詹彬 周磊

摘 要：针对当前大学生体质素质下降的状况，以及体质测试设备简陋易损坏，操作繁琐等缺点，我们结合最新体感识别技术，开发了一套完整的无接触体质测试系统。该系统利用微软Kinect V2智能摄像头，可实时准确地获取人体骨架关节点的三维空间位置信息并将其转化为动作数据流，与设计有限状态机模板数据进行模式匹配，完成静态骨骼识别。利用Kinect的优势进行步态识别算法的设计，以实现运动识别。同时该方法还具有无接触、多人检测、一机多测等优势，智能打分机制可将用户运动数据实时上传至Web。

关键词：运动识别；DTW动态匹配算法；Kinect V2；骨骼识别；步态识别

中图分类号：TP39；TH789 文献标识码：A 文章编号：2095-1302（2018）09-00-04

0 引 言

学生体质健康状况逐渐成为社会大众关注的焦点。为彻底贯彻落实健康第一的指导思想，切实加强学校体育工作，促进学生积极参加体育锻炼。国家颁发的《国家学生身体素质健康标准》中明确要求各个高校在对各年级学生进行《素质健康标准》测试工作的同时还需每年对在校生进行一次体质健康测试。

人民生活水平的提高和健康意识的发展是促进体质测试系统发展的关键。在满足人民的生活需求后，人们就会越加关注自身的身体素质[1-3]。随着网络、计算机以及数字通信等技术的快速发展，美国和日本等多个国家在体质测试相关领域已进入了智能化阶段。而我国在体质测试方面起步缓慢，目前更侧重于测试完成后对测试数据的管理和分析，忽略了测试过程中采集数据的复杂度和误差。目前我们设计的无接触体质测试系统能够较准确地完成运动检测，根据完成度给测试者打分，为学生锻炼提供指导。

1 识别原理

1.1 步态识别

随着人类社会文明程度的高速发展，传统的识别技术已然无法满足人们日益增长的需求。在这种情况下，步态识别技术应运而生。步态识别是利用人的行为特征来对人体动作进行识别的一种生物识别技术，通过采集追踪用户行走动作特点来识别人的身份。步态识别步骤如下：

（1）采集视频；

（2）对目标视频进行预处理；

（3）根据现实情况从得到的图片中提取目标轮廓特征；

（4）将提取到的特征和步态库内的数据进行匹配。

人体骨骼关节点3D位置信息可以作为动作识别参考点，如图1所示。将Kinect V2追踪采集到的3D动作骨骼25个关节点三维坐标组合形成骨骼模板，获得步态的数据序列[4]，经过预处理分析用户的步态特征。将骨骼模板样本与该系统之前设置的用户姿势进行判断即可识别用户意图，从而实现用户动作识别。

1.2 Kinect识别分析

该系统采用微软公司推出的一款3D摄像头Kinect[5]传感器。其主要优势在于能够实时抓取实验运动场景，高效识别和传输骨骼信息，并且能够对使用者进行语音识别等。Kinect主要由RGB摄像头、深度图像使用的红外接收器和红外线发射器、麦克风阵列组成。

Kinect之所以能够实时抓取运动场景，主要依靠红外摄像头、红外投影机、彩色摄像头。Kinect通过红外线发射器发射波长为830 mm的红外光线，再由红外线接收器接收反射回来的红外光线，并编码、解码，逐帧生成深度图像。深度图像通过背景分离、识别人体等算法从深度图像RGB攝像头获取相应的彩色图像。Kinect将这些图像数据传送至应用程序进行处理。

总而言之，Kinect V2设备相对于普通摄像头而言优点繁多。普通摄像头的缺陷主要在于过度依赖彩色图像[6]，难以消除环境对实验数据的影响。而Kinect V2对运动骨骼进行识别分析时依赖于深度图像，所以较好地消除了环境的影响。软件系统框架如图2所示。

2 运动识别的实现

2.1 系统架构

本系统的技术架构可分成五层。Kinect数据采集层利用Kinect智能摄像头采集人体深度图像、人体骨骼图像、人体彩色图像，并把这些信息以视频流的数据形式传递给骨骼算法处理层，算法处理层对这些数据进行滤波处理与DTW模板匹配[7]。最后对经过处理的骨骼节点数据进行运动识别层的运动匹配，在应用层显示运动检测的结果和成绩。体质测试系统框架结构如图3所示。

2.2 DTW动态匹配算法

利用DTW算法“局部最优，全局最优”的思想在本运动识别系统中的运用，寻找模版匹配中最相近的节点，成功识别仰卧起坐运动的状态节点。本系统对一个运动周期实时提取骨骼特征，本系统骨骼特征序列参考模版样本数小于测试模版样本数，即N

其中：横坐标为特征矩阵的时序，纵坐标为标准骨骼数据时序，折线表示匹配最优路径，即相似度最高路径。在局部最优路径的计算中，采用加权欧式距离计算图中节点相似度。根据公式最终找到相似度最大的时序坐标点。依次类推找到上图所示的最优路径。

3 仰卧起坐运动的实现

3.1 仰卧起坐识别原理

鉴于步态识别原理的特点，特征值的采样和提取成为该系统的首要难点。骨骼特征序列和运动特征序列是运动识别的两个重要组成部分。骨骼点在三维空间的相对角度如图5所示，将运动姿势[9]骨骼数据点映射在Kinect V2坐标中，如图6所示。

运动识别时刻的某一姿势特点在提取特征时，将由上述骨骼角度方法计算得到的相对角度组成每个骨骼的特征序列。为提高运动识别的准确性和完整性，运动特征和骨骼特征[10]的提取分别针对各自的特点同步分类提取。

3.2 仰卧起坐状态机

仰卧起坐是一种锻炼身体的方式，身体仰卧于地垫上，屈膝约成90°，脚部平放在地面上。平地上切勿把脚部固定

（可由同伴用手按住脚踝），否则大腿和髋部的屈肌便会加入工作，从而降低了腹部肌肉的工作量。根据本身腹肌的力量双手按放在头部位置，且双手越靠近头部，仰卧起坐就越吃力。利用腹肌收缩，两臂向前摆动，迅速成坐姿，上体继续前屈，然后还原成坐姿，如此连续进行。状态机流程如图7

所示。

3.3 运动特征提取

仰卧起坐人体运动姿势转化如图8所示。

上述姿势为仰卧起坐人体侧面骨骼图，做深蹲运动时都有左右两侧骨骼节点。所有的节点包括SL（左肩），SR（右肩），EL（左肘），ER（右肘），HL（左手），HR（右手），KL（左膝），KR（右膝），FL（左脚），FR（右脚），T（臀部）。本系统设定和的夹角为α，和的夹角为β，和的夹角为γ，和的夹角为δ。在实际情况中，提取特征矩阵，如公式（15）所示，其中T，t分别表示深蹲运动的运动周期和完成一次深蹲运动的时间。

与上述两个运动一致，将深蹲运动中DTW算法中一般状态节点的相似度阈值设定为ds，单位为度。深蹲运动有两个关键点，即双臂是否水平前伸，深蹲状态完成度是否较高。将深蹲状态节点的相似度阈值设为dsmax，计算相似度权重为α∶β∶γ∶δ=ks1∶ks2∶ks3∶ks4。

仰卧起坐运动的关键是仰卧起坐的状态动作，仰卧状态和起坐状态分值比为b1∶b2。以一仰卧起坐测试周期为例，每个仰卧起坐运动周期满分为m，在实际情况下m为100分。假设测试者完成了n个深蹲运动，其中站立状态相似度为g，仰卧起坐状态相似度为k，根据公式得到最终成绩S：

3.4 功能展示

该运动过程对运动动作规范性有严格要求。根据《国家学生体质健康标准》要求，测试者首先应平躺在坐垫上，两腿稍分开，屈膝呈90°左右，两手贴于头部。受试者坐起时两肘触及或超过双膝为完成一次。仰卧时两肩必须触垫。如果受试者已坐起但肘关节未达到双膝者则不计该次数。测试者站立且双手平举成T字型则判定测试者结束运动，同时给运动动作打分。运动过程如图9所示。

3.5 测试结果分析

仰卧起坐运动功能的识别主要利用Kinect V2智能摄像头采集人体骨骼数据，然后将前景和背景分离，三维空间坐标转化，限幅滤波等，获取可靠的骨骼数据。利用步态识别算法和DTW匹配算法实现运动识别。

在系统测试过程中对于运动识别算法做了多人多次的系统测试。取得测试样本结果进行分析，对运动次数和运动识别率的统计见表1所列。

分析数据可知，误差可能由以下原因导致：

（1）Kinect V2是基于光学感测体感技术的传感器，周围环境光线可能导致误差产生；

（2）Kinect V2接收的信息由一点位摄像机采集，会有一定的图像畸变，可能产生误差。

测试结果表明该运动识别率很高，运动识别功能可靠，性能和新颖性略优于市面上的同类产品。故可以判断此运动算法有很好的识别效果，并可对运动动作做精确识别。将本系统运用在校园运动中，得到了老师和學生的一致好评。

4 结 语

针对传统体质测试仪器易损坏，测试过程繁琐等问题，文中设计的系统基于体感识别技术、骨骼追踪技术凭借其创新性较好地改善了这一状况。不仅在国内高校建立了体验平台设施，同时还设置有独立的多功能体感运动训练展厅，让更多的人能体验到无接触式体感运动。本系统安装实施使用一年多来，深受学生的喜爱，收获到了越来越多的赞誉。随着技术的进步，通过智能体感设备进行体制测试系统的研究将是未来体质测试系统开发的新方向。

参考文献

[1]高德霞.大学生对体质的认识及体育行为与体质状况的关系探究[J].当代体育科技，2017，7（33）：183-184.

[2]徐万江.基于特征子空间的跨视角步态识别研究[D].苏州：苏州大学，2017.

[3]傅国栋，韩凯多.大学生体质健康现状及对策研究[J].考试刊，2018（36）：191-192.

[4]陈海峰.步态识别中的不变特征提取算法设计和研究[D].深圳：深圳大学，2017.

[5]杨海清，王洋洋.基于多Kinect的三维人脸重建研究[J].浙江工业大学学报，2018，46（2）：137-142.

[6] GUTIERREZ J，CAMPS-VALLS G ，LUQUE M J，et al. A color contrast definition for perceptually based color image coding[J]. Recent patents on signal processing，2012，2（1）.

[7]王晶晶.基于云计算的视频转码自适应方法研究[D].南京：南京邮电大学，2017.

[8]何存富，王森，吴强，等.基于FPGA的FIR滤波器在超声导波接收系统中信号降噪的应用[J].北京工业大学学报，2018（5）.

[9]庾晶.运动视频标注算法研究[D].南京：南京邮电大学，2017.

[10]胡珂杰.基于3D骨骼的人体行为识别关键技术研究[D].无锡：江南大学，2018.