基于运动生物力学的舞蹈动作分析与描述方法

基于计算机视觉的人体运动捕捉技术为舞蹈动作的形式化与数字化描述提供了新思路。本文结合运动捕捉技术,设计了一种新的舞蹈动作的形式化描述语言。首先,以三维人体骨骼层次结构为描述对象,基于运动分析方法解析舞蹈动作捕捉数据,建立人体舞蹈动作描述模型;其次,利用拉班运动分析技术方法描述舞蹈动作,并进一步从时间、空间、重力和流畅度4种力效角度提取舞蹈动作肢体姿态特征,以实现对舞蹈动作形式化描述语言的定义;最后,开发了一种舞蹈动作分析与描述系统,为保护和传承民族舞蹈提供有效手段。

基于拉班空间的跌倒方位检测方法

研究跌倒检测方法对于保障老年人健康生活具有重要意义.首先通过惯性传感器对老年人日常行为及跌倒动作进行捕捉,使用欧拉角法表示动作数据,引入滑动平均滤波算法对数据降噪融合;在此基础上,基于拉班舞谱空间表示方法,建立跌倒及方位检测模型,基于该模型进行异常姿态检测及八种精确方位判定,最终提出一种基于拉班空间的跌倒方位检测方法.实验结果表明,该方法的检测准确率可达100%,同时能够对老年人跌倒后受伤部位进行预诊断及报警.

基于改进特征子集区分度的行为识别特征选择方法

基于传感器的人体行为识别方法在健康监测、运动分析和人机交互等方面得到了广泛应用。特征选择是准确识别人体行为的关键环节,其目的是在提高分类性能的基础上从高维特征空间中筛选出与分类相关的特征,以降低特征维数和计算复杂度。然而,传统的特征选择方法面临着未考虑所选特征冗余性的挑战。因此,针对基于特征子集区分度(Discernibility of Feature Subsets,DFS)衡量准则的特征选择方法仅考虑多个特征的相关性而忽视特征之间冗余性对分类结果影响等缺陷,提出一种基于冗余性的特征子集区分度衡量准则的特征选择方法(Redundancy and Discernibility of Feature Subsets,R-DFS),在特征选择的过程引入冗余性分析,删除冗余特征,以提高分类准确率和降低计算复杂度。实验结果表明,改进方法可有效降低特征维数并提高分类准确度。