基于Kinect的健身动作识别与评价

随着健康问题越来越受到人们的重视，运动健身越来越被广大人民所接受。如何更有效的运动健身并合理减少身体伤害，是现今科学健身运动的研究热点之一。本文利用Kinect收集健身动作数据，对动作进行自动分类，与标准动作进行比对评分，计算出易受伤程度。具体的，首先通过对骨架点的收集和预处理，从骨架点数据中提取特征值，计算权重并对特征值归一化，得到健身动作的动作测试数据集和模板数据集。通过KNN算法对测试数据进行分类与识别，得到测试动作的分类结果。对应分类结果，利用评价和易受伤害计算模型，最终得到健身动作的评分和建议。实验表明，提取的骨架数据特征对所有动作识别仅配合微调的KNN算法就能有较好的效果，并比神经网络算法更具有广泛性。动作评价和易受伤分析可以减少运动伤害，提高健身运动趣味性。

随着信息化时代的快速发展，新型科技在传统领域的应用也愈发广泛。传统的体育行业中，人们愈来愈注重提高身体素质，健身日渐成为青年人运动的首选方式。但是，青年人在运动时，多因热身不充足、动作不标准而造成运动伤害。如何规范动作，减少运动伤害，更加健康、有效并具有趣味性的运动成为了热门的研究内容。

规范运动动作需要对动作进行识别分类，与模板对应计算评分结果。因此动作规范化的重点是动作识别分类和动作评分。动作识别分类中，常见的方法有支持向量机(support vector machine, SVM) [1]，K最近邻(K-nearest-neighbor, KNN) [2]，人工神经网络(Artificial Neural Networks, ANN) [3]等。Lin L 等[4]提出基于Kinect 的静态人体姿势评分方法，李红波等[5]对评分进行修改，能够有效对动作进行评分。

KNN 算法能够有效分类静态动作，神经网络具有较高的自学习和自适应能力。评分方法基于模板数据和测试数据特征向量的角度差，对一般常见健身动作可评分。

本文选取KNN 算法和神经网络算法作为识别算法并将两者计算结果进行对比， 对于基于个人的运动识别领域样本数据不宜选取过多而影响用户体验的原则，选择能够准确识别错误特征并推广性更佳的KNN 算法作为模型最终方法。在进行运动分类后，针对运动的标准性和易受伤性，通过获取24 维特征值并对评分公式进行修改，最终对用户动作是否易受伤和是否有锻炼效果进行综合评分，为用户的运动提供了有效的科学指导。

2. 相关技术 2.1. 基于Kinect 的骨架特征选取 Kinect 设备是由微软公司研发，能够在不使用控制器的情况下进行人机交互。在硬件上，从左往右依次是红外线发射器、RGB 彩色摄影机和红外线摄影机。中间的镜头用来采集彩色图像，两边的镜头则