如何解决kinect在动态动作识别开发的问题

以下是我实践派老过的一个方案：

把Kinect骨骼帧提供的25个节点的X，Y坐标与头部X，Y坐标做减法，将50个差值看做是一个向量，它表示了一个Pose。然后记录某个标准的Pose序列作为一个Action模板，使用DTW算法将模板和你的实时动作进行匹配（向量尘念升间距离测量我用的是余弦相似度，这样可以消除近大远小及人体高矮胖瘦不同带来的差异）。高凯

DTW算法运行效率比较高，而且简单易学，想学的话可以看下面这个教程：

HMM学习笔记_1(从一个实例中学习DTW算法)

语音识别原理

语音识别系统的本质就是一种模式识别卜竖渗系统，它也包括特征提取、模式匹配、参型脊考模式库等基本单元。由于语音信号是一种典型的非平稳信号，加之呼吸气流、外部噪音、电流干扰等使得语音信号不能直接用于提取特征，而要进行前期的预处理。预处理过程包括预滤波、采样和量化、分帧、加窗、预加重、端点检测等。经过预处理的语音数据就可以进行特征参数提取。在训练阶段，将特征参数进行一定的处理之后，为每个词条得到一个模型，保存为模板库。在识别阶段，语音信号经过相同的通道得到语音参数，生成测试模板，与参考模板进行匹配，将匹配分数最高的参考模板作为识别结果。后续的处理过程还可能包括更高层次的词法、句法和文法处理等，从而最终将输入的语音信号转变成文本或命令。

DTW算法原理

DTW是把时间规整和距离测度计算结合起来的一种非线性规整技术，它寻找一个规整函数im=Ф(in) ，将测试矢量的时间轴n非线性地映射到参考模板的时间轴m上，并使该函数满足：

D就是处于最优时间规整情况下两矢量的距离。由于DTW不断地计算两矢量的距离以寻找最优的匹配路径，所以得到的是两矢量匹配时累积距离最小所对应的规整函数，这就保证了它们之间存在的最大声学相似性。

DTW算法的实质就是运用动态规划的思想，利用局部最佳化的处理来自动寻找一条路径，沿着这条路径，纤告两个特征矢量之间的累积失真量最小，从而避免由于时长不同而可能引入的误差。

DTW（dynamic time warping）是时间序列分析中一个很早（1994年，论文的年纪比我都大）也很经典的算法了。它其实借用的是经典算法的“动态规划”的思想。一般来说，时间序列数据如果要做分类，那么大体可以将实验步骤分为：数据预处理（去噪或数据增强），数据表征，选取分类器（机器学习算法还需要选取合适毕穗的距离计算方法）。虽然DTW算法也给出了路径，但我实在想不出如何利用path，因此我更倾向于将DTW算法归为距离计算方法。

第一部分Introduction不再介绍。直接介绍第二部分：Dynamic Time Warping

作者首先提到，dtw算法成功应用在了语音识别领域——研究者将现实中一个单词的发音（其实就是一条时间序列）神弯与模板库中单词的发音去一个个手瞎卜匹配。怎么衡量匹配程度的大小呢？

---