吳 茵 王柏利

河南理工大學(xué)體育學(xué)院，河南 焦作 454000

1 引言

太極拳作為我國一項民族傳統(tǒng)體育項目，具有獨特的運動形式，在大眾健身方面有著廣泛的參與度。目前，傳統(tǒng)的太極拳教學(xué)實踐中，太極拳動作的識別大都以教師的主觀判斷為主，缺乏客觀的評價標(biāo)準(zhǔn)，且因人而異。

伴隨著現(xiàn)代信息技術(shù)快速發(fā)展，機器學(xué)習(xí)是人工智能中最具智能特征，最前沿的研究領(lǐng)域之一，能夠模擬人類的思維方式，經(jīng)過訓(xùn)練的學(xué)習(xí)模型后擁有人類的認知，自動快速做出判斷和預(yù)測，[1]機器學(xué)習(xí)在圖像圖片識別、語音信號識別、手勢識別等領(lǐng)域逐漸推廣，成為廣大學(xué)者關(guān)注的熱點。王鳳芹等[2]將機器學(xué)習(xí)應(yīng)用于飛行領(lǐng)域，設(shè)計了基于特征參數(shù)CART 決策樹的飛行動作識別算法，并給出了該動作識別算法的Python 語言實現(xiàn)。

侯賢沐等[3]利用KNN 和SVM 的機器學(xué)習(xí)算法，篩選出適用于碳酸鹽巖油藏的測井孔隙度與滲透率預(yù)測方法。武玉多等[4]對傳統(tǒng)機器學(xué)習(xí)在心臟超聲領(lǐng)域傳統(tǒng)的應(yīng)用現(xiàn)狀及發(fā)展方向進行闡述。胡璇等[5]針對風(fēng)力機齒輪箱振動信號非線性和非平穩(wěn)性的特征，提出基于模糊熵和灰狼算法優(yōu)化的支持向量機的故障診斷方法，達到較高的識別率。丁雪[6]分析了6 種人體姿態(tài)的分類識別，特征的提取采用Adaboost 自適應(yīng)的方法。Liu 等[7]將SVM 應(yīng)用于辦公室物體和博物館雕塑的識別，并證明了其優(yōu)于基于圖像、基于場景和其他基于視頻的物體識別。

目前，在太極拳教學(xué)中，已經(jīng)有了一些現(xiàn)代化信息研究。張振[8]借助VR 設(shè)備以情境代入學(xué)習(xí)方式達到多方位視覺觀察和獲得沉浸式學(xué)習(xí)體驗，但僅限于學(xué)者興趣體驗方面的研究。文獻[9]采用慣性運動捕捉系統(tǒng)采集人體運動姿態(tài)數(shù)據(jù)，并與標(biāo)準(zhǔn)姿態(tài)進行對比，根據(jù)相似度進行評分。于濤等[10]采集人體動作的軀干數(shù)據(jù)和手部數(shù)據(jù)進行動作識別，其缺點是采用非同時的手勢和軀干部位數(shù)據(jù)進行合并，會造成同步誤差。由此可見，人工智能和機器學(xué)習(xí)的快速發(fā)展為太極拳的動作識別提供了技術(shù)支持。本研究提出一種利用SVM 機器的學(xué)習(xí)算法，對太極拳動作姿態(tài)進行識別。通過提取12 種關(guān)鍵動作創(chuàng)建樣本集，再經(jīng)過去噪、歸一化、特征提取、訓(xùn)練和預(yù)測完成太極拳的姿態(tài)識別。

2 太極拳動作分類識別流程及SVM 原理

太極拳動作分類識別分為6 個過程（見圖1），首先創(chuàng)建太極拳動作數(shù)據(jù)集，我們依次選取太極拳老架一路的前五式起式、金剛搗碓、懶扎衣、六封四閉和單鞭中的12 種關(guān)鍵動作，分別采集照片，每種動作采集圖片105～120 張，共計1336 幅圖片，然后給每幅加上標(biāo)簽，標(biāo)簽為['1','2','3','4','5','6','7','8','9','10','11','12']，并按照8：2 的比例劃分為訓(xùn)練集合和測試集。樣本集創(chuàng)建后，進行數(shù)據(jù)預(yù)處理，把圖片轉(zhuǎn)換成相同的分辨率，輸出為歸一化的矩陣形式，此時數(shù)據(jù)集的圖片統(tǒng)一分辨率為120×150，轉(zhuǎn)成灰度圖像，取值范圍在[0-255]，（見圖2）。為了降低圖片中的冗余特征及提高SVM的處理速度，對數(shù)據(jù)預(yù)處理后的數(shù)據(jù)進行了PCA 降維，降維后的特征數(shù)量為100。為了能夠獲得優(yōu)異的分類模型，采用分類交叉驗證的方式對樣本集進行分割訓(xùn)練，得到最好分類器的核函數(shù)及相關(guān)具體參數(shù)。確定SVM模型參數(shù)后，用訓(xùn)練集對其訓(xùn)練之后，通過SVM 在測試集上預(yù)測結(jié)果。最后通過混淆矩陣和準(zhǔn)確率表格完成可視化輸出。

圖1 太極拳動作分類識別流程

圖2 數(shù)據(jù)預(yù)處理后數(shù)據(jù)集圖片顯示

3 太極拳動作分類中的關(guān)鍵技術(shù)

太極拳動作進行SVM 分類識別首先需要進行樣本集創(chuàng)建。為了能夠體現(xiàn)數(shù)據(jù)集的完整性，對15 名不同水平太極拳參與者進行采樣，選用太極拳老架一路的前五式的12 種動作姿態(tài)，其中起式中選取2 種，金剛搗碓3 種，懶扎衣3 種，六封四閉2 種和單鞭2 種，作為太極拳動作的采集樣本集。

3．1 數(shù)據(jù)預(yù)處理

Torchvision 類導(dǎo)入數(shù)據(jù)集格式的12 種太極拳動作樣本格式不統(tǒng)一，需要進行格式轉(zhuǎn)化，采用PIL 中的Image 類將樣本集圖片轉(zhuǎn)化為120*150 的分辨率，再進一步轉(zhuǎn)換成矩陣的形式，并為每張圖片加上標(biāo)簽，標(biāo)簽為['1','2',…,'12']。用Matplotlib 類顯示隨機輸入轉(zhuǎn)化后的圖片（見圖2）。再利用Sklearn 的庫函數(shù)完成訓(xùn)練集和測試集的分割，分割的比例為8：2。

3．2 特征提取

實際采集的圖片經(jīng)過圖片預(yù)處理后，像素變?yōu)?20×150，特征值為18000。對于用模型訓(xùn)練的其他數(shù)據(jù)集（比如預(yù)測房價、人臉識別等）都會有較多的特征。這些特征都參與機器學(xué)習(xí)模型的訓(xùn)練和測試。將會導(dǎo)致學(xué)習(xí)模型運算時長和過擬合現(xiàn)象的出現(xiàn)。為此，太極拳動作數(shù)據(jù)集選用主成分分析（Principal Components Analysis，PCA）選出對分類識別貢獻最大的特征，從18000 個特征種選擇100 個主要特征，這些特征盡可能包括了原來圖片的特征。實驗結(jié)果表明，降維后的圖片集分類識別率高于降維前的精確率3．5%，同時，訓(xùn)練時間縮短了0．012 秒。

3．3 交叉驗證

SVM 用來提升維度的核函數(shù)主要包含有線性核、高斯核和多項式核函數(shù)。對于不同的樣本集，不同的核函數(shù)會導(dǎo)致不同的識別效果。K-交叉驗證隨機打亂數(shù)據(jù)集，并分組成多個部分（K）,其中,每一個部分都要當(dāng)成測試集，而剩下的K -1 份將會用作訓(xùn)練集，這樣依次循環(huán)，就可以找到最佳的分類識別模型。K-交叉驗證最大的優(yōu)點是盡量避免SVM 模型的欠擬合和過擬合現(xiàn)象發(fā)生。因此，對于太極拳動作數(shù)據(jù)集合，采用K-交叉驗證的方法，從線性核、高斯核和多項式核中選出分類識別最佳的核函數(shù)，找到最優(yōu)的參數(shù)組合。仿真實驗中最佳分類器的參數(shù)為：高斯核，參數(shù)C（懲罰系數(shù)）為10，gamma=0．005。

4 仿真分析

太極拳的12 種動作姿態(tài)訓(xùn)練集總共有1068 張圖片，測試集的數(shù)量為268 張圖片。太極拳動作測試集的SVM 模型預(yù)測混淆矩陣（見圖3）。分析混淆矩陣可知，SVM 的分類錯誤出現(xiàn)比較少，主要集中在動作8 和動作10，有較大的相似度，并且由于采集的圖片中較大部分背景相同，可以通過對圖片裁剪掉多余的背景和增加樣本集的方法增加準(zhǔn)確度。

圖3 太極拳動作測試集SVM 預(yù)測的混淆矩陣

為了探索基于太極拳動作數(shù)據(jù)集的機器學(xué)習(xí)算法性能優(yōu)劣，在具有相同的太極拳數(shù)據(jù)樣本空間下，比較了SVM、KNN 及決策樹算法的性能（見表1），三種算法的精確度指標(biāo)中，SVM 的分類效果領(lǐng)先決策樹和KNN 的精確度為17%，此外，訓(xùn)練用時和測試用時相差不大。

表1 SVM、KNN 及決策樹算法分類效果

5 結(jié)論

提出了自采太極拳動作作為樣本集的SVM 分類識別算法，對于太極拳老架一路套路的12 種關(guān)鍵動作，通過圖片格式轉(zhuǎn)換和添加標(biāo)簽完成數(shù)據(jù)預(yù)處理，PCA降維可以在不損失主要特征的條件下提升訓(xùn)練速度，交叉驗證選取最優(yōu)化的SVM 核函數(shù)及相關(guān)參數(shù)。預(yù)測后結(jié)果通過混淆矩陣和分類評估報告進行可視化展示。實驗證明，SVM 預(yù)測模型遠高于KNN 和決策樹方法，該方案對硬件設(shè)備的要求較低、處理速度快，并且所需的樣本數(shù)少、訓(xùn)練時間短，識別效果優(yōu)異，有效改善了太極拳動作識別的效率，能夠為太極拳遠程教學(xué)和指導(dǎo)提供支持，提升太極拳教學(xué)科研的信息化水平。