48、基于基因表达式编程的人体运动模型构建

基于基因表达式编程的人体运动模型构建

1. 引言

捕捉人体运动并构建人体运动模型一直是人工智能领域的热门话题。随着机器学习、模式识别和计算机视觉的快速发展，人体行为分析及其应用得到了进一步拓展，广泛应用于智慧城市、虚拟现实、运动健康、紧急事件检测等领域。

人体运动捕捉技术从广义上讲是对人体运动数据进行时间序列采样，从功能上可分为初始化、跟踪、姿态估计和识别四个部分，也可分为二维捕捉和三维捕捉两部分。从轮廓角度，可通过相机捕获数据建立二维人体轮廓与三维人体姿态的映射；从结构角度，可利用磁传感器实时获取运动参数，或基于二维图像表示三维人体关节结构。不过，基于彩色图像分离和视频帧获取运动信息既耗时又耗空间。

在运动捕捉和数据提取后，可以为特定的人体行为开发运动模型。早期工作侧重于利用人体各关节的长度和自由度构建层次模型，然后分别描述身体不同部位的行为。主成分分析（PCA）后，通过配置特征值来建模行为，并从同一视频帧和相邻视频帧的坐标距离中提取静态和动态特征。随着传感器和RGB - D相机的发展，从深度图像中提取三维关节点数据的技术逐渐成熟，直接利用关节点数据描述人体运动模型的方法也逐渐受到关注。

然而，现有的一些方法在处理复杂人体运动模型时表现不佳。例如，CMU的Park和Sheikh基于图像序列构建三维空间中平滑的人体关节点轨迹，但当缺失数据百分比达到5%时，平均相对误差达到13%；Guo和Shen处理个体上半身关节点的三维数据时，提出基于SOM理论的权重分布核函数来拟合运动轨迹，但决定系数在0.904至0.942之间，均方误差在0.47至0.92之间。

构建人体行为模型主要有两个目的：一是利用Kinect进行三维人体运动数据捕捉，它具有低成本