人体运动特征（精选九篇）
人体运动特征 篇1
关键词：运动人体科学,研究特征,进展
1 运动人体科学概述
1.1 运动人体科学概念运动人体科学是研究体育运动与人的机体的相互关系及其规律的学科群。包括运动解剖学、运动生理学、
运动生物力学、运动生物化学、保健康复及运动医学等学科。它是经过有关专家酝酿,讨论后于1997年在原学科专业目录基础上概括拓宽而形成的专业。
1.2 运动人体科学的研究对象
运动人体科学以人体为研究对象,研究人体在运动过程中机能活动的变化特点、规律和与外界环境的关系,有助于增进健康、提高人体机能能力的一门科学。人体是一个复杂的动态的整体,从宏观看是由细胞、组织、器官、系统组成;从微观看细胞又是由细胞器、生物大分子、分子、原子等组成。因此,我们研究运动人体科学时,要运用整体的、系统的、时空的观点去理解人体运动,这样才能更好地揭示其实质与规律。[1]
1.3 运动人体科学的作用
运动人体科学知识和技能在全民健身和竞技体育中有十分重要的作用。运动人体科学的理论和方法可为促进人体健康、增强体质、防治疾病及运动康复等提供必要的生物学基础知识及实践技能,也可对运动员选材、动作技术分析、机能评定与训练监控、延缓运动性疲劳及促进恢复、合理营养等提供必需的科学依据和技术支持。
2 运动人体科学的研究特征
2.1 以系统整体观点综合宏观与微观研究
运动人体科学的研究与科学技术的发展息息相关。回顾运动人体科学的早期研究,受当时科学水平的限制,集中在耐力运动的生理机制、运动与环境生理反应、运动与营养、衰老和高海拔气候的应激性等宏观研究。随着近代医学理论、生物技术和仪器设备的发展,运动人体科学的研究进入了微观研究时代。肌肉活检、电镜观察、微电极生理和超微量分析等技术的诞生,逐步把现代运动人体科学研究的视野带进以分子为基础的微观世界。
20世纪分子生物学的建立,开辟了现代运动人体科学从本质上认识运动机体规律的全新局面。21世纪运动人体科学研究中若干重大学术前沿问题的研究,如功能基因组学、蛋白质组学、信号转导、受体、细胞凋亡、离子通道等基础研究和基因选材、基因治疗、低氧训练、营养调控、疲劳消除等应用性研究也不断深入到细胞、亚细胞与分子水平的宏观与微观结合研究。
2.2 从多层次、全方位开展跨学科研究
运动人体科学是一门应用性学科,随着基础研究在科学前沿全方位拓展,以及在微观和宏观层面的深入发展,许多运动人体科学研究课题的范围、规模和复杂性远远超出本学科的能力,必须依赖于不同学科之间的交叉与融合,从其他学科汲取营养才能在前沿领域酝酿新的突破。
运动人体科学借助体育学、生物学、医学、计算机科学与人文社会科学等生命科学和非生命科学之间的有机交叉,促进整个运动人体科学领域从分子水平到整体水平的全方位跨学科研究,活体内分子识别的实时、动态分析,在运动状态下研究生物大分子间相互作用定量、动态规律等。运动人体科学与其他学科之间进行高度的交叉、协作、融合与协同将推动运动人体科学自身的发展。
2.3 依托基础性研究突出应用特点
早期运动人体科学研究领域主要以运动代谢与心肺功能等应用研究为主。顺应现代分子微观水平科技发展,运动人体科学在分子、细胞和生物体等多个层次上全面揭示生命现象的本质。在细胞和分子水平上探讨运动对机体功能活动影响的基本问题,注重从整体水平研究运动对人体生理功能活动影响的基本问题,注重从整体水平研究运动人体生理功能影响及其调控机制,例如信号传导途径、神经—内分泌—免疫网络理论、细胞凋亡等基础研究的理论成果对运动实践中的应用研究具有指导和启发作用。
2.4 研究基础与应用研究交融并举
当今,运动人体科学的基础研究与应用研究交融并举的互动关系十分密切。运动人体科学在高住低训、中药结合运动免疫、抗疲劳研究中有关中医药的作用及机理、运动训练的效果监控等基础研究进行的如火如荼。另外,在传统中医药对运动员的体液免疫功能调理、针刺镇痛与运动疲劳损伤机制、激光运动医学研究、运动技术的生物力学诊断、体育锻炼健身防病治病机理的研究等领域,也逐步形成了若干具有重要科学意义和应用前景的研究领域,通过基础和应用研究的融合贯通充分发挥基础研究的应用价值。
2.5 研究手段借助先进仪器设备和技术
运动人体科学研究水平的突飞猛进得益于20世纪后期先进实验技术和仪器设备的普及应用。20世纪分子生物学和生物技术发展中多个重大的里程碑,如DNA双螺旋结构、DNA的重组和转化、聚合酶链反应技术的突破以及纳米科技、生物芯片等技术的广泛应用,也奠定了运动人体科学实验技术的基础。
3 运动人体科学的研究进展
追溯到上世纪60年代末,由于当时研究工具和手段所限,人们只能从组织水平上研究对人或动物的影响,进入70年代兴起的肌肉活检技术、小动物实验技术的提高,人们对运动科学的研究立刻转入到细胞或亚细胞水平上,这种有赖于各生化技术、放射性同位素技术及其细胞功能的研究进程。所以从70年代到80年代,被称为“运动生物化学”时代。从80年代中期开始运动科学研究进一步得以发展和深入,也被称为“运动分子生物学”时代[2]。经过80年代和90年代的技术积累,以及21世纪人类基因组计划和后基因计划的推荐和实施,为推动运动人体科学长足发展带来新的契机。交叉科学的迅速发展促进科学的综合与分化,催生新的学科前沿和学科方向,并在运动人体科学的众多领域带来新的突破。
运动人体科学的基础研究方面,分子生物学的建立使传统运动人体科学的研究向前大大跨进了一步。在运动对肌体影响的分子机制探索、信号跨膜导、细胞凋亡、基因多态性研究等方面逐渐成为运动人体科学的研究热点。随着后基因组时代的来临,运动人体科学的研究变得更为量化,更为系统,形成了以功能基因组和蛋白组学研究为方向,以多学科交叉为基础,分析与综合并重、微观与宏观相结合的研究体系。新兴的运动人体科学分支学科和新增长点的涌现,将成为未来运动人体科学的新前沿。
运动人体科学的应用特点推动应用性不断发展与提高。传统的运动人体科学的研究领域大多数研究都是测量各种诸如吸氧量、心率、体温和出汗率等应用性研究。借助电子技术、计算机科技的发展与传统生理学研究方法的结合,使得常用仪器的潜力开发、心肺功能检测、能量代谢、血液流变量等仍具有广阔的研究空间。在深入进行基因和合分子水平研究的同时,运动人体科学的研究也注意到从整体水平研究人体生理功能及其调控,并采用各种先进研究技术结合开展群体的应用性研究,例如利用计算机记忆系统处理、综合分析,在不影响人体运动状态的条件下进行动态的和整体水平的研究。影像学检测仪器的使用,使人体的研究将向功能和形态相结合的方向发展,这有利于对运动性疾病的早期诊断、早期治疗。特别是在微创、无创诊断技术中采用纳米材料、微米集成电路等制成的超微测试仪器将在运动人体科学研究中发挥作用。基因芯片是研究和探讨运动能力相关基因特征的有效手段,分子生物学和微电子技术相结合可以克隆与运动能力有关的候选基因序列制作成基因芯片。目前,运动人体科学应用研究的热点是运动员的科学选材、运动营养与补剂、运动性疲劳与恢复、低氧训练的科学应用、竞技违禁药物检测、运动伤病防治和康复、运动心理、高原训练、全民健身与健康体适能等领域的研究正在不断深入。
在运动人体科学的实验技术方面,现在实验和检测技术已成为运动人体科学研究的重要工具,微观、实时、动态形态观察和活体检测等实验技术成为揭示运动状态下机体生理规律的重要手段。大量灵敏高效的仪器设备和先进技术的应用使运动人体科学各领域的研究水平不断提高。利用双向电池技术、高效液相色谱技术、蛋白质免疫印迹技术、核酸分子杂交、免疫组织化学、质谱分析、基因芯片等技术,实现从基因到细胞、组织、器官和整体的整合性研究。继人类基因计划完成之后,迅猛发展的科技浪潮把新世纪的运动人体科学的研究拓展到极富挑战性的后基因时代。学科间法人广泛交叉渗透和新技术的诞生将不断促使运动人体科学研究新领域问世。
在被誉为生命科学世纪的21世纪,随着人类基因组计划完成,后基因组时代来临,此时蛋白质组学很快发展起来,对细胞、组织、器官的全蛋白质组和功能蛋白质组的研究已成为人们追踪的热点[3]。运动人体科学将以现代科学发展既高度分化又高度综合的新趋势,致力发展竞技运动和大众健身领域的研究揭示生命运动规律,提高运动潜能,倡导健康促进计划,推动竞技体育与大众健身事业的发展跨入崭新的时代。
参考文献
[1]吴晓伟.对人体运动的哲学思考[J].体育世界(学术)2010,7:98-100.
[2]Wolfarth B,Bray MS,Hagberg JM,et al.The human gene map forperformance and health-related fitness phenotypes:the 2004 update.Med SciSports Exerc 2005,37,(6):881-903.
《人体与运动》学案 篇2
一、教学目标：
①知识与技能目标：通过本课学习，使学生了解骨骼、关节、骨骼各肌的构造和
功能；掌握青少年骨骼、关节、肌肉的发育特点。
②过程与方法目标：通过本课学习，让学生想出一种发展身体某一肌肉群的方法。能力目标增加了一定难度，但是大多学生可以通过努力实现这一目标，并体验到成功。这种积极的体验，有助于增强学生的自信心，可以提高学生的动机水平。
③情感态度与价值观目标：充分调动学生的学习情绪。提高学生学习的主动性。教学重点、难点：
①重点：骨骼、关节的基本构造和功能；
②难点：骨骼、关节、肌肉如何相互协调完成运动过程。
三、课程资源：教具资源：人体骨骼模型。
四、教学模式：采用探究式教学模式
五、教学过程：
（一）、先了解学生预习的情况，提问：人体的运动系统主要包括那几个部分？最后在黑板上写出运动系统的分支图：人体运动系统——骨骼、关节、肌肉。
（四）、介绍骨骼
1、展示人体骨骼的正面图。
骨骼: 正常成年人的骨骼数为206块,可以分为附肢骨骼和中轴骨骼两部分,其中附肢骨骼包括上肢骨和下肢骨，中轴骨包括椎骨、胸廓骨和颅骨。（主要人学生能了解什么是中轴骨什么是附肢骨）
2、概念传授：骨骼按形态可分为长骨、短骨、扁骨和不规则骨。
分别向学生展示四种骨头的形状，介绍各种骨头的特点与特定的作用： 长骨：由股骨所代表的那种长大的骨，主要存在于四肢，呈长管状。
短骨：为形状各异的短柱状或立方形骨块，多成群分布于手腕、足的后半部和脊柱等处。短骨能承受较大的压力，常具有多个关节面与相邻的骨形成微动关节，并常辅以坚韧的韧带，构成适于支撑的弹性结构。
扁骨：呈板状，主要构成颅腔和胸腔的壁，以保护内部的脏器，扁骨还为肌肉附着提供宽阔的骨面，如肢带骨的肩胛骨和髋骨。
不规则骨：形状不规则且功能多样，有些骨内还生有含气的腔洞，叫做含气骨，如构成鼻旁窦的上颌骨和蝶骨等。
（五）、介绍关节
1、试一试：膝盖不弯曲跑步，手指不弯曲写字。从中体会关节的重要性。
2、关节的基本分类：球窝关节、滑车关节与微动关节。
依次展示三种关节先介绍球窝关节：让学生理解球窝关节的特殊型：可以向各个方向转动或旋转。
思考:为什么球窝关节可以向各个方向转动或旋转? 关节头呈圆形,关节窝为项应的凹面.圆球体的接口为关节的旋转提供了良好的形态基础。再滑车关节：只能向前或后转动，让学生自己找找身体上哪些是球窝关节哪些是滑车关节？球窝关节与滑车关节的明显区别在哪里？ 最后讲微动关节的特点：只允许平面间或往返的运动。
思考：是不是微动关节活动的范围小就表示此关节不如前面两种关节？它有什么特定的作用？
（六）、介绍肌肉：
1、依次展示三种肌肉，依次介绍三种肌肉。
骨骼肌通过收缩，牵拉骨绕关节运动轴转动，因而是运动系统中的动力源。
骨骼肌是体内最多的组织，约占体重的40%。在骨和关节的配合下，通过骨骼肌的收缩和舒张，完成人和高等动物的各种躯体运动。大多数骨骼肌借肌健附着在骨骼上。分布于躯干和四肢的每块肌肉均由许多平行排列的骨骼肌纤维组成，它们的周围包裹着结缔组织。
（以上内容不需讲得太细，但重点是要让学生知道骨骼肌对人体运动的重要性）再讲平滑肌：广泛分布于血管壁和许多内脏器官，又称内脏肌。主要功能：通过收缩和舒张来推动食物通过消化道。平滑肌纤维呈长梭形，无横纹。广泛分布于血管壁和许多内脏器官,又称内脏肌。主要分布于血管、气管、胃、肠等壁内。最后介绍心肌：心肌是组成心脏的一种特殊的肌肉，它一天24小时都在收缩和舒张，推动血液流遍全身。
算一算：如果一个人心脏每分钟跳60次，那么：每个小时跳：3600次。一昼夜夜跳：86400次。每年跳：31536000次。如果这个人的寿命是80年，那么他的心一共跳了：2522880000次
（通过运算，体会心肌的重要性，知道体育锻炼能提高心肌功能，从某种意义上来说就是延缓了一个人的寿命。）
（七）、总结：
骨骼 : 赋予了人体基本形态，并起着保护、支持和运动的作用。
关节: 人体的骨骼主要以关节的形式连接在一起，每一个关节都有其特定的作用。
肌肉 : 大部分的运动都是由骨骼肌的收缩得以实现，同时肌肉还起到了保护骨骼、关节及其他器官的功能。
（八）、思考：骨骼、关节和肌肉在运动中的关系？
如射门动作，首先是以大腿的股骨以髋关节为轴转动，同时带动小腿转动，当转动到一定的程度时髋关节运动幅度达到了极限，就由股四头肌带动小腿的胫骨和腓骨以膝关节为轴转动，带动脚去踢球。（自己也可以一边示范一边讲解。）
（九）、体育运动对运动系统的促进作用
首先是体育运动对骨的影响：
1、促进骨骼的生长发育，经常进行体育活动，能促进血液循环加快，改善骨的营养供给及新陈代谢加强，从而促进骨的生长发育。
2、改善骨的结构与功能：研究发现：举重运动员的肱骨骨体横径较粗，骨体外侧壁明显增厚。跳跃运动员下肢骨明显增粗、骨壁明显增厚。
以举哑铃为实例，让学生思考，增加了最大收缩力与张力对运动效果的影响。（能够举起更重的哑铃，能够举更多的次数。）
人体运动特征 篇3
人体运动状态探测识别、分类在实际应用中具有重要的应用价值,比如在反恐行动中对恐怖分子或被挟持人员的状态分析,各种灾害现场搜救人员对被困人员状况的掌控,公共安全防护中异常行为人员的识别,以及伤员术后肢体恢复情况的评价等情况均需要时刻掌握人体运动状态[1,2]。生物雷达因其免受光线和探测角度影响可实现全天候穿透探测,逐渐成为探测技术研究热点。目前,针对连续波生物雷达在自由空间下对人体运动信号的探测与识别的研究已取得较大的进展[3,4],然而考虑在反恐行动、灾害搜救等实际穿墙探测环境下对穿透探测性能、抗干扰能力和信号质量的要求,本研究采用的步进频连续波(Stepped Frequency Continuous Wave,SFCW)超宽带生物雷达,其抗干扰能力强且具备较高的分辨率和穿透性,能够提供运动信号的距离信息,在后期识别中具有独特的优势。
在反恐行动和灾害搜救等实际场景中,包含身体各部分细微变化的细粒度运动出现频率最高,比如手势、原地跳跃,挥手、蹲下起立等。而对于此类细粒度运动,单纯依赖主体运动多普勒特征进行识别分类的方法将失效[5],而由四肢运动形成的微多普勒特征将成为最重要的识别信号。Chen等[6,7]指出除目标主体运动外,其目标各部件运动也存在各自的微多普勒特征,可以反映复杂人体结构运动特征,为目标细微运动分类(尤其是人体不同运动分类)提供了新思路[8,9]。同时,时频变换作为有效非平稳信号分析工具,可以将含有多频率组分的信号在时频域上的不同特征更加高效地体现出来,不仅能够区分粗粒度运动,更能较好地区分仅有细微差别的细粒性运动,为人体运动状态分析识别提供有效信息。目前,研究者们在自由空间下利用联合时频分布技术对除躯干运动外的各肢体(手臂和腿)运动形成的微多普勒特征进行分析,从而对挥手、走- 停- 走[10],摆单臂行走、双臂行走等有距离运动[4]进行识别分类。
在穿透探测中,由于穿墙回波信号衰减较大或者因目标离雷达较远而信号较弱时,微多普勒特征容易变得十分微弱,运动整体时频谱特征变得模糊,导致运动特征可识别度降低。Kim等[8,9]基于人体运动微多普勒时频谱特征值,利用智能识别算法对爬行、持枪行走等7 种运动状态进行识别分类,在自由空间下效果优异,但在穿墙条件下较近距离内运动信号微多普勒特征已急剧削弱,识别分类准确率变低。为此,针对运动幅度较大、非平稳、随机性强的人体运动信号,本研究提出了一种基于反权重系数人体运动超宽带雷达信号时间—频率谱综合距离累积方法。本方法对人体运动超宽带雷达信号不同距离单元上的不同频谱特征信息充分利用,以期使得人体细粒度运动微多普勒特征更加明显,为后期人体运动的有效特征提取和高效识别准确率奠定基础。
1 材料与方法
1.1 SFCW雷达实验平台
本研究基于双通道SFCW雷达系统,系统的主要技术指标:工作带宽0.5~3.5 GHz,发射机步进点数101~301(可调),发射机频率采样间隔30 MHz,最大发射功率10 d Bm,动态范围≥ 72 d B,AD精度≥ 12 bit,采样率为4 ms/ 次。天线系统采用1 发2 收天线阵,天线采用平面对数螺旋天线,发射天线与接收天线采用交叉极化,整个SFCW雷达采集系统,见图1(a)。
利用SFCW雷达穿墙探测人体运动场景,见图1(b),受试者位于实验室砖墙一侧,正对紧贴砖墙另一侧的雷达。采集数据时,每次仅有一位受试者位于砖墙一侧以自然状态执行特定动作,每个特定动作重复执行并持续20 s左右,雷达探测回波经后期软件采集得到原始离散信号。本研究分别在隔墙3 m处采集原地踏步、原地跳跃和蹲下捡物信号,然后分别在4、5、6 m处采集原地踏步信号。
1.2 基于不同距离累积方式的人体运动超宽带雷达信号时频分析方法
SFCW超宽带雷达因其具有距离分辨率可使人体运动各部位的距离信息变化在雷达回波时间- 距离图像上明显地表现出来。在超宽带雷达中,运动信号经过采样后得到sig(t),其表示处于一个相邻处理间隔(Coherent Processing Interval,CPI)的一个目标散射中心信号。在此CPI中,其假定目标运动维持在单个距离单元中,并且每个距离单元都得到一个信号,即可获得一系列信号{Sigil(t)}(i表示距离单元索引)。此时对单个距离单元信号进行时频变换是分析微多普勒特征的有效方法。文献[5]指出,如果目标在CPI中运动距离处于单个距离单元长度内,则此方法有效。若目标在CPI中运动距离超出单个距离单元长度,此时散射中心信号将分布于多个距离单元,此方法将失效。根据本系统参数和采样率参数,在CPI内,人体运动各散射中心运动均处于单个不同距离单元内。
原地踏步运动在SFCW雷达原始回波时间- 距离像上主要分布在1200~1500 点(图2(a))。对此单通道原始回波依次进行距离压缩、去背景和低通滤波(截止频率为60 Hz)等预处理,得到原地踏步SFCW雷达回波预处理信号(图2(b)),其运动起伏变化在图像上清晰可见。在对回波预处理信号进行时频分析时,不同距离单元信号的利用方式将对时频分析效果产生重要影响。在以往研究方法主要有优选一点法和有效距离平均法两种。
1.2.1 最优一点法和有效距离平均法
(1)最优一点法:在距离单元上取信号最优一点。通过在超宽带雷达时间距离像中选择最强或者信号特征代表性最优的距离单元信号sigbest,然后进行时频分析。本研究基于能量最强原则选择最优点。
(2)有效距离平均法:将有效运动特征范围内不同距离单元上部分信号叠加求平均,然后得到sigaverage,并对其进行时频分析。
以上两种方法常见于超宽带雷达人体呼吸心跳信号探测时,由于人体呼吸相对于体动幅度小、规律性强、平稳性好,取最优点并不会丢失过多信号特征。有效距离内多点信号合理平均时,合理个数距离单元平均后不易造成信号特征丢失,可以增强信号能量,提高信噪比。
1.2.2 基于反权重系数人体运动超宽带雷达信号时间-频率谱综合距离累积方法
对于人体原地踏步、跳跃等细粒度运动,根据其原始时间- 距离图可以发现:运动跨多距离单元,幅度大、非平稳、弱周期,运动人体各散射中心(各肢体结构)的运动将粗略地分布于不同的距离单元,从而对回波信号形成不同的频率调制。另外,超宽带雷达信号经过穿墙衰减之后,各组分微多普勒特征将被削弱,使得运动整体时频谱特征变得模糊,不利于人体运动状态分析识别。因此本研究提出基于反权重系数人体运动超宽带雷达信号时间- 频率谱综合距离累积方法,充分利用超宽带雷达信号不同距离单元上不同散射中心信号的时频信息,对人体运动信号微多普勒时频谱特征进行增强。首先,笔者需要得到联合距离- 时间- 频率分布(Joint-Range-Time-FrequencyRepresentation,JRTFR)[11],见图3。
通过对每个距离单元信号进行时频变换得到时间- 频率谱(Time-Frequency-Representation,TFR) 并将不同距离单元上的TFR按顺序聚集从而得到整个人体运动超宽带雷达信号在有效距离内的JRTFR立方体,三坐标轴分别表示距离、时间、频率,见图3。然后,将整个JRTFR沿距离轴对每个距离单元信号所得TFR按相应反权重系数进行距离累积。最终将得到整个运动信号综合距离累积时频分布(Comprehensive Distance Accumulation Time-Frequency Representation,CDATFR)。
本文基于增强由肢体运动所形成的微多普勒特征的目的,采用反权重系数对不同距离单元时频谱进行综合距离累积,反权重累积如公式(1) 所示:
其中 ωi表示不同距离单元TFR所对应的权重,si表示不同距离单元所得到的TFR,i=1...n,n表示运动信号TFR信号有效距离单元长度。
在选择权重系数 ω 时,本研究根据人体细粒度运动超宽带雷达信号独有特点而采用反权重系数进行距离累积。以图2 原地踏步信号为例,在原始雷达回波信号伪彩图的运动特征有效范围内,在距离轴方向上中间部分主要来源于散射面积较大的躯干运动和少量肢体运动,其能量较强。而在向其两侧能量逐渐减弱,主要来源于散射面积较小的肢体运动和逐渐减少的躯干运动,如手臂和腿的运动。当信号经过穿墙衰减或者因目标离雷达较远而信号较弱时,肢体造成的微多普勒将急剧衰减。为此,将能量值较弱的距离单元TFR赋予较大的权重而能量值较大的距离单元TFR赋予较小的权重,从而利用反权重系数 ω 增强由手臂、腿等肢体运动形成微多普勒特征。
2 结果
本研究采用短时傅里叶变换(STFT)对人体运动雷达信号进行时间- 频率谱分析,其中窗函数采用0.42 s的Hanning窗。本实验主要分为两部分:
(1)第一部分主要利用基于3 种距离累积方法的时频变换对相同距离处不同人体细粒度运动穿墙探测超宽带信号进行时间- 频率谱分析。以原地踏步、原地跳跃和蹲下捡物为例,其实验结果,见图4。
(2)第二部分主要利用基于3 种距离累积方法的时频变换对不同距离处相同人体细粒度运动穿墙探测超宽带信号进行时间- 频率谱分析,以原地踏步为例。实验结果,见图5。
图4(a) 表明取最优一点时频分析效果稍好但信号特征较弱。图4(b) 表明有效距离内信号平均法距离累积后再进行时频分析,效果最差。图4(c) 表明基于反权重综合距离累积时频谱效果最好,信号特征明显。
图5 分别为穿墙4 m、5 m、6 m处原地踏步运动信号基于三种距离累积方式条件下STFT时频谱。通过观察可以发现,在穿墙4 m处,距离平均法已经失效,所得时频谱微多普勒特征已急剧削弱,很难看出原地踏步运动变化特征。最优一点法效果优于距离平均法,在穿墙5 m处仍可以较为粗略的看出原地踏步运动的节律性变化,但此时由手臂和腿等肢体运动形成的高频微多普勒特征已极其微弱并且较为混乱模糊。而本文提出的综合距离累积时频变换方法性能优越。虽然与3 m处原地踏步动作时频谱图4(c) 相比,随着穿墙距离增加,部分能量较为微弱的肢体运动信号高频微多普勒特征已经被急剧削弱。但其在穿墙6 m处也能较好的表现出原地踏步运动的节律性变化,躯干运动多普勒特征和肢体运动微多普勒特征仍能明显区分,利于运动特征分析。因此,在较远距离穿墙情况下,运动信号微多普勒特征因衰减较大而较为微弱时,本方法优势十分明显。
3 讨论
第一部分实验结果中,对于原地踏步、原地跳跃、蹲下捡物3 种跨多个距离单元的大幅度、非平稳信号,人体各个肢体结构的散射中心将粗略地分布于不同的距离单元,因而不同距离单元信号将包含不同肢体的运动信息,并且相邻距离单元信号具有一定的相关性。若采用最优一点法,将丢失许多不同肢体结构所形成的微多普勒信息。若采用有效距离平均法,分布在不同距离单元内信号的正负值很容易相互抵消或者被改变从而导致运动特征被减弱或者被改变。然而采用本研究提出的综合距离累积时频变换方法则可以清楚的看出人体运动的节律性变化,并且由躯干运动形成的多普勒特征和肢体运动所形成的微多普勒特征也可以明显区分。如图4(c) 所示,由于在原地踏步、原地跳跃和蹲下捡物时,人体躯干运动频率较低但散射面积大、能量强,因此其在时频图中就主要分布在0~8 Hz以内,而手臂和腿等肢体运动速度快故瞬时频率高,因而在时频图中主要分布于8 Hz以上。另外,由于肢体运动在原地跳跃时比踏步时更加随机不规律,故而从原地跳跃时频谱中就可看出包含高频信息的微多普勒特征变化更加紊乱。
第二部分实验结果中,随着穿墙距离的增大,人体运动的高频微多普勒特征相对低频微多普勒特征衰减更快。这可能是因为距离增大,手臂等肢体相对躯干运动速度快、散射面积较小,其形成的高频微多普勒衰减更快并更容易淹没于随机无规律噪声和干扰中,因而更难在时频谱中表现出有规律的运动特征。
4 结论
本研究基于穿墙探测的需求选择SFCW雷达对人体细粒度运动进行穿透探测。针对人体运动超宽带雷达信号微多普勒特征容易由于穿墙探测或者距离增大而急剧衰减,从而不利于人体运动信号的有效分析和识别的问题,本研究提出了一种基于反权重系数综合距离累积时频变换方法。其充分利用人体运动SFCW超宽带雷达信号不同距离单元信息,在较好地保证信号特征完整性和原始性的基础上增强运动信号微多普勒特征。
在实验研究中,首先通过基于3 种距离累积方式的时频处理方法对同一穿墙距离处原地踏步、原地跳跃和蹲下捡物3 种穿墙超宽带雷达信号进行时频谱分析,结果表明本研究提出的综合距离累积时频变换方法针对人体细粒度运动信号处理效果优于目前常用的最优一点法和距离平均法,证明了此方法对不同运动信号的广泛适用性。另外,实验还通过基于3 种距离累积方式的时频处理方法对不同穿墙距离处的原地踏步穿墙超宽带雷达信号进行时频谱分析,结果表明综合距离累积时频变换方法在运动信号微多普勒特征因穿墙或距离增而削弱时,可以较好地增强微多普勒特征。
本研究提出的综合距离累积时频变换方法能够高效利用人体运动超宽带雷达信号距离信息,较大程度上合理增强运动信号中微多普勒特征,为穿墙探测或远距离探测条件下人体细粒度运动的有效分析和准确识别奠定了基础。在下一步研究中,希望对随着距离增大运动高频微多普勒特征削弱过快问题进行深入研究并提出相应的解决方法。
参考文献
[1]Fairchild DP,Narayanan RM.Micro-doppler radar classification of human motions under various training scenarios[C].SPIEDefense,Security,and Sensing.International Society for Optics and Photonics,2013:873407-873411.
[2]Bryan JD,Kwon J,Lee N,et al.Application of ultra-wide band radar for classification of human activities[J].IET Radar Sonar Navig,2012,6(3):172-179.
[3]Fairchild DP,Narayanan RM.Classification and modeling of human activities using empirical mode decomposition with S-band and millimeter-wave micro-Doppler radars[C].SPIEDefense,Security,and Sensing.International Society for Optics and Photonics,2012:83610X-15.
[4]Lyonnet B,Ioana C,Amin MG.Human gait classification using micro Doppler time-frequency signal representations[C].Radar Conference,2010 IEEE.IEEE,2010:915-919.
[5]Smith GE,Ahmad F,Amin MG.Micro-Doppler processing for ultra-wideband radar data[C].SPIE Defense,Security,and Sensing.International Society for Optics and Photonics,2012:83610L-83610L-10.
[6]Chen VC.Analysis of radar micro-Doppler with time-frequency transform[C].Statistical Signal and Array Processing,2000.Proceedings of the Tenth IEEE Workshop on.IEEE,2000:463-466.
[7]Chen VC,Li F,Ho SS,et al.Micro-Doppler effect in radar:phenomenon,model,and simulation study[J].IEEE T Aero Elec Sys,2006,42(1):2-21.
[8]Kim Y,Ling H.Human activity classification based on microDoppler signatures using an artificial neural network[C].Antennas and Propagation Society International Symposium,2008.AP-S 2008.IEEE.IEEE,2008:1-4.
[9]Kim Y,Ling H.Human activity classification based on microDoppler signatures using a support vector machine[J].IEEE TGeosci Remote S,2009,47(5):1328-1337.
[10]Lai CP,Ruan Q,Narayanan RM.Hilbert-Huang Transform(HHT)analysis of human activities using through-wall noise radar[C].Signals,Systems and Electronics,2007.ISSSE'07.International Symposium on.IEEE,2007:115-118.
运动人体科学概论试卷 篇4
高一年级
姓名：班级：得分：
一、填空题。（20分）
1、运动人体科学，它包括传统体育专业教育课程中的2、是人体结构和功能的基本单位。
3、人体的组织可分为四大类，即
4、物质代谢过程中常伴有能量的合成，转移和利用，称为
5、酶的主要成分是
6、成年人骨共有块，关节的三个基本要素是
7、骨的生长受体内外诸多因素如
8、躯干肌按部位可分为颈肌、胸肌和腹肌，大部分为体积较大的。
二、选择题。（32分）
1、各种蛋白质的元素组成都很接近都含有（）4种元素。A、C、H、O、SB、C、H、O、Ca
C、C、H、O、ND、O、Fe、Zn、Cu
2、人体是由许多（）构成的。
A、细胞B、蛋白质C、糖类D、水和无机盐
3、心脏是人体的（）
A、系统B、组织C、器官D、细胞
4、ATP是（）
A、腺苷二磷酸B、腺苷三磷酸C、甘油酸D、磷酸肌酸
5、人体的颅骨共有（）块。
A、28B、29C、30D、31
6、肌肉的生理特性是（）
A、伸展性与弹性 B、黏滞性C、兴奋性和收缩性D、活动性
7、关节的三要素是（）
A、关节头、关节唇、滑膜囊B、关节面、关节囊、关节腔C、关节韧带、关节面、关节唇D、关节囊、关节腔、滑膜襞
8、下列说法正确的是（）
A、肱二头肌位于上臂前面浅层，为梭形肌，有长短两个头。
B、肱二头肌位于大腿后外侧深层，为梭形肌，有长短两个头。C、肱三头肌，位于上臂后面，有两个头。
D、大收肌，位于大腿内侧深层，为最大的内收肌，呈条形。
三、名词解释。（20分）
1、系统：
2、消化：
3、3个基本平面和基本轴：
4、排泄：
5、物质代谢：
四、简答题：（28分）
1、简述体育锻炼对关节的影响？
2、什么是必须氨基酸，人体所需要的必须氨基酸有哪几种？
3、简述骨的生长及其影响因素。
基于层级化特征的人体动作识别 篇5
人体动作识别是计算机视觉领域的基础研究，它被广泛应用于视频内容检测、突发事件检测、患者动作康复等项目中，算法的有效应用可以很大程度上节省人力成本，提高工作效率。随着多媒体采集设备的大量普及，人体动作识别也面临的一些新的问题和挑战，从受限条件下简单动作的识别逐步发展为真实自然场景下复杂动作的识别。尤其是近年来，随着多视角摄像机和深度摄像机的普及，利用多模态信息来进行人体动作识别已经越来越流行。然而，由于人体外形的多样性、光照变化、遮挡等因素的干扰，人体动作识别仍然是一项具有挑战性的工作。
传统的动作识别方法中使用的人体特征可分为4类:基于颜色尺寸形状等的静态特征、基于光流的动态特征、时空特征和描述性特征。Carlsson等人[1]在视频中提取关键帧，通过该帧中人体姿态形状呈现的静态特征和已保存的动作原型之间进行匹配完成动作识别。Wang等人[2]利用密集光流特征描述视频内容，进一步利用运动边界直方图描述密集光流特征进行人体动作识别。Silvio等人[3]借助时空相关图将复杂的大范围时间信息转化为时空特征，获得更为丰富的人体动作描述来进行识别。Liu等[4]使用高级语义概念的描述性特征表征视频中的人体动作，构建了更具描述性的动作识别模型。这些方法均使用人体的整体特征来获取全局信息，然而当人体受到遮挡时，基于整个人体特征的识别方法很容易产生误判。
本文在此基础上提出了一种基于层级化特征的人体动作识别算法。在提取原始视频每帧图像中底层特征的基础上，依照人体骨架位置信息将时空兴趣点归类为不同人体区域，通过聚类获取层级化人体动作特征，最终利用隐条件随机场(Hidden Conditional Random Field,HCRF)为不同的动作训练检测模型，进行动作识别。
1 层级化特征提取
1.1 底层特征提取
本文使用Harris3D检测子[5]检测视频中每帧图像的时空兴趣点，并在每个时空兴趣点处提取梯度方向直方图(HOG)和光流方向直方图(HOF)特征，分别为72维和90维，将二者融合形成162维特征向量，得到视频帧图像的底层特征。
1.2 人体区域划分
根据Kinect深度摄像机获取的人体骨架点信息，可以得到原始视频中每一帧的人体骨架点位置信息，保留20个关键骨架点所对应的位置坐标(xzi,yzi)，其中i=1,2，…，20。如图1所示。
根据人体结构，可将人体分为头肩部、左胳膊、右胳膊、左腿部、右腿部、左脚和右脚7个部分[6]，对应图1中骨架点(xz3,yz3)、(xz10,yz10)、(xz6,yz6)、(xz18,yz18)、(xz14,yz14)、(xz19,yz19)、(xz15,yz15)分别作为这7个部分的参考中心，记为(ai,bi),i=1,2,3，…，7。利用公式(1)计算视频图像中每个时空兴趣点(xj,yj)与上述7个参考中心之间的最短欧式距离，即:
此时参考中心对应的人体区域标号n即为该时空兴趣点所在区域。从而将视频图像中所有时空兴趣点归类为头肩、左胳膊、右胳膊、左膝、右膝、左脚以及右脚等7个区域，分别标号为n=1,2,3,4,5,6,7。
接着将人体7个区域划分为三个层级，分别定义如下:
(1)高层:这一层精细表征了人体的各个部分，包括头肩、胳膊(左胳膊和右胳膊)、腿部(左腿和右腿)以及脚部(左脚和右脚)4个区域，每一个区域包括相应位置的所有特征点。
(2)中层:这一层较为粗略地表征了人体的各个部分，包含上部(头肩和胳膊)和下部(腿部部和脚部)两个区域，每一个区域包括相应位置的特征点。
(3)低层:这一层关注人体的全局特征，包含提取到的全部特征点。
1.3 层级化特征
在所划分的3个层级中，分别对每一区域所包含的底层特征进行K-means聚类[7]，设聚类中心为K个，则可得到K×162维的词典，最终生成3个层级共7个区域的词典。在每个区域中，将每段视频中连续的T帧作为一个时空动作单元，代表人体某一部分在一段时间内的特征。相邻两个时空动作单元的重叠帧数为T/2帧，则每个视频的所有时空动作单元可以组成一个具有一定长度的时空动作单元序列。将此动作单元序列中每个区域的所有底层特征和区域对应的词典输入到词袋(Bag of Words,BoW)模型[8]，输出BoW特征。对于任意人体动作数据集，第p个视频对应的第n个区域的BoW特征可以表示为fp=Kn×N,N为时空动作单元序列的长度，Kn为n区域设定的聚类中心数量，在此规定Kn≡K。
在高层、中层、低层中分别按照层级对应区域划分将每个视频的BoW特征进行前期融合，采用公式(2)直接进行特征融合，即:
得到每个视频对应层级内每一区域的融合特征Fp，从而生成每一视频的层级化特征。
2 模型训练
隐条件随机场[9]是一种具有隐状态变量的无向图概率模型，利用此模型可以挖掘动作表征与动作类型之间的隐含关系，得到更好的分类性能。本算法在获得层级化特征的基础上，使用此模型进行动作识别，模型的构建、学习和推断阐述如下。
2.1 隐条件随机场的模型构建
隐条件随机场概率模型如图2所示，对于任一观测序列X={Xi}ti=1，其序列标记为Y，定义条件概率模型如下:
根据隐条件随机场的图结构和人体动作的变化特性，定义其势函数为:
φ1(Xj,hj)表示观测节点与隐变量节点之间的关系;φ2(Y,hj)给出了隐变量节点与序列标记的关系，本方法中规定:当hj对应节点属于Y动作类型时，该势函数为1，否则为0;φ3(Y,hj,hk)表示隐变量节点间形成的边与序列标记间的关系，表示节点动作迁移与动作类别的关系，规定:当hj到hk的基元动作转变符合动作Y变化过程时，该势函数为1，否则为0。
2.2 隐条件随机场的模型学习和推断
若输入训练集合为{(Xi,Yi)}ni=1，通过公式(5)表征的目标函数学习参数θ*，即:
其中，n表示训练样本序列的总个数。使用维特比算法进行最优化，得到参数最优值:
在获得参数θ*的基础上，利用该模型进行人体动作识别，则对应观测序列X的所属类别的最佳估计为:
3 实验结果
3.1 实验数据集
实验采用TJU-MV数据集[10]，该数据集由Kinect录制的，帧率为20 FPS，分辨率为640×480，包含RGB图像序列及骨架信息，由20个人在亮、暗两个环境中录制完成，共发布了20个动作，对应动作编号如表1所示，同时给出各个动作的示例如图3所示。
TJU-MV数据集共包含800个视频，选取前10个人的动作作为训练集，共400段视频，用于模型学习;选取后10人的动作作为测试集，共400段视频，用于模型判断。
3.2 实验结果分析
为了验证层级化特征的有效性，实验设置如下:
(1)将低层对应的人体区域训练集的特征序列及其真实的标号输入到HCRF模型中进行学习，产生第一模型;将测试集的特征序列及其真实的标号输入到第一模型中进行判断，输出测试所得的第一动作标号;通过对比第一动作标号和测试集BoW特征真实的标号来判定动作识别是否正确，统计各个动作的识别准确率，计算该层平均动作识别准确率。
(2)将中层对应的两个人体区域中训练集的多层级BoW特征及其真实的标号输入到HCRF模型中进行学习，产生第二模型;将测试集的多层级BoW特征及其真实的标号输入到第二模型中进行判断，输出测试所得的第二动作标号;通过对比第二动作标号和测试集BoW特征真实的标号来判定动作识别是否正确，统计各个动作的识别准确率，计算该层平均动作识别准确率。
(3)将高层对应的四个人体区域中训练集的多层级BoW特征序列及其真实的标号输入到HCRF模型中进行学习，产生第三模型;将测试集的多层级BoW特征序列及其真实的标号输入到第三模型中进行判断，输出测试所得的第三动作标号;通过对比第三动作标号和测试集BoW特征真实的标号来判定动作识别是否正确，同样统计各个动作的识别准确率，计算该层平均动作识别准确率。
实验中改变K-means聚类中心K的大小(K分别取100、200、400)对识别准确率的提升没有显著影响，考虑实验用数据集的复杂程度，为了不增加算法计算量，设置K=100。进一步实验调整HCRF模型的两个参数:隐状态数s和时序窗口ω，得到性能最佳的HCRF模型，此时s=4，ω=1。接着按上述方法进行实验，分别统计各动作在不同层级中的识别准确率，绘制柱状图如图4所示，并计算各层级的平均动作识别准确率如表2所示。
由实验结果可知，在每个动作的识别中，高层借助层级化特征可以得到相对较高的动作识别准确率，中层的动作识别准确率次之，而使用底层特征的低层对动作的识别能力最差。在全部20个动作中，低层实验中仅有5个动作的识别准确率达到90%以上，而通过使用层级化特征，高层实验中有14个动作的识别准确率可以达到这一标准，从而可见层级化特征能够更好地描述人体动作，极大提高动作识别的准确率。计算不同层级实验中20个动作的平均识别准确率，由表2可知，高层平均识别准确率可达到90.22%，较之低层提高了7.17%，同样可以有力证明层级化特征的稳定性和有效性。
从与文献[11]实验结果的对比中可以看出，本文提出的算法整体性能要优于该文献中利用HCRF模型识别的算法，尤其是在a和b的动作识别中，效果尤为明显。a和b两个动作比较相似，但是a动作中人体臂膀的运动较b更加突出，如果提取动作的整体特征，那么臂膀的动作完全可以被整体的运动特征淹没而不得体现，但是本文提出的方法可以单独表现臂膀的动作，从而加大动作在特征空间上的区分力度，提高动作的识别率。
4 结束语
本文提出了一种基于层级化特征的人体动作识别方法。首先基于Harris3D检测算法从动作视频中提取人体动作的底层特征;接着根据人体结构对特征进行区域划分，依区域划分的精细程度得到高，中，低三层特征集合。利用词袋模型对特征点进行统计，使不同层级的特征映射到相同的特征维度空间。最后使用隐条件随机模型对人体动作进行训练和识别。通过实验证明层级化特征能够更加有效地表征剧烈变化的人体动作，稳定提升动作识别的准确率。
摘要：人体是非刚性物体,随着人体形状的变化,底层特征也会发生剧烈的改变,如何在剧烈变化的人体动作中发现其不变性是解决人体动作识别问题的关键。提出了一种基于层级化特征的人体动作识别算法。首先,基于Harris3D检测算法从动作视频中提取人体动作的底层特征;之后,根据人体结构对特征进行区域性的划分,并根据区域划分的精细程度得到高,中,低三层特征集合。利用词袋模型对特征点进行统计,使不同层级的特征映射到相同的特征维度空间。最后,使用隐条件随机模型对人体动作进行训练和识别。大量的实验结果也证明了层级化特征在人体动作识别上的稳定性。
关键词：层级化,视频底层特征,人体动作识别
参考文献
[1]CARLSSON C,CARLSSON S,SULLIVAN S.Action recognition by shape matching to key frames[C].Workshop on Models versus Exemplars in Computer Vision.2001,1:18.
[2]WANG H,KLASER A,SCHMID C,et al.Action recognition by dense trajectories[C].IEEE Conference on Computer Vision and Pattern Recognition.Colorado Springs,USA,2011:3169-3176.
[3]SAVARESE S,DELPOZO A,NIEBLES J C,et al.Spatial-temporal correlations for unsupervised action classification[C].Motion and video Computing,2008.WMVC 2008.IEEE Workshop on.IEEE,2008:1-8.
[4]LIU J G,BENJAMIN K,SILVIO S.Recognizing human actions by attributes[C].IEEE Conference on Computer Vision and Pattern Recognition.Colorado Springs,USA,2011:3337-3344.
[5]LAPTEV,T.LINDEBERG.Space-time interest points[C]∥ICCV’03,2003:432-439.
[6]NIE W Z,LIU A A,SU Y T.Single/Cross-Camera Multiple-Person Tracking by Graph Matching.Neurocomputing,2014.
[7]MACQUEEN J,LECAM L M,NEYMAN J.Some Methods of classification and Analysis of Multivariate Observations[C]∥Proc.5th Berkeley Symposium on Mathematical Statistics and Probability,1967.
[8]LIU A A,GAO Z,HAO T.Partwise Bag of Words-Based Multi-task Learning for Human Action Recognition.Electronics Letters,2013,49(13):803-804.
[9]LIU A A,SU Y T,et al.Coupled Hidden Conditional Random Fields for RGB-D Human Action Recognition[Z].Singal Processing,2014.
[10]LIU A A,SU Y T,JIA P P.Multipe/Single-View Human Action Recognition via Part-induced Multi-task Structural Learning[Z].IEEE Transactions on Cybernetics,2014.
基于特征点的人体模型变形 篇6
1 变形算法
1.1 FFD算法
FFD算法原理:首先,构造一个长方体框架即空间;然后,在此框架中嵌入物体;其次,对此框架的控制顶点施加外力使其变形。使用该方法物体的形状也随之改变,把此长方体框架叫做lattice控制框架[3]如图1。
从数学的角度看,物体变形可以是R3到R’3的一个映射关系即X=F(x),其定义域是物体变形前表面所包围的实体,其值域是物体变形后的实体[4],构造这样的一种映射就成为变形的关键。下面FFD算法的每个步骤中的数学模型[4]进行详细分析如下:
1)建立局部坐标系,构造能包围物体的控制框架X(s,t,u)=X0+s S+t T+u U
其中,局部坐标系的坐标轴由S,T,U三个轴矢量表示,X(s,t,u)是局部坐标系中的坐标。X0是局部坐标系的原点。由(1)式知,控制框架内任意一点的局部坐标均在0到1之间。
2)在控制框架上构造控制顶点Pi,j,k,沿局部坐标系的S,T,U三个方向用等距的平行截面将X0S,X0T和X0U等分为l,m和n个区间,故Pi,j,k,可表示为如下公式。
其中,i=0,1,…,l;j=0,1,…,m;k=0,1,…,n;
可用如下公式表示控制框架内任意一点的笛卡尔坐标X。
其中,Bi,m(s),Bj,n(t),Bk,l(u)称为m,n,l次伯恩斯坦(Bernstein)基函数(Bernstein Basis),如m=3,n=3,l=3则控制框架内任意一点的笛卡尔坐标X具体就表示为如下。
3)确立了物体与控制框架的相互关系后,就可以通过改变控制顶点Pi,j,k的位置得到控制框架新的控制顶点P’i,j,k的位置,并确定变形后的控制框架。假如局部坐标点X(s,t,u)是原控制框架内任意一点,则该点在变形后新控制框架内所对应的笛卡尔坐标X用如下公式确定。
在公式中,Bernstein多项式的系数就是控制顶点Pi,j,k,与Bezier曲线、曲面一样,物体变形与控制框架的控制顶点之间存在密切的关系。Bernstein多项式的一个特性是:改变控制顶点的位置将影响控制框架中整个空间的性质,所以控制框架中所有点的位置都将随之改变,这就迫使物体的形状也随之改变。
1.2 人脸比例关系算法
从通用的人脸到特定人脸需要进行两种变换:整体变换和局部变换[5]。脸部整体变换的目的是使通用人脸模型的脸形、五官的位置与特定人脸的脸形、五官的位置大致一致。脸部局部变换的目的是对人脸具体部位进行细微的修改,例如眼睛、鼻子、嘴巴等形状的微小调整。
1)脸部整体变换
在整体变换中需要把人脸分为三部分,设变换前人脸模型中心点为O(x0,y0,z0),变换后的中心点为Oˊ(x0ˊ,y0ˊ,z0ˊ)。对上半部分人脸采用下式(5)[5]:
对脸的中间部分采用如下式[5](6)进行修改。
对于下半部分脸采用如下式[5](7)修改。
其中,参数p,u,q1,q2,r1,r2,r3的定义如下图2
2)脸部局部变换
以人脸眼睛为例,设变换前的眼睛区域坐标为(x,y,z),变换后的坐标为(xˊ,yˊ,zˊ),则可以利用如下式(8)[5]实现对眼睛微小位置的移动和形状的改变。
其中,带入眼睛变换前后的三组特征点,解线性方程组就能得到参数a,b,c,d,e,f的值。此公式对人脸正面x,y方向和侧面z方向均有形状的修改,这样就能很好的反映人脸的信息,同理用该公式可以对人脸其它部位进行微小位置的修改。
2 人体特征点
2.1 人体躯干特征点
人的体型有高的、胖的、矮小的、又矮又胖的等等,这就造成了复杂的人体性。虽然人体体型的有较大的差异,但是也有对人体共同点的描述。常见的人体共同点的描述有:人体的三围尺寸,人体的腰围,人体的身高等等,因此把这些三围尺寸的围度叫做特征线,把这些特征线上有意义的点叫做特征点。实验中使用的人体主要特征点有:头顶点、肩点、乳点、脐点、会阴点、臀点、臀沟点、腰点、髋点等,如图3所示。
2.2 人体脸部特征点
在MPEG-4中特别定义了人脸动画参数即特征点,用这些特征点来刻画人脸复杂的表情,人脸模型和人脸纹理是用人脸定义参数来描述的。下图4定义了人脸模型上的32个特征点[56]。
实验所用到人体脸部特征点有,鼻尖点,鼻翼点,鼻基点,额头点,头顶点,嘴角点,上嘴皮点,下嘴皮点,内外眼角点,下巴点等。
3 人体模型变形实验结果
图5是DAZ 3D三维人体造型软件自带的标准人体模型,利用FFD算法实现人体腰部和大腿的变细如图6示,图7实现了臀部、大腿变粗并且改变了人体姿势。
图8是人脸的原始模型,利用人脸比例关系算法实现了人脸的变形如图9。
图10是个性化人体模型,该模型是对标准模型的脸部,腰部,臀部和大腿,小腿进行变形后的结果。
4 结论
实验实现了从通用人体模型到个性化人体模型的变形,对人体部位如身高,胸围,腰围,臀围,人脸的变形和人体简单姿势的改变。实验克服了使用FFD算法直接对人体模型的分组进行局部变形时,人体模型组与组之间出现了裂缝问题。使用增量值实现了变形过渡性问题。
参考文献
[1]Sederberg T W,Parry S R.Free-Form Deformation of Solid Geometric Models[J].Computer Graphics,1986,20(4):151-158.
[2]Coquillart S.Extended free-form deformation:Asculpturing tools for 3Dgeometric modeling[J].Computer Graphics,1990,24(4):187-196.
[3]Hsu W M,Hughes J F,Kaufman H.Direct Manipulation of free-form deformation[J].Computer Graphics,1992,26(4):177-184.
[4]朱心雄.自由曲线曲面造型技术[M].科学出版社,2000:236-243.
[5]晏洁.从一般人脸模型到特定人脸模型的修改[J].计算机工程与科学,1997,19(2):21-23.
[6]晏洁,高文.基于一般人脸模型修改的特定人脸合成技术[J].计算机辅助设计与图形学学报,1999,11(5).
[7]邓为燕.基于用户照片和神经网络的三维个性化人体建模方法研究[D].杭州:浙江大学,2008:20-31,113.
基于运动捕获数据的人体运动融合 篇7
运动捕获数据能够体现人体运动的细节特征,生成高逼真度的人体动画。因此运动捕获数据在计算机动画和游戏开发等领域得到了广泛的应用。捕获数据是针对特定运动捕获生成的一次性数据,当需要的运动类型发生变化时,就需要重新捕获一次,成本非常高。为此,研究人员开始寻求在已有的捕获数据基础上,生成更多样更复杂的新运动的方法。在这样的背景下,以运动捕获数据重用为目的的运动编辑技术应运而生。运动编辑技术包括运动变形、运动重定向、运动连接、运动融合等。其中运动融合主要研究以多个已有的捕获数据为输入,生成一段新的运动数据。例如将几段不同类型的行走运动融合成一段新的行走运动,根据融合权值的不同,这段运动体现出的行走姿势也不同,进而产生出多样性的行走运动。
我们基于文献[1]中注册曲线的思想进行运动融合,注册曲线解决了不同运动之间、路径和约束条件的差别问题,扩展了可以用于融合的运动集合。运动融合的前提是假设进行融合的多个输入运动是逻辑相似的运动,如多个行走运动。已知的运动信息包括每帧根节点位置、所有关节朝向和约束标注。
注册曲线由时间对齐曲线,坐标对齐曲线,约束处理三个内容构成。时间对齐曲线给出了时间轴上多段运动的运动特征相似的帧间对应关系;坐标对齐曲线根据时间对齐曲线的对应关系,计算出对应帧之间位置和朝向的变换集合;输入运动的约束可能是不同的,约束的数目也可能是不同的,并且在原始运动融合后,原有的约束条件可能不再适合新的运动,因此需要进行约束处理,赋予融合运动正确的约束条件。
1运动融合方法概述
运动融合主要研究以多个已有的捕获数据为输入,通过数据处理生成一段新的运动数据。对实例运动数据进行参数化处理和约束计算,建立一条时间对齐曲线S(u),基于S(u)建立坐标对齐曲线A(u),基于S(u)和A(u)进行姿势融合,最后进行约束处理。约束处理是根据时间对齐曲线S(u)将所有实例运动的约束条件对齐到一个统一的时间轴,进行重合判断和删除操作以及分割处理。运动融合过程如图1所示,整个过程分为预计算和实时计算两个阶段。预计算包括运动参数化、约束计算及标注;实时计算包括时间对齐,坐标对齐,姿势融合和约束处理。
2 运动融合过程
2.1 时间对齐
运动捕获数据是一个时间序列,由于参与融合的多个运动序列的时间长度可能不同,所以需要进行时间对齐。DTW(Dynamic Time Warping)是一种时变数据序列对齐方法。采用DTW寻找一个最佳的时间规整路径,满足运动序列在时间上的匹配需求,路径上的每个点体现了一对帧之间的对应关系[2],整个路径就体现了几个输入运动之间的对应关系。基于DTW算法进行时间对齐,通过构造距离矩阵来计算时间对齐曲线。
设运动序列P和Q,长度为m和n,分别表示为:
P=p1,p2,p3,……,pm;
Q= q1,q2,q3,……,qn。
每帧具有J个关节点,采用“点云”[3]方式表示运动姿态,用窗口距离代替单帧距离构造了m×n的距离矩阵D=(D(Pi,Qj))i∈[1:m],j∈[1:n]。
基于矩阵D采用DTW算法得到一条最优归整路径w,定义了P和Q之间的映射关系(见图2),得到时间对齐曲线S(u)。
注:(A)表示P和Q的距离矩阵及其路径w, (B)表示P和Q的对应关系。
2.2 坐标对齐
如果用于融合的输入运动的空间位置和朝向差异过大,即使非常相似的运动发生在同一帧,融合也可能失败,因此要将输入运动的坐标对齐到一个近似接近的位置。利用捕获运动具有平移和旋转不变性进行整体对齐,即运动序列整体沿水平面方向平移和绕竖直方向旋转,运动序列各姿态不变,使这些运动序列的整体坐标位置差异最小。
建立一条坐标对齐曲线A(u),针对S(u)曲线上每一点所对应的各帧给出一系列变换集合。以两个运动为例,设两段运动序列的坐标对齐曲线A(u)=(A1(u),A2(u)),A1(u)是两段运动序列之间整体对齐变换,A2(u)是针对S(u)曲线上的每个点对应的两帧之间的局部对齐变换。
A1(u)是针对两段运动的一个整体对齐变换,已知P和Q关节点位置分别为pk和p′k,关节点权值为wk,其中pk=(xk,yk,zk) ∈R3,p′k=(x′k,y′k,z′k) ∈R3,定义窗口长度为2L+1,即提取P的[i-L:i+L]帧和Q的[j-L:j+L]帧运动数据,从而确定每帧的“点云”由K=J(2L+1)个点组成。对齐P和Q坐标位置的对齐变换矩阵Tθ,x0,z0由式(1)计算。
当式(1)为0得到最优解为
Tθ,x0,z0表示一个绕y轴旋转θ,在xz面平移(x0,z0)的线性变换,对齐了两个运动序列整体坐标位置(见图3)。
A2(u)则是针对时间对齐曲线的帧帧对应关系,得到S(u)曲线的每一个点对应的两帧空间朝向角度和位置的差值集合A2(ui)={θi,xi,zi},其中(i=1,2,…,h)。例如经过A1(u)对齐,P和Q的S(u)曲线上的点u1对应的两帧之间差值为A2 (u1)={θ1,x1,z1}(见图4)。其它帧同理。
2.3 姿势融合
对于S(u)曲线上每一点所对应的各帧进行姿势融合,生成融合帧。姿势融合包括位置融合和旋转融合。各段运动序列每一帧根结点的位置融合通过加权平均算法[3]实现。由于旋转空间的非线性特征以及欧拉角存在 “万向节死锁”的特点,旋转融合不能直接应用线性插值方法,因此对于根节点的朝向和其他关节的角度,我们采用基于单位四元数的旋转融合方法。
2.3.1 根节点的位置融合
根据时间对齐曲线确定的起始点,从对齐后的n段运动数据中提取出对应的根节点的位置信息矩阵P1,P2,…,Pn,对应运动的融合权值为w1,w2,…,wn,进行加权平均运算得到融合后的根节点位置矩阵T为:
T=w1P1+ w1P1+…+ wnPn (5)
式(5)中w1+w2+…+wn=1。
2.3.2 关节旋转角的融合
运动捕获数据中各个关节的运动是以子节点绕其上级父节点的欧拉角表示,但是用欧拉角描述运动数据有以下问题:
1) 旋转矩阵不可交换,欧拉角旋转一定要按某个特定的顺序进行;
2) 等量的欧拉角不一定引起等量的旋转变化,旋转的不均匀性;
3) 特定条件下自由度的丧失,即万向节死锁(Gimal Lock)。
因为欧拉角上述缺点,就不适用直接进行权值插值运算而得到新的姿态,这就需要将欧拉角对应的方向向量映射到对应的线性空间,然后再做运动融合,最后再映射回欧拉角对应的方向向量。首先需要将欧拉角转化为四元数,再将四元数映射到对应的线性向量空间做运动融合。我们用四元数q1,q2, ,…,qn分别表示是n个运动姿态的同一个关节的旋转信息,根据文献[5]中的方法求得参考向量q*,进行关节旋转的四元数线性融合过程如下:
(1) 给定q*,通过对数映射,将每个实例的方向qi变换为它对应的位移向量vi,即
v=lg(q-1*q),i=1,2,…,n (6)
(2) 我们融合vi,即
(3) 通过指数映射q= q*exp(v),将v恢复到原来的向量空间即得到q。
插值后再将四元数矩阵变换为欧拉角矩阵,与前面得到的位置矩阵T组成完整的运动数据。
2.4 约束处理
对于每个输入运动都可以计算约束条件[4],多段运动数据实现融合,经过根节点的线性变换和关节角的非线性变换产生新的运动数据,而原始的约束条件可能不再满足这个新的运动数据,需要进行约束处理。将每个输入运动的约束条件在同一坐标系下对齐,保留重合约束条件,删除完全不重合的约束条件,跨度长的约束条件分割为几个短的约束片段参与重合判断。调整后的约束条件将作为新的运动的约束条件加以标注。约束处理过程如图5所示。
3 实验结果及分析
本文采用Matlab实现了运动融合算法,实验数据来源于卡内基梅隆大学图形学实验室提供的免费运动捕捉数据库(http://mocap.cs.cmu.edu)。我们以两段行走运动数据的融合为例,其中,P为472帧Q为465帧。
首先利用DTW算法得到对应的距离矩阵和时间对齐曲线(见图6)。
注:图6为两个“走”运动构造的距离矩阵,矩阵中的红线为DTW路径,图中颜色越浅表示帧间距离值越小,运动相关性越强。
然后进行坐标对齐。首先将P和Q的运动数据,代入上述公式(2)—式(4),得到Tθ,x0,z0=[ 0.492 4 0.011 9 -1.171 0],为A1(u)。我们以两帧对齐为例来说明后续的操作。取时间对齐曲线上第2点,即P和Q的第2帧坐标对齐操作为例,取P和Q的第2帧根节点位置和朝向分别为P2和Q2,其中,P2=[ 1.241 1 17.268 0 -26.743 0 -3.845 3 -5.125 4 0.382 3];Q2=[ 11.715 4 17.933 8 -21.263 5 -0.475 9 -3.435 4 2.123 8]。以P为参考运动,A1(u)对齐后,Q′2= Q2Tθ,x0,z0,(θ2,x2,z2)为Q′2与P2之间的差值,则A2(u)对齐后,Q″2= Q2Tθ,x0,z0(θ2,x2,z2)。经过以上操作,P2和Q2的根节点位置和朝向实现对齐,可进行子节点的姿势融合,利用2.3节方法进行姿势融合。其它帧同理。
P和Q的约束集合中的一段踝关节约束C1_ankle,C2_ankle对应到同一个时间轴,判断约束之间的重合关系,根据2.4的约束处理方式,生成Cnew_ankle这段约束作为这段运动的约束(见图7)。
图8(A)显示的为两段输入运动,(B)显示的为的两种行走融合后的效果。
4 结论
基于注册曲线可以将给定的几段运动片段融合生产一个新的运动片段,还可以调整融合权值,达到生成多种人体运动的目的。本文借助注册曲线的优点,使融合结果更加符合原始运动的特性,同时利用欧拉角和四元数转换容易的特点,将四元数应用到人体动画运动融合中,减少了插值带来的误差。实践表明,最终生成的运动整体连续、自然。这种方法不仅可以用于三维动画制作,也可以和运动学、动力学等方法相结合用于虚拟人运动控制方面。我们的方法目前还没有考虑保持虚拟角色身体平衡等物理约束,在后续的融合实验中将结合这些物理因素。
参考文献
[1] Kovar L,Gleicher M.Flexible automatic motion blending with regis-tration curves.Proceedings of the 2003 ACM SIGGRAPH/Eurograph-ics symposium on Computer animation,San Diego,California,2003:July 26—27
[2] Kovar L, Gleicher M. Automated extraction and parameterization of motions in large data sets. ACM SIGGRAPH,2004 Papers, 2004:559—568
[3] Kovar L.Automated methods for data-driven synthesis of realistic andcontrollable human motion.USA:University of Wisconsin at Madi-son,2004:1—163
[4] Bindiganavale R, Badler N. Motion abstraction and mapping with spatial constraints. In:Modeling and Motion Capture Techinques for Virtual Environments, CAPTECH'98,November 1998:70—82
基于三个特征点的人体跌倒检测 篇8
关键词：跌倒检测,智能监控,人体骨架提取,人体部位识别
老年人意外跌倒一直是当今社会医疗保健的重要问题。据统计, 在全球超过65岁的老年人中, 每年有近30%的人会发生意外跌倒事件[1]。在我国, 根据2010年第六次人口普查发现, “60岁以上”老年人口占总人口的比重达到了13.26%, “65岁及以上”老年人口则达到了8.87%。随着全国人口老龄化问题的加剧, 老年人因跌倒而受到意外伤害的情况越来越受到重视。在家里, 如果老年人发生跌倒并且不能及时得到救援, 就会发生一系列后续症状更严重者甚至会威胁到老人生命。鉴于此, 近年来跌倒检测系统的开发已倍受关注, 该类系统会在跌倒发生后及时检测并发出求救, 以便救援人员能够及时赶到从而避免跌倒产生的后续伤害。
现阶段已投入商业化的跌倒检测系统多为“佩戴式”系统[2], 最主要的是基于压力传感器[3]和重力加速传感器[4]两大类, 该系统需要老年人一直将其佩戴在身上或者放入口袋中。这些佩戴式系统一般是基于重力加速传感器或者通过手动按下求助按钮来检测跌倒状态。然而, 老人往往会忘记佩戴它们, 而在跌倒发生后, 通常会伴随着晕厥, 这样求助按钮也失去作用。
计算机视觉技术为此带来了新的解决方案。基于计算机视觉的跌倒检测系统无需老年人的佩戴[5], 减少了对老年人日常生活的影响。现有的基于视频处理的跌倒检测方法依然存在着很多不足, 主要体现在检测的实时性和误报率高两个方面。目前基于视频图像处理的跌倒检测算法主要有两个: (1) 基于人体姿势的跌倒检测系统[6], 是利用了人体从站立到跌倒的过程中姿势的剧烈变化进行检测的。优点是准确度更高, 因为它是以整个人体的动作变化来判断是否发生跌倒的。缺点是如果使用该方法判断, 尤其是三维人体姿势判断, 需要巨大的计算量, 且该系统的制作复杂, 成本较高。 (2) 基于头部运动的跌倒检测系统[7], 是利用了人在跌倒时头部的垂直方向上运动速度会高于水平方向运动速度作为判据依据, 并结合重心或者头与地面的关系来进行判断。其优点是相比整个身体, 头部图像更容易提取, 运动轨迹与跌倒的相关性更高, 计算量更小, 缺点是相比于人体姿势的检测, 在准确度上有所欠缺。此方法实现还需要使用深度摄像头, 成本较高, 且限制了它的推广。
1 实现方法
本文通过提取与人体跌倒相关的头部、腹部、小腿三个关键的特征点, 利用这些点在摄像头前景平面上投影点的相对位置变化, 来检测跌倒事件的发生。该方法主要分为四个步骤:人体轮廓提取、人体星形骨架提取、特征点识别和人体姿态分析。通过网络摄像头与电脑或服务器进行无线连接来进行实时的分析和报警。
2 特征点检测
2.1 图像预处理
运用网络摄像头拍摄到被检测者日常生活影像, 通过无线网络实时地将数据到电脑。首先需对采集到的数据进行采样和压缩。采样率可以根据需求手动设置, 本文选取1帧/秒的采样率。截取视频图像后, 将图像分辨率压缩到640×480像素。
摄像机照相机等视频图像采集设备在摄入视频图像的同时会产生热噪声, 环境噪声以及传输系统的噪声等, 这些噪声严重影响视频检测的准确性。对此, 我们用维纳滤波去除噪声。
2.2 人体轮廓提取
对预处理后的图像进行差分运算[8], 用下列公式对图像阈值化处理, 将图像转化成2值图像。
其中阈值T取值区间为 (0, 255) , 它的取值决定了目标识别的准确度, 此值大小根据所需的家庭环境来具体设置。F (i, j) 表示输入图像序列, G (i, j) 表示背景图像序列。ΔT为动态阈值.它是根据图像的光线变化动态改变的。其中M×N是图像人小。最后开闭运算去除空洞点。用canny算子提取人体轮廓。
2.3 人体星形骨架提取
2.3.1 人体质心提取
使用人体星形骨架方法[9]的描述, 求出人体质心, 设定其坐标为C0= (Cx, Cy) , 其中Cx=ΣxΣyρ (x, y) x, Cy=ΣxΣyρ (x, y) y。ρ (x, y) 是密度函数, 在人体轮廓里的点ρ (x, y) =1;在轮廓外的点ρ (x, y) =0,
2.3.2 肢端点提取
沿轮廓逆时针八领域搜索轮廓点, 并计算轮廓与人体重心C0的距离d:
于是轮廓点上形成的距离函数:g (x) =di。g (x) 的五个极大值点即为人体的肢端点, 对应头部与四肢, 求出5个骨架节点后, 这5个节点与重心分别构成5个向量A= (a, b, c, d, e) 。
这5个个向量A= (a, b, c, d, e) 即代表了单帧图像的人体骨架信息。
2.4 特征点提取
采用apar (anti parallel line) 来描述构成人体区域的子区域[10], apa定义为一个细长的区域。人体可由多个apar区域组成。通过对人体区域的轮廓特征分析, 人体的apar之间通常由轮廓线上的特征拐点分隔, 且每个apar由连接特征拐点间的线段围成。通过求特征拐点, 确定apar区域, 本文只需求识别小腿、头部两个部位。
小腿的宽度一般在0.1H左右, 故定义该apar块隶属于小腿类的隶属度函数为f1 (w) ;隶属度曲线如图所示 (w1=0.05, w2=0.1, w3=0.125, w4=0.175, w5=0.0625) 。头部长宽比一般小于1.4, 根据人体区域划分过程中检测到的apar块的长宽比r, 得到该apar块隶属于头部的隶属度函数为f2 (r) 。
确定了头部和小腿的apar位置后, 利用本文求取人体质心的算
3 跌倒判断
1) 站立活动:p值0.9至1.2之间, θ1值变化较大, 但多数时间大于60°, θ2值为90°, 变化很少, 若θ1、θ2值急剧减小到15°以下, 判断为可能跌倒。
2) 坐下活动:p值1.5至2.2之间, θ1值变化较大, 但多数时间大于60°, θ2值为40°, 变化很少, 若θ1值急剧减小到15°以下, 判断可能为跌倒。
3) 下蹲活动:p值2.5至3.5之间, 70°≤θ1≤90°, 变化较大, θ2值为90°变化较小, 若θ1、θ2值急剧减小到15°以下, 判断可能为跌倒。
在得出可能跌倒后一分钟内没有恢复, 则被确定为跌倒事件, 并发送警报信息。
4 实验及结果分析
在实验中, 3名受测者穿戴护膝等保护器具, 捆绑沙袋, 模仿老年人行动缓慢的身体状态, 进行行走, 上下楼, 坐立, 起蹲等日常生活。分别模仿在以上的日常生活状态下的跌倒事件, 如向前、向后跌倒, 坐着跌倒, 下蹲时跌倒。共进行了30次实验, 检测失败2次, 实验结果如表1所示。失败组受测者跌倒方向与摄像头方向完全一致, 使得跌倒前后p、θ1、θ2值均未发生变化。
5 结束语
本文介绍了一种面向家庭看护的基于人体三个特征点的跌倒检测方法, 该方法通过人体轮廓提取, 星形骨架提取, 人体部位识别等步骤求出特征点和特征向量, 由特征点的相对位置变化和特征向量与水平面的夹角实现目标的跌倒检测。该方法简单易行, 所需硬件成本较低。通过设计比较完备的实验, 从特征选取、摄像头的安装方式和环境影响等多方面对所提出的跌倒检测方法进行性能检验, 得到93.3%跌倒检测率, 并且对正常活动的误报率不到10%, 成功率很高, 表明该方法具有一定的实用性, 为今后的实际应用奠定了基础。
参考文献
[1]J.M.Hausdorff, D.A.Rios, and H.K.Edelber.Gait variability and fall risk in community-living older adults:a1-year prospective study[J].Archives of Physical Medicine and Rehabilitation, 2001, 82 (8) :1050-1056.
[2]J.Willems, G.Debard, B.Bonroy, B.Vanrumste, T.Goedemé.How to detect human fall in video An overview[C]//International Conference on Positioning and Context-Awareness.Antwerp Belgium, May, 2009, in press.
[3]石欣, 熊庆宇, 雷璐宁.基于压力传感器的跌倒检测系统研究[J].仪器仪表学报, 2010 (3) :715-720.
[4]李冬, 粱山.基于加速度传感器的老年人跌倒检测装置设计[J].传感器与微系统.2008, 27 (9) :85-88+.
[5]A.Williams, D.Ganesan, and A.Hanson.Aging in place:fall detection and localization in adistributed smart camera network[C]//Proceedings of the 15th international conference on Multimedia.2007:892-901.
[6]J.Tao, M.Turjo, M.F.Wong, M.Wang, and Y.P.Tan.Fall incidents detection for intelligent video surveillance[C]//Proc.IEEE Int.Conf.Commu.and Signal Processing.2005:1590-1594.
[7]杨帆, 谢靖, 等.基于头部运动轨迹和3D视觉的跌倒检测系统[J].现代电子技术, 2012 (2) .
[8]Y.T.Chen, Y.C.Lin, and W.H.Fang.A hybrid human fall detection scheme[C]//Proceedings of 2010 IEEE 17th International Conference on Image Processing.2010:3485-3488.
[9]赵海勇, 刘志镜, 张浩.基于模板匹配的人体日常行为识别[J].湖南大学学报, 2011, 38 (02) :88-92.
衡阳市人体舒适度变化特征分析 篇9
1 资料和方法
采用衡阳市气象台站1970~2010年逐日平均气温、平均相对湿度、平均风速等资料。人体舒适度指数有很多种算法, 本文根据湖南省地方标准人体舒适度指数计算公式, K为人体舒适度指数, 其中t为平均气温, f为相对湿度, v为风速。对人体舒适度指数划分等级见表1。
2 衡阳人体舒适度分析
2.1 概况
从1970~2010年年均舒适度统计结果 (表2~3) 看, 衡阳的舒适度等级集中分布在正负二级之间, 三级较少, 无正负四级出现。
2.2 年变化趋势
计算衡阳每年各级人体舒适度日数, 得到衡阳舒适度日数变化图 (图1) 。可以看出, 近41a很冷日数表现为明显下降趋势, 平均每5a减少约12.28d, 尤其在20世纪90年代中期以后, 很冷日数比以前明显减少;冷日数在80年代中期以后有所增加, 90年代中期以后明显减少;微冷日数、较舒服日数 (人体舒适度指数为零级和正负一级) 变化不大;舒服 (零级) 日数90年代期后呈增加趋势;较舒服日数 (人体舒适度指数为一级-负一级) 90年代中期后呈增加趋势。
计算表明, 衡阳人体舒适度达热等级 (正三级) 的站平均日数很少, 1991年最多, 为12d, 1994年、1998年、2000年、1981年分别达到了10、7d、7d、6d, 其他年份都少于5d, 有9a未出现热日数。近41a, 衡阳未出现舒适度达负四级的日数, 说明衡阳冬天较为温暖。
以上分析表明, 近49a区域气候变暖对衡阳人体舒适程度的影响总体是有利的, 主要表现在舒适日数增加, 冷不舒适日数减少。
2.3 年代际变化
为进一步分析衡阳人体舒适指数的年代际差异, 计算了人体舒适度的年代际平均值和标准差 (表4) 。比较而言, 2001~2010年是相对最舒适的时段。20世纪70年代开始, 舒适日数较多, 而80年代到2010年开始增加, 冷不舒适日数明显减少, 到2001年后舒适日数增幅明显加大, 但标准差增加, 说明气候变暖在带来更多的舒适日数的同时, 也使得年际变幅增大。比较很冷日数 (60<K≤70) 发现2000年以后人体舒适日子明显增多了, 增加了10d还多。而比较很冷日数 (20<K≤40) 发现, 在90年代和10年代, 很冷日数数基本相同;很冷日数比60年代减少了10d左右, 下降幅度较大。比较冷日数 (40<K≤50) 发现, 冷日数91~00年代增加幅度较多, 增加了6d左右, 说明冬季冷不舒适程度下降;2000年以后冷日数 (40<K≤50) 比80年代和90年代减少明显, 冷日数明显减少, 减少了14d。很冷和冷的日数的年代际变化明显, 舒适的日子明显增多。
2.4 季节变化
分析衡阳人体舒适度的季节变化。冬季很冷日数呈下降趋势, 速率为4.3d/10a, 舒适日数呈上升趋势, 增加速率达3.4d/10a, 表明冷不舒适程度减轻。春季舒适日数呈相反趋势, 舒适日数在增加, 而冷日数在减少, 其速率均为2.8d/10a, 表明春季舒适程度增加。夏季和秋季的舒适度日数变化不明显。这与衡阳冬季的增温幅度较大的气候变暖趋势一致。
3 结论与讨论
(1) 近41a区域气候变暖对衡阳人体舒适程度的影响总体是有利的, 主要表现在舒适日数增加, 很冷日数减少。
(2) 近41a中, 2001~2010年代是相对最舒适的时段。20世纪70年代开始, 舒适日数开始增加, 冷不舒适日数明显减少;80年代和90年代, 冷不舒适日数基本相同, 冬季冷不舒适程度下降。
(3) 衡阳冬季很冷日数呈下降趋势, 冷日数呈上升趋势, 冷不舒适程度下降。春季舒适日数增加。夏季和秋季的舒适度日数变化不明显。
(4) 人体舒适度不仅直接影响城市中各类人群的日常生活、疾病和健康, 也直接影响生产企业和商业销售的效率和收益、交通流量和事故率、野外作业和施工的适宜度等, 深入研究气候变化对人体舒适度的影响, 将具有重要的意义。
参考文献
[1]张庆阳.IPCC第4次气候变化评估报告要点[J].气象科技, 2007, 35 (2) :235.
[2]李栋梁, 吴洪宝, 章基嘉.中国夏季月平均气温异常研究[J].高原气象, 1995, 14 (2) :165~175.
[3]吴兑.多种人体舒适度预报公式讨论[J].气象科技, 2003, 31 (6) :370~372.
【人体运动特征】相关文章：
运动人体跟踪05-31
运动人体科学应用论文04-18
北体运动人体科学专业04-25
运动人体专业论文题目05-05
运动人体科学应用论文提纲11-15
体育理论课人体和运动03-10
运动人体科学实验教学论文04-25
运动人体科学与科学实验论文04-28
浅析运动人体科学实验室建设的创新点09-11