本发明属于模式识别技术领域，具体地，本发明涉及一种基于肌肉信号的人体动作识别方法。
背景技术
随着经济的快速发展，人们生活水平的不断提高和计算机科学、控制工程、康复医学技术的不断创新，残疾人逐渐意识到通过假肢来弥补“残缺的”生活状态已不再遥远。而如何使假肢更加实用、观的响应残疾人的生理需求，已变成了造福人类的科研事业。智能仿生假肢由此应运而生，它比起一般的假肢更能模拟常人的运动姿态，对残疾人的生理和心理都有不可比拟的积极影响。
肌肉信号虽然也有其缺点，但较其它控制信号更能够自如的连接和控制残肢和假肢。所以，研究者常将肌肉信号作为假肢的外部控制源，对其进行采集和识别。根据肌肉信号的采集方式可将其分为针电极采集和表面电极采集。其中，虽然针电极对信号的采集更为准确，但由于其通过针式电极对信号采集的同时对身体有较大损伤且对采集者要求较多，所以研究者通常采用无损伤、采集方便的表面电极对肌肉信号进行采集。
近几年来，为提高肌肉信号检测和识别能力很多相关技术得到了发展，主要研究方向集中在如下三个方面：使用更少的采集通道识别更多的动作；提取更多有用的信号特征；选择更有效的分类器识别信号。
然而现有技术中，在对肌肉信号发出的信息分析能力还有待提高，对于肌肉信号的数据处理能力还较低，无法准确有效地识别出肌肉信号所代表的动作。
技术实现要素：
为解决上述的技术问题，本发明请求保护一种基于肌肉信号的人体动作识别方法。
该一种基于肌肉信号的人体动作识别方法，其特征在于：
步骤一，基于深度信号流获得肌肉信号对应的深度图像数据，得到的深度图像数据中的每个像素点的信息包含三维空间的深度信息，再处理得到的数据中的白点，进而辨别出在人体中每个肌肉接头点在三维空间中的动作信息；
步骤二，对肌肉进行归一化和降维处理，将每个肌肉接头的动作坐标减去连接肌肉的动作坐标
步骤三，基于肌肉接头的动作信息优化人体肌肉接头信号，过滤对人体行为识别不产生影响或影响较小的肌肉接头信号或冗余肌肉接头信号；
步骤四，使用将特征描述子聚类为k个姿势，将量化后的姿势用离散markov建立模型并分类；
步骤五，使用肌肉接头点的动作信息来表示词袋中的视觉单词，表示出的每一个单词都表示成一个有比较强判别性的人体动作，再根据这些动作实例表示出的单词在词典中出现的频率得到一个关于视觉的直方图，最后作为分类器的输入，识别动作；
步骤六，构建人体行为条件随机场模型，训练样本，得到人体行为识别模型并基于该模型对人体的后续动作进行预测。
本发明使用改进的羊群优化算法对其进行选择，改进后的羊群优化算法相对于未改进的方法，改进后的方法是用了点集的方法初始化种群，避免了算法陷入局部最优，用有序子集的方法和引入羊群的观望方法加快了算法的收敛速度，同时也提高了视频人体行为的识别效果。
附图说明
被包括来提供对所公开主题的进一步认识的附图，将被并入此说明书并构成该说明书的一部分。附图也阐明了所公开主题的实现，以及连同详细描述一起用于解释所公开主题的实现原则。没有尝试对所公开主题的基本理解及其多种实践方式展示超过需要的结构细节。
附图1为本发明所保护的一种基于肌肉信号的人体动作识别方法的工作流程图。
具体实施方式
本发明的优点、特征以及达成所述目的的方法通过附图及后续的详细说明将会明确。
附图1为本发明所保护的一种基于肌肉信号的人体动作识别方法的工作流程图。
该一种基于肌肉信号的人体动作识别方法，其特征在于：
步骤一，基于深度信号流获得肌肉信号对应的深度图像数据，得到的深度图像数据中的每个像素点的信息包含三维空间的深度信息，再处理得到的数据中的白点，进而辨别出在人体中每个肌肉接头点在三维空间中的动作信息；
步骤二，对肌肉进行归一化和降维处理，将每个肌肉接头的动作坐标减去连接肌肉的动作坐标
步骤三，基于肌肉接头的动作信息优化人体肌肉接头信号，过滤对人体行为识别不产生影响或影响较小的肌肉接头信号或冗余肌肉接头信号；
步骤四，使用将特征描述子聚类为k个姿势，将量化后的姿势用离散markov建立模型并分类；
步骤五，使用肌肉接头点的动作信息来表示词袋中的视觉单词，表示出的每一个单词都表示成一个有比较强判别性的人体动作，再根据这些动作实例表示出的单词在词典中出现的频率得到一个关于视觉的直方图，最后作为分类器的输入，识别动作；
步骤六，构建人体行为条件随机场模型，训练样本，得到人体行为识别模型并基于该模型对人体的后续动作进行预测。
具体地，所述步骤二中对肌肉进行归一化和降维处理，将每个肌肉接头的动作坐标减去连接肌肉的动作坐标
选择一个人体3d关节坐标为标准模型；
b)保持各样本肢体段矢量方向不变，将各矢量缩放至标准模型长度
在第t帧，肢体i的动作定义为：
具体地，所述步骤三，基于肌肉接头的动作信息优化人体肌肉接头信号，过滤对人体行为识别不产生影响或影响较小的肌肉接头信号或冗余肌肉接头信号还包括：
基于羊群算法对肌肉接头信号进行筛选过滤优化处理，
步骤3.1用佳点集初始化含有n只羊的群体，得到分布均匀的初始群体。设定最大迭代次数，其中，定义羊群在d维空间搜索食物的最小识别空间为[0,0…0]，最大识别空间为[1,1…1]；
步骤3.2、评估初始种群的适应度值，将种群的代数设为0；
步骤3.3、判断种群的代数是否大于最大的迭代次数，如果大于，则停止计算，输出相应的最大适应度值(识别精度)，否则转向第4步；
步骤3.4、判断种群的迭代次数能否整除g（g表示的是一个羊群保持关系的代数，实验中按照实验经验取为10），如果整除，则转向第3.5步，否则转向第3.6步；
步骤3.5、根据得到的适应度值排序，并建立一个等级制度，得到一个有序子集。将一个羊群划分成若干个群体并确定小羊与羊妈妈的关系；
步骤3.6、根据公式4.1得到公羊的动作更新公式，根据os方法，用公式4.6替代公式4.1中的动作信息，计算适应度值，小羊和母羊的动作信息不变。若得到的适应度值比未替代之前的适应度值大，则替代式4.1，否则不替代。其中，b的值取为0.25。根据式4.3和4.5分别得到母羊和小羊的动作更新公式，跟公羊的动作更新处理一致；其中，b的值分别取为0.2和0.1(按实验的经验取值)。转向第3.7步；
步骤3.7、更新羊群中个体当前最优动作和羊群的全局个体最优动作，迭代次数加1，并转向第3步；
步骤3.8、羊群中个体当前最优动作和羊群的全局个体最优动作即为影响该动作识别最大的肌肉接头信号和整体肌肉接头信号群。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明保护的范围之内。