刘猛猛

摘 要： 针对传统的武术套路分解过程中动作分解模式识别时，存在动作无法连续识别缺少细节特征的问题，提出武术套路动作分解过程中，使用NReJ3D技术对模式识别方法进行优化。通过分析识别结构框架，引入NReJ3D技术对人体细节特征进行采集，通过嵌入映射分析为模式匹配程度分析提供依据，利用低维运动空间实现模式匹配识别，实现模式识别方法的优化。通过实验结果表明，改进识别方法能对连续动作进行高清晰度识别，细节特征提取较多，具有一定优势。

关键词： 武术套路； 动作分解； 模式识别； 细节特征； 特征采集； 低维运动空间

中图分类号： TN911?34； TP393 文献标识码： A 文章编号： 1004?373X（2018）08?0171?03

Abstract： In allusion to the problems that the continuous actions cannot be recognized and it lacks detail features in the traditional pattern recognition of action decomposition during the decomposition process of Wushu routines， the idea of using NReJ3D technology to optimize the pattern recognition method during the action decomposition process of Wushu routines is proposed. NReJ3D technology is introduced to collect the detail features of human body by analyzing and recognizing structure framework. Map analysis is embedded to provide the basis for analysis of pattern matching degree. Low dimensional motion space is used to realize the pattern matching recognition and optimization of pattern recognition method. The experimental results show that the improved recognition method can recognize the continuous actions with high resolution and extract more detail features， which has certain advantages.

Keywords： Wushu routine； action decomposition； pattern recognition； detail feature； feature acquisition； low dimensional motion space

武術套路动作分解过程中，传统动作模式识别方法使用RGB图像的形式进行识别，识别内容包含动作信息以及武术套路，但传统方法对光线的变化、视角位置、动作频率等因素很敏感[1]。人体呈现链式结构时，武术套路动作特点往往表现在关节位置的变化上，由于识别方法的限制，很大程度上不能对连续动作进行识别[2]。传统识别方法在低维运动空间里人体动作识别计算难度很高，模式识别的有效性不足45%。虽然在低维运动空间里描述人体运动需要复杂的动态数据，但是武术套路动作会受限于运动力学的影响。针对上述背景，本文提出武术套路动作分解过程的模式识别方法，对低维运动空间下人体动作识别结构进行优化设计，能够有效解决传统模式识别方法中角度、光感等因素的限制。利用NReJ3D技术作为人体细节特征表达方式，能够对细节变化保持较高的敏感度，对嵌入方式进行重新优化，达到低维运动空间映射的连续性，以此解决传统方法无法连续识别的问题。为了验证本文提出的模式识别方法的有效性，模拟应用过程进行试验，用传统模式识别方法与本文识别方法相比较，通过实验结果表明，本文提出武术套路动作分解过程的模式识别方法，能对连续武术套路动作进行识别，具有较高的细节刻画能力。

1 武术动作模式识别框架优化设计

本文对模式识别框架进行优化设计，使用自身反馈的形式进行优化，改变传统顺势性识别模式，利用模块自身特点进行识别分析[3]。本文设计武术动作模式识别框架如图1所示。

1.1 基于NReJ3D技术的动作特征采集

本文使用NReJ3D技术进行细节上的模式识别以及细微动作表达。由于武术套路动作在低维度运动空间里的变化，往往表现在关节位置的变化上。关节之间反差往往体现在关节角度以及相对位置的变化。NReJ3D技术的特征表达方式是使用多个节点数据进行细节描述，节点数据所描述的信息往往大于直接用3D节点数据的特征表达形式[4]，比如抬动左腿和抬动右腿。如果直接用传统表达方法，抬动左腿需要使用17个3D节点数据进行动作套路特征表达；抬动右腿需要使用20个3D节点数据进行动作套路特征的表达，抬动左腿和抬动右腿的实际差别仅是3个数据节点[5]。其余的数据节点信息没有发生实质性变化，这样很难识别出细节的动作。使用NReJ3D技术能把节点数据转变为描述性节点数据，有一个描述性数据发生变化，可能是维度和角度的多重变化。

本文导入NReJ3D技术，从武术套路动作分解数据中得到3D节点数据，使用描述性数据对3D节点数据进行描述，整个描述过程中对动作细微变化进行表达，能准确识别动作细微变化。使用NReJ3D技术进行动作特征表达时，首先需要对武术套路动作进行特征分析，将人体转变成为一个刚性连接的方位移动变量[6]。能描述动作的平移、缩放及多维度变化，且可以无视角度变化以及光线变化。假设武术套路动作在时刻[t]下，利用NReJ3D技术所描述的节点数据为[i]，在三维坐标[xit，yit，zit]中，以人体的非变化区域为中心，对动态数据节点[h]变化进行描述。其中描述节点满足[ii≠h]条件时，可以把动态数据节点[h]的数据变化差作为动态特征的一部分，即：

1.2 嵌入映射

经过上述NReJ3D技术处理后的武术套路动作，能够在低维运动空间里把动作序列有效地映射到数据维度空间去[7]。但是传统的映射方法无法映射出本文引入NReJ3D技术处理后的节点数据。需要对嵌入映射过程进行修订。在实际操作中，选择原有的武术套路动作三维数据集以及描述多维动作数据集放在一起重新进行嵌入式导入。但武术套路动作三维数据集中包含的数据量过于庞大，因此本文使用Roweis嵌入的方式，进行嵌入映射计算。

通常状态下，对于一个武术动作的测试点[y]来说，本文使用三个步骤计算，便可以将映射嵌入低维运动空间里对应位置[x]上。在描述多维动作数据集中，找到与武术动作的测试点[y]最近的k个识别映射点，假设识别映射个数为[yii=1，2，…，k]，然后计算器对应的多维权重值[wj]，并对其进行导入处理[8]。由于[y]的k个近邻点[yii=1，2，…，k]，动作在低维运动空间里所对应的点分配映射为[xii=1，2，…，k]，那么可以说[y]在低维运动空间里所对应的识别映射为[x=xiwi，i=1，2，…，k]，至此完成嵌入映射过程。

1.3 模式匹配程度分析

经过上述的NReJ3D技术处理以及嵌入映射，武术套路动作基本已经识别完成，将相似度高的两个武术套路动作进行匹配识别。测定识别动作数据与武术套路数据集相似度，在低维运动空间里实现匹配识别。本文使用Hausdorff比对方式进行度量（由在低维运动空间下，假设所有识别匹配动作点与每个武术套路运动模式匹配过程是均值状态），即：

2 实验分析

2.1 实验参数设计

本文实验对象为模式识别方法，通过量化后的数据无法实现对比，需采用描述性数据进行对比。使用描述性数据必须对数据进行标准设定，本文对人体进行数据分解设置，实验参数如表1所示。

2.2 实验结果分析

实验过程分别选取两项肌肉模式识别数据，两项关节转变识别数据，实验识别结果见图2。从图2中能够清晰识别肌肉的变化情况，并且具有一定的细节刻画能力。

图2为本文识别方法与传统识别方法在关节上的对比结果，传统方法下，可看出关节大致变化趋势，但非联动性关节表现力不清[10]。本文使用NReJ3D技术对关节的细节进行重点刻画，能够清晰地看清每个关节的趋势变化。

图3为SGY环帧率对比结果。SGY环帧率与识别精准度成正比关系，SGY环帧率越高说明识别精准率越高。通过图3可知，虽然传统方法开始略好于本文提出的识别方法，但后续的实验过程中，没有高于本文提出的方法，为此本文提出的识别方法更具有识别能力。

3 结 语

本文提出武术套路动作分解过程的模式识别方法。重新设计识别结构框架，利用NReJ3D技术对人体细节进行描述性的表达，对嵌入式映射过程重新设计，实现动作连续性识别表达，利用低维运动空间实现模式匹配识别。希望通过本文的研究能够提升武术套路动作分解过程的模式识别能力。

参考文献

[1] 阮羚，李成华，宿磊，等.基于奇异值分解的局部放电模式识别方法[J].电工技术学报，2015，30（18）：223?228.

RUAN Ling， LI Chenghua， SU Lei， et al. Pattern recognition for partial discharging using singular value decomposition [J]. Transactions of China electrotechnical society， 2015， 30（18）： 223?228.

[2] 王俊峰.基于图像识别的武术动作分解方法研究[J].现代电子技术，2017，40（15）：33?36.

WANG Junfeng. Research on Wushu movement decomposition method based on image recognition [J]. Modern electronics technique， 2017， 40（15）： 33?36.

[3] 田润锋.武术套路动作节奏学习方法探究[J].青少年体育，2016，31（12）：36?37.

TIAN Runfeng. Inquiry learning method of Wushu movement rhythm [J]. Youth sports， 2016， 31（12）： 36?37.

[4] 律方成，谢军，李敏，等.局部放电稀疏分解模式识别方法[J].中国电机工程学报，2016（10）：2836?2845.

L? Fangcheng， XIE Jun， LI Min， et al. Partial discharge sparse decomposition pattern recognition method [J]. Proceedings of the CSEE， 2016（10）： 2836?2845.

[5] 孟巧玲，易金花，喻洪流，等.基于肌音信号的上肢康复训练动作模式识别方法[J].中华物理医学与康复杂志，2015，37（11）：876?878.

MENG Qiaoling， YI Jinhua， YU Hongliu， et al. Action pattern recognition method of upper limb rehabilitation training based on muscle tone [J]. Chinese journal of physical medicine and rehabilitation， 2015， 37（11）： 876?878.

[6] 刘玉敏，周昊飞.基于多特征的PSO?MSVM动态过程质量异常模式识别[J].计算机应用研究，2015，32（3）：713?716.

LIU Yumin， ZHOU Haofei. Recognition of quality abnormal patterns for dynamic process based on multi?features with PSO?MSVM [J]. Application research of computers， 2015， 32（3）： 713?716.

[7] 赵漫丹，郝向阳，张振杰.一种基于层级分类策略的复杂模式识别方法[J].计算机应用研究，2016，33（8）：2320?2323.

ZHAO Mandan， HAO Xiangyang， ZHANG Zhenjie. Method of complicated pattern recognition based on hierarchical classification strategy [J]. Application research of computers， 2016， 33（8）： 2320?2323.

[8] 韩雪.武术动作分析及能量转化模型的应用[J].中学物理教学参考，2015（24）：66?67.

HAN Xue. Analysis of Wushu movements and application of energy transformation model [J]. Teaching reference of middle school physics， 2015（24）： 66?67.

[9] 宋伟，刘玉萍，王丽娜.高水平竞技武术套路比赛运动员技术特征分析[J].北京体育大学学报，2015（5）：135?140.

SONG Wei， LIU Yuping， WANG Lina. Analysis of high level Wushu competition athletes′ technical characteristics [J]. Journal of Beijing University of Physical Education， 2015（5）： 135?140.

[10] 刘和臣.运动员动作三维视觉图像准确识别仿真研究[J].计算机仿真，2016，33（8）：369?372.

LIU Hechen. Athletes action three?dimensional visual images accurately identify simulation research [J]. Computer simulation， 2016， 33（8）： 369?372.