基于kinect的人体动作识别方法-辛义忠.pdf

《基于kinect的人体动作识别方法-辛义忠.pdf》由会员分享，可在线阅读，更多相关《基于kinect的人体动作识别方法-辛义忠.pdf（6页珍藏版）》请在淘文阁 - 分享文档赚钱的网站上搜索。

1、2016年4月第37卷第4期计算机工程与设计COMPUTER ENGlNEERING AND DESIGNApr2016V0137 No4基于Kinect的人体动作识别方法辛义忠，邢志飞十(沈阳工业大学信息科学与工程学院，辽宁沈阳110870)摘要：为解决在Kinect平台下人体动作识别中时空复杂性的问题，提出一种基于特征选择的模板识别方法。根据人体不同位置关节点对动作表达的贡献度的不同，将骨骼模型60维的关节点数据转化成24维的距离特征向量，该特征模型能够在空间上对动作进行表示，具有一定不变性，计算复杂度低；结合动态时间规整的思想，解决动作识别在时间轴上不统一的问题；基于所提出的方法实现动作

2、识别系统，定义6种基于交互的上肢动作，在此动作库中进行两个实验共1320次测试，两个实验的平均识别率为936和898，实验结果验证了该方法的鲁棒性和有效性，可以满足交互任务的需求。关键词：人机交互；骨骼跟踪；动作识别；动态时间规整；Kinect中图法分类号：TP3914 文献标识号：A 文章编号：10007024(2016)04105606doi：1016208jissnl0007024201604040Human action recognition method based on KinectXIN Yizhong，XING Zhi-fei+(School of Information S

3、cience and Engineering，Shenyang University of Technology，Shenyang 110870，China)Abstract：To solve the variety and spatic-temporal complexity of human action recognition based on Kinect，a template recognition method based on selecting suitably features was proposedThe full skeleton formulated in a 60D

4、 feature vector was tuned tOan 24D joint-distance feature vector according to the contribution of defferent joints tO action presentationThe feature model wasan action discriptor with scaling invariance and easy-computing characteristicsA dynamic time wraping algorithm was proposedtO solve the speed

5、 problem of action recognitionAn action recognition system was developed based on the proposed method6kinds of upper limb actions were defined for interactive requirementsTwo experiments were conducted to evaluate the methodon a dataset with 1320 action instancesThe results show that the proposed me

6、thod can achieve average precisions of 936and898through two experiments respectively，which demonstrates that the method is effective，robust and entirely meets interactive requirementsKey words：human-computer interaction；skeletal tracking；action recognition；dynamic time warping；Kinect0引言人动作的多变性和时空复杂性

7、使动作识别面临着主要问题，随着动作数量的增加，误识别问题也会凸显12。目前，可通过穿戴式传感器(陀螺仪、加速度传感器等)采集人体运动参数对人体动作进行识别3“，这种方法准确性、实时性高，但附着传感器使穿戴者舒适感降低。在基于视觉的方法中，当前的研究主要是基于2D视觉，而识别效果往往受环境(背景、光照、遮挡等)因素影响严重5。微软Kinect体感摄像头的出现为动作识别研究者提供了新的契机，结合骨骼跟踪技术能够实时(约30帧Is)产生骨骼数据。可无接触式的获得人体3D信息，并且几乎不受背景、光照的影响。基于Kinect的动作识别方法有直接利用关节点数据，设定规则集的方法，利用关节点之间位置(角度、

8、高度等)、移动速度、加速度等定义一些阈值来识别动作。谢亮等6通过确定关节点之间的欧氏距离与角度来判别特定姿势，得到了较好的识别效果。这种方法由于实现简单被广泛使用，但是每插入一个新动作就需要对该收稿日期：20150418；修订日期：2015-0620基金项目：国家自然科学基金项目(61100091)；教育部留学回国人员科研启动基金项目(2013693)；辽宁省高等学校杰出青年学者成长计划基金项目(LJQ2012007)；沈阳工业大学青年学术骨干教师培养基金项目(201141)；沈阳工业大学博士科研启动基金项目(20113 30)作者简介：辛义忠(1976一)，男，辽宁沈阳人，博士，副教授，CC

9、F高级会员，研究方向为人机交互、生物特征识别；+通讯作者：邢志飞(1989一)，男，辽宁大连人，硕士，研究方向为人机交互、模式识别。E-mail：hizhifeisinacowl万方数据第37卷第4期 辛义忠，邢志飞：基于Kinect的人体动作识别方法动作进行定义，可扩展性低，识别能力有限。另一种思路是先进行特征提取，然后选择适当的分类器进行识别。Raptis等71使用Kinect获取骨骼信息，从人体结构的角度将骨骼信息转化为人体角度特征，实现了舞蹈姿态分类识别，线下分类识别的精确度达到919；Lai等8将关节点数据转化为二维距离特征，选择最近邻分类器进行手势识别，在限制动作速度情况下达到了9

10、225识别率。本文通过适当的特征选择，以基于动态时间规整的模板匹配方法解决动作识别的时空问题，实现灵活性、鲁棒性、实时性较强的识别方法。1 Kineet平台简介微软推出了Kinect for Windows版本以及Kinect SDK，使Kinect能够在Windows平台下进行使用，迅速引起了一波自然用户界面应用开发的热潮，应用领域涉及科学、教育、广告等。11深度图像获取原理Kinect通过一种属于结构光技术的深度计算方法获得深度数据，此技术利用红外发射器投射结构光到空间物体表面形成不同形状的“激光散斑”，通过深度摄像头采集散斑图进行光源标定，最后经过插值运算得到整个场景的三维形状1 0|。

11、深度图像是Kinect深度数据的图像化表示，是伪灰度图像，是将深度数据转换为32位256色阶的灰色图像，纯黑(纯白)表示大于(或小于)Kinect可视范围，像素灰度值表示物体距离摄像机的距离，灰度值越大(越小)表示距离越远(越近)，反之则越近(越远)。12骨骼跟踪技术骨骼跟踪(skeleton tracking)是微软将Kinect获取的深度图像实现人体主要关节点定位及跟踪的技术，根据文献E113描述骨骼跟踪可分为3个步骤：步骤1前景分割，利用图像处理技术实现人体前景分割，根据远近关系分析每个像素点是否属于人体部位，然后通过边缘检测将人体从整幅深度图像中提取出来。步骤2部位识别，该阶段是从人体

12、轮廓区域图像中识别出人体各个部位，使用数以TB计的数据进行训练得到用于分类人体部位的随机森林模型，此模型能够给每个像素标注一个类别标签及概率(In头部、肩部等)，可将人体划分为32个不同部位。步骤3关节点识别，将属于同一部位的像素点合并成一个关节点，结合基于高斯核函数的Mean Shift局部模型识别方法对关节位置进行判定，从正面、侧面多个角度去准确定位人体骨骼关节点。通过上述3个步骤从一帧深度图像得到一帧骨骼数据，目前Kinect可以识别定位20个关节点，每个关节点具有三维信息。2骨骼数据特征提取与动作表示在Kinect平台下获得了20个骨骼关节点数据，如何将骨骼数据进行特征提取是识别任务的

13、关键步骤，本文提出一种关节点相对距离的特征并以此特征序列对动作进行表示，方便之后的识别工作。21骨骼数据特征提取原则Kinect提供的骨骼数据是在骨骼坐标系下的三维点，能够描述当前人体处于骨骼坐标系下的位置，但是如果人或者Kinect的位置发生变化时，会导致坐标系及关节点数据发生变化。因此直接利用关节点数据无法建立一个能够描述一个动作的模型，必须从将关节点数据转化成能够描述人体动作的特征。提取的特征需要满足以下4点要求：提取的特征数据能够表示人体的动作，且具有唯一表示性；选取的特征数据应该保持连续、稳定，并且达到降维，减少计算量目的；人和Kinect之间的位置和角度变化时，提取的特征要能满足一

14、定的不变性；在进行特征提取时应考虑不同人身高、尺寸的差异。22特征提取与归一化通过观察Kinect人体关节点数据及骨架模型，如图1所示，这20个关节点对动作表达贡献度不同，在人体躯干部分的7个关节点数据是一个比较稳定的部分，且定位较准确，这7个点可以看成一个位移、角度变化不大的部分，视为标杆，人体的不同动作的表达是由四肢关节点相对躯干部分的不同位置所表示的。四肢关节点中肘关节、腕关节、膝关节、踝关节，是能够在动作表达中贡献较大的关节点。H图1 Kinect人体骨架模型人体的动作的表达是由四肢关节点相对躯干部分的不同位置进行描述的，四肢关节点中肘关节(elbow)、腕关节(wrist)、膝关节(

15、knee)、踝关节(ankle)，是动作表达中贡献较大的关节点，舍弃头部关节点是认为其在动作表达中没有贡献。舍弃手部和脚部点，是因为手部和腕部，脚部和踝部点几乎很接近，同时选择对动作识别意义不大，而且增加了计算量。取躯干部位的中心点脊椎点(spine)作为的参万方数据1058 计算机工程与设计 2016焦考点，计算四肢关节点到脊椎点立体空间中3个维度上的距离，本文称作距离特征。以左腕到脊椎点的距离特征为例，蕊一S表示左腕点与脊椎点X方向的距离，即两点X值做差。岛一s表示左腕点与脊椎点Y方向的距离，豳。表示左腕点与脊椎点Z方向的距离。本文中共提取24个距离特征，定义F表示一帧骨骼数据中提取的距离

16、特征向量集合，则F一dxw s，粕s，豳s，冼s，媪s”) (1)骨骼模型随着人体尺寸差异以及人相对摄像头的距离变化而变化，为降低这种差异的影响，取能够表示人体身高的肩部中央点(shoulder center)到脊椎点(spine)的欧式距离d对特征进行归一化处理，将特征除以d得到归一化特征。通过分析骨骼数据的特点将原始关节点数据转化成距离特征并进行归一化处理，在分析人体不同部位的动作时，可进行组合性的选择，例如分析手部动作时，可选择与上肢关节点相关的特征。23基于特征序列的动作表示Kinect能够以每秒约30帧速率产生骨骼数据，一个动作可以看成连续多帧骨骼数据的组合，将连续骨骼帧数据进行特征

17、提取形成动作特征序列表示动作，这样对动作描述更加贴切。那么，对于一个动作A有A一(F1，Fa，只，R) (2)式中：E第i帧骨骼数据对应的特征向量集合，行帧表示一个动作，那么一个动作的特征向量是24*行维的。3动作识别方法本节中首先分析了动作特征序列识别是时间序列识别问题，然后重点讲解如何利用DTW解决动作特征序列在时间轴上不一致的问题。31时间序列的识别问题动作具有时空属性，在空间上将动作转化为特征序列进行表示，建立了动作在空间上的模型，但是还需要考虑时间问题，也就是解决动作快慢的问题。如图2所示，是两次在Kinect前做左手体侧向上举的动作时左手关节点的dxs特征随时间的变化曲线，由于篇幅

18、关系，不列出所有特征的变化曲线，图2(a)是动作稍慢完成的变化曲线，图2(b)是动作稍快完成的变化曲线。从图中可以看出同一个人做一个动作时，曲线的波形相似，但是两次以不同的速度完成一个动作的特征曲线之间存在偏移。客观来看，人在做动作时都会存在有快有慢的情况，这都是动作自然的表达，必然具有一定的随意性，这是不可避免的。不能保证一个人在做动作时，都保持恒定速度，更无法保证不同的人做相同动作时保持相同的速度。在模板识别中，是以两个动作的波形相似度判断是否趔目婆镀掣趔耳磐褪型帧数，帧(a)稍慢速完成动作帧数帧(b)稍快速完成动作图2左手关节点dxW s特征的变化曲线属于同一个动作，这种相似度计算最常用

19、的方法就是求向量之间的欧式距离，计算同一个时间点上两个动作的特征之间的欧式距离，但是计算欧式距离的两个序列长度应相同。假设将表示同一个动作的不同长短的序列在时间轴上进行缩放，使两个序列长度相同，这样就使这两个长短不一的波形更加相似，这种思想就是动态时间规整。32动态时间规整原理Sakoe提出了动态时间规整(dynamic time wrapping，DTW)来解决两个时问序列在时间轴上不规整的优化算法，最初用于解决语音识别时间序列问题。DTW算法的原理是重新规整两序列找到距离最小的匹配路径，求解两序列的累积最小的距离，即两序列真实相似度，这个匹配路径就是两序列上点与点的映射关系，消除了序列在时

20、间轴上的差别，使两序列之间的失真度变小，重叠度最大。目前，DTW主要应用在语音处理、笔迹识别12和视觉模式识别1胡等方面。33基于I)TW的相似度计算下面将重点讲解如何利用DTW算法计算两动作序列的相似度。假设有两个动作序列：T=(兀，T2，L)，S一(S。，S2，&)长度分别是理和m，T是测试序列，S是模板序列。如果n=m，那么就直接计算两个序列对应点的特征向量累加距离即可。如果nm，这时就需要调整两个序列的长度，以达到匹配的目的，通常的做法是将短序列拉伸至长序列长度，或是将长序列缩短至短序长度再进行比较。但是这种做法并没有考虑到动作序列中各时间阶段中持续长短不一，并不能准确找到两序列对应关

21、系。为找到两序列真正的对应关系，构造一个nm矩阵，如图3所示。在此矩阵的元素(i，j)代表正和s，两个点的距离d(Tl，S，)(即两点相似度)，采用欧式距离计算两序列对应点的相似度，如式(3)所示万方数据第37卷第4期 辛义忠，邢志飞：基于Kinect的人体动作识别方法 1059d(E，s)一童j圣I亍_可，1训N(3)式中：L丁动作序列中第i帧中某个特征值，&S动作序列中第J帧中某个特征值，N_一帧特征向量的维数。 一 J， r 六 j ( 图3 DTW搜寻最优匹配路径W规整肛配路径搏在这个矩阵中的存在多条两个序列的对应匹配路径。规整路径(warping path)是在此矩阵中的一条从(1，

22、1)点到(n，m)点的最优路径，该路径通过的各点就是这两个序列对齐的点。把这规整路径定义为w，的第k个元素定义为W。=(i，J)t，这样就有W一WlI“，m，WK)，max(m，行)Km+行一1(4)另外，w需要满足3个约束条件：(1)边界约束：动作序列快慢可以有不同，但是序列的先后顺序不能改变，一定是从该矩阵的左下角开始到右上角结束，即该路径起点是m(1，1)，终点是WK(行，m)；(2)连续性：如果有Wk一。(口7，6)，那么下一个点Wk(n，6)需要满足a-a71，b-b71。也就是说当前点的下一个对应点只能是相邻的点，这样保证两个序列不是帧，每个点都在路径w中出现l(3)单调性约束：如

23、果m，(血7，b7)，那么下一个对齐点m(以，6)需要满足a-a 7o，667to，强制这条规整路径在时间轴上是单调递增的。结合连续性和单调性约束，对于一个对齐点(i，歹)，下一个对齐点只可能是(i+1。j)，(i，j+1)，(i+1，j+1)其一。定义累积距离y(i，j)，累积距离y(i，j)为当前格点距离d(L，S)与可以到达该点的最小的邻近元素的累积距离之和f地J一1)，1y(i，J)=d(正，s)+mid y(i一1，j)， (5)ly(i一1，j1)j累积距离y(i，j)从初始点(1，1)开始计算，按照上述的3个约束条件，迭代查找满足条件的节点，直到终点(n，m)结束为止，这样找到了

24、两个序列对应的最优的路径，即两个序列真正的对应关系。y(i，j)就是测试模板T和参考模板S之间的最小累积距离，y(i，j)的值越小，表示两个动作序列越相似，反之，表示两动作序列越不同。34动作识别本文选用模板匹配的方法，提出通过DTW计算两个动作序列的相似度，匹配过程就是输入待测动作序列和标准模板中的动作序列计算相似度，以相似度最大的动过模板对应的标签标识此测试动作，即最近邻分类识别。设待测动作序列丁，模板中有M个动作序列为S。，Sz，S，SM)，求解测试动作序列T的类别Lable(丁)计算公式如式(6)所示Lable(T)一Lable(So)，cargmin 7(T，Si) (6)式中：7(

25、T，S。)T和模板库中序号为i的动作序列的相似度，一测试样本T与模板库中距离最小的样本的序号，C对应的动作序列的类别Lable(Sc)即为T的类别。根据上述的方法可以将一个待测序列对应模板库中距离最小的样本对应的类别输出，但是，实际测试样本并不属于模板库中录制的动作或与模板中的动作差异较大时，也可能被识别，这样不符合实际要求。设置一个相似度阈值r，将与模板库差异较大的测试动作序列标识为拒识别对象，该阈值r的计算公式如式(7)所示rmax 7(S。，S，)，i=1，2，M，i=1，2，M，ii(7)式中：y(Si，S)模板中每个样本之间的动态时间规整距离，取模板中各个动作序列之问的最大距离为阈值

26、z-。4实验系统实现与实验分析为评估所提出的识别方法的有效性，根据上述提出的特征提取和识别方法设计实现了动作识别系统。41 系统的逻辑架构及功能模块该系统主要的逻辑结构如图4所示。在Kinect层，获取原始彩色图像、深度数据、骨骼数据流以及负责Kinect的相关操作。在动作识别层，分为训练过程和识别过程，训练过程主要是将每种动作录制成模板，形成模板库。识别过程是采集一个待测的动作样本和模板库中的动作样本计算DTW距离，得到待测样本和模板库中的每个样本的规整距离，然后利用NN分类器，将距离待测样本最小的训练样本对应的动作名称输出，得到识别结果。系统主要包括录制模块、加载模块、识别模块及显示模块。

27、录制模块是将预定义的所有动作录制成模板保存在txt文件中。将每个动作模板数据手工合为动作模板库并保存在txt中，其中动作名称和动作数据以不同的字符标识，以便加载解析模板库。加载模块是将保存着动作模板库的txt文件进行解析，将动作名称和动作数据加载到arraylist万方数据1060 计算机工程与设计 2016掘Kineet|I彩色图像流JI骨骼数据流|I深度数据流l训l特征提取I 特征提取 l识鎏匦亟_一 肚量动作训练、识别 NN分类器H识别结果图4 系统的主要逻辑架构数据链表中。显示模块是显示识别状态，提示信息，当前采集的帧数，帧率等信息，为方便确定实验者的位置，将彩色图像、骨骼图像和深度图

28、像显示在中间部位，系统的界面如图5所示。图5系统界面42实验与分析人体动作千变万化，想要识别所有的动作是不可能的，此外，同一种动作在不同环境中可以具有不同含义，目前的识别方法还无法完全根据环境确定动作真正的含义。在实际中，动作识别系统应该以应用为导向，根据具体环境要求指定几种动作，并人为赋予动作的含义，然后进行识别。本文定义基于交互的6种简单的上肢动作对本方法进行测试，包括左手向左，右手向右，左臂上举，右臂上举、双手侧上举、右手画圆，简记为A1诅6，图6是右手向右的手势动作。在人机交互中，可以通过这几种手势命令与计算机进行交互。图6 自左至右是右手向右动作在这个动作库中，进行了两个实验：第一个

29、实验中，让每个实验者单独录制动作模板，并单独进行测试；第二个实验是选其中一位实验者录制为标准模板，其他实验者进行测试。两个实验的实验者数都是6人，在实验之前，将每种动作的样式向实验者演示清楚。实验中让实验者自由做动作，不限定动作的快慢。在第一个实验中，每个实验者先将每个动作进行录制，保存为该实验者的参考模板，在测试过程中，每个动作做20次，测试完一个动作之后，让实验者休息片刻，每一位实验者进行120次实验，6个实验者，共进行720次测试。将每次动作的识别结果记录下来，计算得到每个动作的平均识别率、拒识别率及误识率，结果见表1。表1识别结果可以看出，这些动作的识别率较高，总体平均识别率是936。

30、在识别过程中，每位实验者都不限定速度自由做动作，可见本方法的有效性。另外，误识别率比较低，是因为这几种动作之间相似度不大，相互干扰较小。在这里，只有右手向右和右手画圆两个动作产生一些歧义，如果在动作库增加一定数量的动作，并且增加相似度较大的动作，误识别率可能会增加。在第二个实验中，首先让一位实验者将每个动作进行录制，形成标准模板，让其它5个实验者进行测试，每个动作测试20次，共600次测试。结果见表2。表2识别结果从结果来看，识别率有所降低，总体平均识别率为898，降低的原因是在录制标准模板时候，录制标准模板的实验者严格按照动作要领去做，而其它实验者进行测试过程中，由于个人原因动作没有做到位，

31、以及动作变形导致与模板差异较大。总的来说，识别率可以达到一般交互应用的要求，此实验系统不限于训练、识别上肢动作，万方数据第37卷第4期 辛义忠，邢志飞：基于Kinect的人体动作识别方法 1061对于稍微复杂的全身动作(如：起立、坐下)也可以进行识别，但是描述动作的特征选取的过多，使得全身动作识别率较低，所以，选择特征时应考虑识别内容以及识别范围，以应用为目的设计动作识别系统。43该系统的应用该系统在人机交互方面有一定的应用价值，将预定义的动作进行训练，若动作被识别，则可以调用C#中的SystemWindowsFormsSendKeys类中的send()方法向程序发送键盘命令实现代替键盘的功能

32、。另外，将Kinect提供的手部关节点的三维坐标信息映射为屏幕二维坐标来驱动光标移动，当鼠标保持在一个位置保持超过时间阈值t。，进行单击事件，当保持超过时间阈值tz则表示进行双击事件，左键功能由左手向上的动作代替，这样，就可以实现人和计算机的无接触交互。在PPT演示中实现上翻、下翻等操作，在图片浏览中，定义放大、缩小、移动、旋转等动作对图片进行操作。在浏览网页中定义向上、向下浏览内容的动作。5结束语微软Kinect提供了骨骼跟踪的API，但并未提供更高层次的动作识别API，主要原因是人动作千变万化，无法构建出一个通用的识别模型。本文进行大胆尝试，提出一种基于特征提取的模板匹配识别方法。首先，将

33、关节点数据转化为距离特征模型，并通过此特征模型实现对动作的表示。其次，使用模板匹配中的DTW解决了动作序列在时间轴上不一致的问题。最后，实现了本文提出的方法并进行了两个实验，两次实验的平均识别率为936和898，实验结果验证了本文方法的鲁棒性、有效性。本方法也存在一定的不足之处，模板选择是否合理关系到本方法识别率，目前每一个动作只存储单一样本作为参考模板，为得到更通用的参考模板，应采集不同人的多组动作样本形成参考模板，这样兼顾了不同人之间的动作差异性，也使本方法更具有鲁棒性。参考文献：13 LI DipingMethods for detecting human pose and recogn

34、izinghuman action in videoDChangsha：Central South University，2012(in Chinese)李弟平基于视频的人体姿态检测与运动识别方法D长沙：中南大学，20122HU Qiong，OIN Lei，HUANG OingmingA survey on visualhuman action recognitionJChinese Journal of Computers，2012，36(12)：25122524(inChinese)胡琼，秦磊，黄庆明基于视觉的人体动作识别综述J计算机学报，2012，36(12)：2512252433 Ta

35、kuya Maekawa，Yutaka Yanagisawa，Yasue Kishino，et a1Objectbased activity recognition with heterogeneous sensors onwristJPervasive Computing，2010，24(8)：2462644CAO Yuzhen，CAI Weichao，CHENG YangBody posturedetetion technique based on MEMS acceleration sensorJNanotechnology and Precision Engineering，2010，

36、8(1)：3741(in Chinese)曹玉珍，蔡伟超，程呖基于MEMS加速度传感器的人体姿态检测技术J纳米技术与精密工程，2010，8(1)：37415saad Ali，Mubarak ShahHuman action recognition in videosusing kinematic features and multiple instance learningJIEEE Transitions on Pattern Analysis and Machine Intelligence。2010，32(2)：2883036XIE Liang，LIAO Hongjian，YANG Yu

37、baoRecognition andapplication research of Kinectbased gestureJComputerTechnology and Development，2013，23(5)：258260(inChinese)谢亮，廖宏建，杨玉宝基于Kinect的姿态识别与应用J1计算机技术与发展，2013，23(5)：2582607Michalis Raptis，Darko Kirovski，Hugues HoppeRealtimeclassification of dance gestures from skeleton animationCProceedings

38、of the ACM sIGGRAPH。Eurographics Symposium onComputer Animation，2011：1471568Kam Lal，Janusz Konrad，Prakash IshwarA gesture-drivencomputer interface using KinectcIEEE Southwest Symposium on Image Analysis and Interpretation，2012：1851889ZHU Tao，JIN Guodong，uJ ubh Summary of application anddevelopment p

39、rospect of KinectJModern Computer，2013，6(2)：2832(in Chinese)朱涛，金国栋，芦利斌Kinect应用概述及发展前景口-现代计算机，2013，6(2)：283210YU TaoApplication development of KinectMBeijing：China Machine Press，2013(in Chinese)余涛Kinect应用开发实战M北京：机械工业出版社，201311Jamie Shotton，Andrew Fitzgibbon，Mat Cook，et a1Reahime human pose recognitio

40、n in parts from single depthimagescProceedings of the IEEE Conference on Computer Vision and Pattern Recognition，2011：129-134121 Hsu YuLiang，Chu ChengLing，TSai Yi-Ju，et a1Aninertial pen with dynamic time warping recognizer for handwriting and gesture recognitionJIEEE Sensors Journal，2014，15(1)：154163-13-WANG Li，YE Hua，XIA LiangzhengActivity recognitionmethod for combining shape sequence and DTWJJournalof Data Acquisition&Processing，2009，24(5)：615620(in Chinese)汪力，叶桦，夏良正一种结合形状序列和DTW的动作识别方法J数据采集与处理，2009，24(5)：615620万方数据