一种基于骨骼运动相位的攀爬作业评估方法及装置制造方法及图纸

本发明专利技术公开了一种基于骨骼运动相位的攀爬作业评估方法及装置，其中所述方法包括：获得人体运动骨骼数据；对人体运动骨骼数据进行关节点运动状态自动化标签策略处理，获得关节点运动状态自动化标签结果；进行骨骼运动相位的计算处理，获得骨骼运动相位的计算结果；将骨骼运动相位的计算结果输入训练收敛的攀爬特征提取模型中进行攀爬特征提取处理，获得攀爬提取特征；基于攀爬提取特征进行计算并记录攀爬动作频率，形成手脚关节点的动作模式，并基于动作模式进行攀爬作业评估。在本发明专利技术实施例中，可以有效提升对对攀爬作业行为的安全意识培养和规范管理，大大提高攀爬作业人员的安全意识和攀爬作业规范等级。全意识和攀爬作业规范等级。全意识和攀爬作业规范等级。

【技术实现步骤摘要】
一种基于骨骼运动相位的攀爬作业评估方法及装置


[0001]本专利技术涉及计算机视觉
，尤其涉及一种基于骨骼运动相位的攀爬作业评估方法及装置。

技术介绍

[0002]在施工作业现场，作业工人的不安全作业行为是事故发生的主要风险因素，数据表明施工现场超过88％的事故发生跟人的不安全行为相关，其中从高处跌落时常发生在攀爬作业过程中造成大量的伤亡事故案例，攀爬作业流程的不规范、攀爬行为动作的不规范等是造成安全隐患的重要原因，因此对工人的攀爬作业行为管理对保证施工安全具有重要意义。
[0003]在传统的施工现场管理方法，是依靠施工现场的安全管理员基于观察的方法，这种方法能够直观的得到作业人员作业行为规范的反馈并直接进行修正，但是存在着现场管理人员通过观看作业人来评估其行为规范及潜在风险时，依赖于管理人员的主观判断和专业知识水平，并且长时间的观察现场十分消耗时间精力，容易因疲劳导致出错。

技术实现思路

[0004]本专利技术的目的在于克服现有技术的不足，本专利技术提供了一种基于骨骼运动相位的攀爬作业评估方法及装置，通过自动化、智能化攀爬作业评估，，可以有效提升对对攀爬作业行为的安全意识培养和规范管理，大大提高攀爬作业人员的安全意识和攀爬作业规范等级。
[0005]为了解决上述技术问题，本专利技术实施例提供了一种基于骨骼运动相位的攀爬作业评估方法，所述方法包括：
[0006]基于人体动态捕捉器或相机传感器获取动作图片并进行深度学习的方式获得人体运动骨骼数据；
[0007]对所述人体运动骨骼数据进行关节点运动状态自动化标签策略处理，获得关节点运动状态自动化标签结果；
[0008]基于所述关节点运动状态自动化标签结果进行骨骼运动相位的计算处理，获得骨骼运动相位的计算结果；
[0009]将所述骨骼运动相位的计算结果输入训练收敛的攀爬特征提取模型中进行攀爬特征提取处理，获得攀爬提取特征；
[0010]基于所述攀爬提取特征进行计算并记录攀爬动作频率，形成手脚关节点的动作模式，并基于所述动作模式进行攀爬作业评估。
[0011]可选的，所述关节点运动状态自动化标签策略处理的数学公式表示如下：
[0012][0013]其中，表示人体运动骨骼数据k在第i帧的位置；表示人体运动骨骼数据k在第i
‑
1帧的位置；ΔT表示表示两个位姿估计器检测之间的时间间隔；v
min
表示根据图像分辨率调整的初级条件的阈值参数的最小值；v
max
表示根据图像分辨率调整的初级条件的阈值参数的最大值；表示人体运动骨骼数据k在第i帧的关节点运动状态自动化标签结果；N表示帧的数量；d
min
表示根据N帧窗口调整的次要条件阈值。
[0014]可选的，所述基于所述关节点运动状态自动化标签结果进行骨骼运动相位的计算处理，获得骨骼运动相位的计算结果，包括：
[0015]基于所述关节点运动状态自动化标签结果对原始运动状态函数进行归一化处理，获得归一化运动状态数据；
[0016]基于巴特沃斯低通滤波器对归一化运动状态数据进行滤波处理，获得滤波结果；
[0017]对所述滤波结果进行曲线拟合处理，并基于曲线拟合结果进行骨骼运动相位的计算处理，获得骨骼运动相位的计算结果。
[0018]可选的，所述基于巴特沃斯低通滤波器对归一化运动状态数据进行滤波处理的公式如下：
[0019][0020]其中，表示巴特沃斯低通滤波器，Z表示巴特沃斯低通滤波器的阶数，其中Z取值为3；wn表示与截止频率有关的参数，截止频率是根据香农
‑
奈奎斯特采样定理计算获得；G(i)表示i帧数据的低通滤波结果；Y表示原始运动状态标签数据归一化后的结果。
[0021]可选的，所述对所述滤波结果进行曲线拟合处理，包括：
[0022]基于正弦函数对所述滤波结果进行曲线拟合处理；
[0023]其中，曲线拟合处理的公式如下：
[0024]Ω(F
i
)＝a
i
·
sin(f
i
·
i+s
i
)+b
i
；
[0025]其中，F
i
表示目标函数，将F
i
参数化，即可得到F
i
＝(a
i
，f
i
，s
i
，b
i
)，i为索引帧，此曲线拟合的过程是在每帧i的N帧窗口内最小化以下均方根误差损失：
[0026][0027][0028]其中，φ
i
表示任意骨骼关节点的第i帧出的运动相位，用于反映周期性运动的阶段；f
i
表示骨骼运动的频率；a
i
表示优化后的拟合振幅参数；s
i
为初相值参数；b
i
为偏距参数；N为窗口宽度；t为在第i帧为中心宽为N的窗口内的时间索引；G(t)为对应t时刻的巴特沃斯低通滤波处理后的结果值。
[0029]可选的，所述基于曲线拟合结果进行骨骼运动相位的计算处理，包括：
[0030]在骨骼是静止时，运动阶段为不确定情况，即将优化后的拟合振幅参数a
i
组合起来，生成一个更新运动相位如下：
[0031]P
i
＝S1(a
i
)
·
φ
i
[0032][0033]其中，S1(.)表示左边a
min
，右边a
max
的平滑函数；当骨骼不运动时，振幅参数调制的运动相位变为零；φ
i
表示任意骨骼关节点的第i帧出的运动相位，用于反映周期性运动的阶段；P
i
表示更新运动相位。
[0034]可选的，所述攀爬特征提取模型的训练过程包括：
[0035]将历史数据划分为训练数据和测试数据，其中训练数据与测试数据的比例为9∶1，所述历史数据包括骨骼运动相位和所述骨骼运动相位对应的攀爬提取特征；
[0036]将所述训练数据输入所述攀爬特征提取模型中进行训练，获得训练后的攀爬特征提取模型；
[0037]将所述测试数据输入训练后的攀爬特征提取模型中进行测试，获得测试结果；
[0038]基于所述测试结果判断训练后的攀爬特征提取模型是否收敛，若收敛则获得训练收敛的攀爬特征提取模型；
[0039]若不收敛，则基于反向传播算法对训练后的攀爬特征提取模型的所有层的节点参数进行更新，并返回重新训练，直至收敛为止。
[0040]可选的，所述基于所述攀爬提取特征进行计算并记录攀爬动作频率，形成手脚关节点的动作模式，包括：
[0041]基于所述攀爬提取特征进行攀爬动作的相位计算处理，获得攀爬动作的相位计算结果；
[0042]基于所述攀爬动作的相位计算结果记录攀爬动作频率，形成手脚关节点的动作模式。本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于骨骼运动相位的攀爬作业评估方法，其特征在于，所述方法包括：基于人体动态捕捉器或相机传感器获取动作图片并进行深度学习的方式获得人体运动骨骼数据；对所述人体运动骨骼数据进行关节点运动状态自动化标签策略处理，获得关节点运动状态自动化标签结果；基于所述关节点运动状态自动化标签结果进行骨骼运动相位的计算处理，获得骨骼运动相位的计算结果；将所述骨骼运动相位的计算结果输入训练收敛的攀爬特征提取模型中进行攀爬特征提取处理，获得攀爬提取特征；基于所述攀爬提取特征进行计算并记录攀爬动作频率，形成手脚关节点的动作模式，并基于所述动作模式进行攀爬作业评估。2.根据权利要求1所述的攀爬作业评估方法，其特征在于，所述关节点运动状态自动化标签策略处理的数学公式表示如下：其中，表示人体运动骨骼数据k在第i帧的位置；表示人体运动骨骼数据k在第i
‑
1帧的位置；ΔT表示表示两个位姿估计器检测之间的时间间隔；v
min
表示根据图像分辨率调整的初级条件的阈值参数的最小值；v
max
表示根据图像分辨率调整的初级条件的阈值参数的最大值；表示人体运动骨骼数据k在第i帧的关节点运动状态自动化标签结果；N表示帧的数量；表示根据N帧窗口调整的次要条件阈值。3.根据权利要求1所述的攀爬作业评估方法，其特征在于，所述基于所述关节点运动状态自动化标签结果进行骨骼运动相位的计算处理，获得骨骼运动相位的计算结果，包括：基于所述关节点运动状态自动化标签结果对原始运动状态函数进行归一化处理，获得归一化运动状态数据；基于巴特沃斯低通滤波器对归一化运动状态数据进行滤波处理，获得滤波结果；对所述滤波结果进行曲线拟合处理，并基于曲线拟合结果进行骨骼运动相位的计算处理，获得骨骼运动相位的计算结果。4.根据权利要求3所述的攀爬作业评估方法，其特征在于，所述基于巴特沃斯低通滤波器对归一化运动状态数据进行滤波处理的公式如下：其中，表示巴特沃斯低通滤波器，Z表示巴特沃斯低通滤波器的阶数，其中Z取值为3；w
n
表示与截止频率有关的参数，截止频率是根据香农
‑
奈奎斯特采样定理计算获得；G(i)表示i帧数据的低通滤波结果；Y表示原始运动状态标签数据归一化后的结果。5.根据权利要求3所述的攀爬作业评估方法，其特征在于，所述对所述滤波结果进行曲线拟合处理，包括：
基于正弦函数对所述滤波结果进行曲线拟合处理；其中，曲线拟合处理的公式如下：Ω(F
i
)＝a
i
·
sin(f
i
·
i+s
i
)+b
i
；其中，F
i
表示目标函数，将F
i
参数化，即可得到F
i
＝(a
i
，f
i
，s
i
，b
i
)，i为索引帧，此曲线拟合的过程是在每帧i的N帧窗口内最小化以下均方根误差损失：合的过程是在每帧i的N帧窗口内最小化以下均方根误差损失：其中，φ
i
表...

【专利技术属性】
技术研发人员：陈再励，吴立，焦泽昱，何华刚，王楠，雷欢，吴亮生，钟震宇，
申请(专利权)人：中国地质大学武汉，
类型：发明
国别省市：