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，广义上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。

对于人体运动捕捉，可从轮廓或结构角度进行描述。从轮廓角度，有基于相机捕捉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，有基于磁传感器的人体运动捕捉技术以实时获取运动参数，还有基于二维图像表示三维人体关节结构的技术。但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，就可以为特定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，再分别基于身体不同部位描述人体行为。经过主成分分析（PCA）后，有人配置特征值来建模行为，并分别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，目前的技术可以从深度图像中提取三维关节点数据，直接利用关节点数据描绘人体运动模型的方法逐渐受到关注。

不过，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13%；Guo和Shen针对个体上半身关节点的三维数据，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 - 0.942之间，均方误差在0.47 - 0.92之间。