根据导函数信息确定一个运动周期的起始点,并近似地提取出一个运动周期的数据序列;最后,根据不同行为一个周期内的曲线特征差异,利用支持向量机对动态行为进行分类识别.实验结果表明,本文的算法既能够较好地描述人体动态行为的连续性与周期性,又使得运动数...

Full description

Saved in:
Bibliographic Details
Published in自动化学报 Vol. 43; no. 5; pp. 866 - 876
Main Author 苏本跃 蒋京 汤庆丰 盛敏
Format Journal Article
LanguageChinese
Published 安庆师范大学数学与计算科学学院 安庆 246133 2017
智能感知与计算安徽省高校重点实验室 安庆 246133%智能感知与计算安徽省高校重点实验室 安庆 246133
安庆师范大学计算机与信息学院 安庆 246133
Subjects
函数型数据分析
动态行为识别
可穿戴式运动捕捉系统
周期行为
连续性与周期性
Dynamic action recognition
periodic action
continuity and periodicity
wearable motion capture system
可穿戴式运动捕捉系统
动态行为识别
周期行为
functional data analysis (FDA)
连续性与周期性
函数型数据分析
Online AccessGet full text

Cover

More Information
Summary:人体运动过程中,肢体的运动是连续的,而对应的运动捕捉数据是离散的.为了更好地分析人体日常运动行为的连续性与周期性,本文提出了一种基于函数型数据分析（Functional data analysis,FDA）的人体动态行为识别方法.首先,利用函数型数据分析方法,将可穿戴式运动捕捉系统采集的人体周期行为数据函数化,通过函数准确地定义数据的连续性与周期性;然后,根据导函数信息确定一个运动周期的起始点,并近似地提取出一个运动周期的数据序列;最后,根据不同行为一个周期内的曲线特征差异,利用支持向量机对动态行为进行分类识别.实验结果表明,本文的算法既能够较好地描述人体动态行为的连续性与周期性,又使得运动数据在标定的统一起始点处对齐,且在WARD数据集与自采集数据集上均取得了较好的识别率,分别达到97.5%与98.75%.
Bibliography:Dynamic action recognition, continuity and periodicity, periodic action, functional data analysis （FDA） wearable motion capture system
In human motion, limb movement is continuous. However, the corresponding motion capture data is discrete. This paper explores a method for human dynamic action recognition based on functional data analysis （FDA） so as to analyze the continuity and periodicity of daily action. Firstly, we transform the periodic data collected by the wearable motion capture system into functional data using FDA, and then define the continuity and periodicity of data exactly by using function properties. Secondly, we determine the initial point of a motion period according to the derivative information, and then extract the data series representing a period of motion. Finally, we utilize support vector machine （SVM） to classify the dynamic action according to the different characteristics of the curves about different actions in a period. The experimental result indicates that our algorithm can de
ISSN:0254-4156
1874-1029
DOI:10.16383/j.aas.2017.c160120