黃劉松, 儲岳中, 張學(xué)鋒

(安徽工業(yè)大學(xué) 計(jì)算機(jī)科學(xué)與技術(shù)學(xué)院,安徽 馬鞍山 243032)

?

基于加速度傳感器的乒乓球擊球動作識別*

黃劉松, 儲岳中, 張學(xué)鋒

(安徽工業(yè)大學(xué) 計(jì)算機(jī)科學(xué)與技術(shù)學(xué)院,安徽 馬鞍山 243032)

摘要:針對人擊打乒乓球時(shí)的動作特點(diǎn)，提出一種基于三維加速度信號的識別算法以識別不同類型的擊球，例如：攻球、搓球和推擋。所用數(shù)據(jù)由綁定在手腕上的加速度傳感器在乒乓球的訓(xùn)練過程中采集，利用固定閾值法對加速度信號的終始點(diǎn)進(jìn)行判斷，并提取信號的信號能量、手勢長度等關(guān)鍵特征。識別過程分別采用K近鄰和決策樹算法。實(shí)驗(yàn)結(jié)果表明:針對乒乓球訓(xùn)練過程中的擊球動作，可以快速有效地對動作信號進(jìn)行分類識別。

關(guān)鍵詞：加速度傳感器; 乒乓球; 特征提取; 動作識別; 決策樹; K近鄰

0引言

動作識別作為人機(jī)交互的一種重要技術(shù)，一直是模式識別領(lǐng)域的研究熱點(diǎn)之一。在動作識別研究中主要有兩個(gè)方向：基于視覺傳感器的動作識別和基于可穿戴傳感器的動作識別[1]。基于加速度傳感器的動作識別技術(shù)屬于后者，由于加速度傳感器具有能耗低、體積小、成本低的特點(diǎn)從而被廣泛使用[2]。

目前，基于加速度傳感的動作識別過程主要分為特征提取、特征選擇和識別算法三個(gè)步驟。特征提取主要從信號的物理特征和人體運(yùn)動特征兩個(gè)方面分析。在物理特征方面，主要使用小波變換[3]、快速傅里葉變換等方法提取頻率、能量信息；在運(yùn)動特征方面，提取平均值、熵、信號矢量幅值( signal vector magnitude，SVM)等特征值。特征選擇主要使用蟻群算法，識別算法主要使用支持向量機(jī)[4，5]、動態(tài)時(shí)間規(guī)整(DWT)[6，7]、隱馬爾科夫模型(HMM)。

本文基于三維加速度傳感器設(shè)計(jì)了擊球動作識別系統(tǒng)，通過對加速度數(shù)據(jù)的采集、處理、分析，得到基于三維加速度傳感器的手部擊球動作，具有對擊球類型高識別率，對擊球類型分類細(xì)致等特點(diǎn)。

1數(shù)據(jù)采集

實(shí)驗(yàn)選用三維加速度傳感器固定于手腕上，用于采集手勢動作加速度信號，其數(shù)據(jù)采集模塊如圖1所示(采樣頻率為50 Hz)。當(dāng)加速度傳感器感知到手部的三維活動時(shí)，獲取的模擬加速度信號通過A/D轉(zhuǎn)換為數(shù)字信號，數(shù)據(jù)通過藍(lán)牙傳送到計(jì)算機(jī)，并將數(shù)據(jù)以文本方式保存在計(jì)算機(jī)上。利用計(jì)算機(jī)讀取文本數(shù)據(jù)，并進(jìn)行傳感器數(shù)據(jù)的特征提取和手勢動作識別等分析工作，其原理圖如圖2所示。

圖1　加速度數(shù)據(jù)采集模塊Fig 1　Module of acceleration data acquisition

圖2　系統(tǒng)原理圖Fig 2　Principle diagram of system

2數(shù)據(jù)處理

2.1動作起始點(diǎn)和終止點(diǎn)判斷

通過傳感器獲取的加速度信號如圖3所示，在判斷動作起始點(diǎn)和終止點(diǎn)時(shí)，通常采用過零率、固定閾值[8]等方法，由于本系統(tǒng)的采樣頻率比較低，不宜用過零率來作為判斷依據(jù)，本文通過設(shè)置門限閾值自動檢測擊球動作窗口。當(dāng)沒有動作產(chǎn)生時(shí)，加速度是相對平穩(wěn)的，采集的加速度數(shù)據(jù)流可近似看作為常量，當(dāng)作出擊球動作時(shí)，加速度數(shù)據(jù)變化劇烈。設(shè)A(t)=[ax(t),ay(t),az(t)]為t時(shí)刻采樣的三維加速度數(shù)據(jù)，threshold為設(shè)置的門限閾值(根據(jù)經(jīng)驗(yàn)數(shù)據(jù)threshold值取5)，將A(t+m)與A(t)比較，若‖A(t+m)-A(t)‖≥threshold(其中,m=1,2,3,4,5) ，即連續(xù)5個(gè)點(diǎn)的能量大于給定閾值，則t時(shí)刻的采樣點(diǎn)A(t)可判斷為非靜止的數(shù)據(jù)起始點(diǎn)。‖A(t+m)-A(t)‖≤threshold(其中，m=1,2,3,4,5)，即連續(xù)5個(gè)能量值小于給定閾值，則t時(shí)刻的采樣點(diǎn)A(t)可判斷為動作結(jié)束點(diǎn)。

圖3　一次動作的三維加速度信號示意圖Fig 3　3D acceleration signal diagram of one action

2.2特征提取

動作的特征選擇恰當(dāng)與否直接關(guān)系到分類的識別算法的實(shí)時(shí)性和識別的正確率，通過對樣本數(shù)據(jù)的分析，本文選擇信號能量、手勢長度[9]、信號峰谷值特性和信號的運(yùn)動特性[10]等特征分析數(shù)據(jù)，相關(guān)特征定義如下:

2)手勢長度L=tend-tend。

5)信號峰谷值特性

通過對信號的分析，在判斷搓球類和攻球類動作的方向性時(shí)，x,y,z三個(gè)方向的波峰波谷數(shù)量和波峰波谷的先后順序差異較大，因此，在通過K近鄰(K—NN)算法對動作進(jìn)行初次分類過后，通過波峰波谷特性來進(jìn)行修正。其中，如果某處信號左邊連續(xù)n個(gè)時(shí)刻點(diǎn)和右邊連續(xù)n個(gè)時(shí)刻點(diǎn)的加速度值均小于該時(shí)刻點(diǎn)的值，同時(shí),該時(shí)刻點(diǎn)的加速度值大于設(shè)定的閾值，則認(rèn)為此處為一個(gè)波峰；同理，可以判定波谷的位置。

2.3動作識別分類

2.3.1K-NN算法

K-NN算法中，所選擇的相鄰樣本都是已經(jīng)正確分類的對象。該方法在類別決策時(shí)只依據(jù)鄰近的一個(gè)或者幾個(gè)樣本的所屬類別來決定待分類樣本類別。K-NN方法雖然從原理上依賴于極限定理，但在類別決策時(shí)，只與相鄰樣本有關(guān)。由于K-NN不是靠判別類域的方法來確定所屬類別的，因此,對于類域的交叉或重疊較多的待分樣本集來說，K-NN方法較其他方法更為適合。

K-NN算法不僅可以用于分類，還可以用于回歸。通過找出一個(gè)樣本的K個(gè)最近鄰，將這些近鄰的屬性的平均值賦給該樣本，就可以得到該樣本的屬性。在實(shí)際應(yīng)用中，如果考慮到不同距離的鄰近樣本對待分類樣本產(chǎn)生的影響不同，從而賦予不同的權(quán)值則會得到更加精確的分類結(jié)果。

本文試圖使用不同維數(shù)的特征向量，在僅使用K-NN算法的情況下直接進(jìn)行動作的最終劃分識別。發(fā)現(xiàn)K-NN算法隨著維數(shù)增加尋找最近鄰的時(shí)間變長，而識別率并未隨著維數(shù)的增加而相應(yīng)提高。由于K-NN算法的特性訓(xùn)練數(shù)據(jù)集所需的觀測數(shù)目會隨著維數(shù)p的增長以指數(shù)方式增長，因此,不斷增加維數(shù)可能帶來維數(shù)災(zāi)難。

2.3.2決策樹算法

決策樹算法是一種逼近離散函數(shù)值的方法,是一種典型的分類方法。決策過程為首先對數(shù)據(jù)進(jìn)行處理，利用歸納算法生成可讀的規(guī)則和決策樹，然后使用決策對新數(shù)據(jù)進(jìn)行分析。通過實(shí)驗(yàn),本文提出了如圖4所示的融合了K-NN的決策樹分類算法。首先利用手勢能量和手勢長度針對干擾動作做去除，然后先利用K-NN算法(此處僅使用9維特征)進(jìn)行推擋、搓球、攻球的大類劃分，最后利用波峰波谷特性識別出左手和右手動作。

圖4　決策樹算法Fig 4　Algorithm of decision tree

1)在運(yùn)動識誤過程中，傳感器輸出的數(shù)據(jù)中可能包含了用戶的一些無意識誤動作，因此,必須考慮到誤動作的去除。根據(jù)影像設(shè)備拍攝的時(shí)間序列得知，一個(gè)常規(guī)擊球動作的時(shí)間一般在0.02～0.08s，且通過各類動作的分析其手勢能量E>3 000,因此,不滿足條件的誤動作將被去除。

2)對推擋類、搓球類、攻球類動作大分類的劃分，K-NN算法只需要很少的特征(x,y,z三個(gè)方向上信號的極大值、信號的極小值、信號特征均值等9維特征)就可以達(dá)到比較理想的分類結(jié)果，可以避免使用高維特征帶來的時(shí)間和空間上的開銷，因此，在去除誤動作之后并沒有直接進(jìn)行最終的分類，而是使用9維特征通過K-NN算法先進(jìn)行推擋、搓球、攻球的大類劃分。

3)由于K-NN算法在對攻球和搓球的方向性上識別效果并不理想，因此,引入波峰波谷特性。在對搓球和攻球大類劃分完成之后，對其方向進(jìn)行進(jìn)一步的判斷。實(shí)驗(yàn)表明：在引入峰谷值特性之后針對搓球和攻球的識別率有明顯提高。

3實(shí)驗(yàn)結(jié)果

在乒乓球訓(xùn)練過程中，采集了5種動作各100組數(shù)據(jù)共計(jì)500組，每個(gè)動作的100組數(shù)據(jù)隨機(jī)選擇其中50組訓(xùn)練分類器，50組用來檢驗(yàn)分類結(jié)果。

對實(shí)驗(yàn)數(shù)據(jù)的分析處理的機(jī)器環(huán)境：雙核2.4GHzAMD炫龍IIM520處理器，2GB內(nèi)存，Windows7(32位)平臺，MicrosoftVisualC++6.0語言編程。實(shí)驗(yàn)結(jié)果表明，僅使用x,y,z三個(gè)方向上信號的極大值、信號的極小值和信號特征均值共9維特征，K-NN算法在識別左右手的搓球動作上識別率偏低，當(dāng)增加了信號能量、手勢長度、x,y,z三個(gè)方向波峰和波谷特征組成17維特征向量時(shí)，K-NN算法的識別率并沒有提高，反而由于維數(shù)過高導(dǎo)致動作識別效率的降低，在融合了K-NN的決策樹算法對數(shù)據(jù)進(jìn)行分類時(shí)，雖然算法在用時(shí)上相對于K-NN算法有所增加，但識別準(zhǔn)確率達(dá)到98.2 %，明顯高于僅使用K-NN算法的分類結(jié)果，具體統(tǒng)計(jì)結(jié)果如表1和表2所示。

表1　動作分類結(jié)果統(tǒng)計(jì)1

表2　動作分類結(jié)果統(tǒng)計(jì)2

4結(jié)束語

本文針對乒乓球運(yùn)動中基于三維加速度傳感器的動作識別做了探討，通過固定在手腕上的加速度傳感器得到加速度數(shù)據(jù)，融合K-NN的決策樹算法對動作進(jìn)行分類識別，具有高識別率、動作分類細(xì)致等特點(diǎn)。其存在兩點(diǎn)不足:1)由于選取特征較多，可能存在冗余特征，對于算法執(zhí)行效率有待進(jìn)一步提高，可考慮做特征選擇；2)本系統(tǒng)尚不能對動作進(jìn)行實(shí)時(shí)識別，這將是下一步研究工作。

參考文獻(xiàn):

[1]Ermes M,Parkka J,Mantyjarvi J,et al.Detection of daily activities and sports with wearable sensors in controlled and uncon-trolled conditions[J].IEEE Transactions on Information Tech-nology in Biomedicine,2008,12(1):20-26.

[2]王堯,孫子文,周治平.一種基于手機(jī)加速度傳感器的三維手勢身份認(rèn)證方法[J].傳感器與微系統(tǒng),2014,33(8):37-40.

[3]田豐,孫劍,邵山.小波閾值去噪在傳感器性能試驗(yàn)數(shù)據(jù)處理中的應(yīng)用[J].傳感器與微系統(tǒng),2014,33(6):143-146.

[4]陳曦,陳冠雄,沈海斌.基于SVM的ECG傳感器信號身份識別方法[J].傳感器與微系統(tǒng),2014,33(10):40-46.

[5]王昌喜.基于三維加速度傳感器的上肢動作識別系統(tǒng)[J].傳感技術(shù)學(xué)報(bào),2010,23(6):816-819．

[6]荊雷，馬文君，常丹華．基于動態(tài)時(shí)間規(guī)整的手勢加速度信號識別[J]．傳感技術(shù)學(xué)報(bào)，2012，25(1):72-76.

[7]Min Jun Ki，Choe Bongwhan，Cho Sung Bae．A selective template matching algorithm for short and intuitive gesture UI for accelerometer-builtin mobile phones[C]∥IEEE the Second World Congress on Nature and Biologically Inspired Computing,Fukuoka，2010:660-665.

[8]劉蓉,劉明.基于三軸加速度傳感器的手勢識別[J].計(jì)算機(jī)工程,2011,37(24):141-143.

[9]陳意,楊平,徐立波.一種基于加速度特征提取的手勢識別方法[J].傳感技術(shù)學(xué)報(bào),2012,25(8):1073-1078.

[10] Ermes Miikka，Mantyjarvi Jani，Parkka Juha.Detection of daily activities and sports with wearable sensors in controlled and uncontrolled conditions[J]．IEEE Transactions on Information Technology in Biomedicine，2008，12(1):20-26.

黃劉松(1990-),男,安徽安慶人,碩士研究生,主要研究領(lǐng)域?yàn)槟Ｊ阶R別。

儲岳中，通訊作者，E—mail:mychu@126.com。

Recognition of table tennis strokes based on acceleration sensor*

HUANG Liu-song, CHU Yue-zhong, ZHANG Xue-feng

(College of Computer Science and Technology,Anhui University of Technology, Ma’anshan 243032,China)

Abstract:According to the action characteristics of one’s hitting ping-pong ball,propose a recognition algorithm which is based on 3D acceleration signal to distinguish different types of strokes,such as attacking,rubbing and blocking.Data is acquired in training through acceleration sensor tied on wrist;beginning point and end point of acceleration signal are judged by fixed threshold method; and other key characteristics such as signal energy and gesture length are extracted.The K-NN and the decision tree algorithm are used in the process.Result suggests that stroke signals can be classified and distinguished in table tennis training fast and effectively.

Key words:acceleration sensor; table tennis; feature extraction; motion recognition; decision tree； K-NN

作者簡介:

中圖分類號：TP 391.4

文獻(xiàn)標(biāo)識碼：A

文章編號：1000—9787(2016)01—0056—03

*基金項(xiàng)目：安徽省自然科學(xué)基金資助項(xiàng)目(1308085QF113)

收稿日期：2015—03—24

DOI:10.13873/J.1000—9787(2016)01—0056—03