一种基于计算机视觉的老龄人身体姿态数据分析方法技术

本文提出了一种基于计算机视觉的老龄人身体姿态数据分析方法。首先，通过LW

【技术实现步骤摘要】
一种基于计算机视觉的老龄人身体姿态数据分析方法


[0001]本专利技术主要涉及数据科学与大数据分析技术，具体涉及一种基于计算机视觉的老龄人身体姿态数据分析方法。

技术介绍

[0002]身体姿态检测问题自2014年提出后就成为了一个热门的话题。以往的身体信息都是依赖可穿戴式的带有传感器设备捕获的，这样的设备只能提取某个方面身体信息，例如运动速度，心率，体温等等。但是可穿戴设备具有很大的局限性，一般都是一对一的穿戴，并且设备价格比较昂贵，许多人尤其是老人觉得嫌麻烦，因此也不愿意佩戴。姿态问题的研究为许多问题带来了极大的方便，只需一台相机设备，就可以完成人机交互。我们人眼可以观测到许多信息，并从中进行分析获取数据，同样的，计算机要想获取关于这个世界的信息，也需要借助一定的媒介：摄像头。
[0003]以往为了在监控视频中区分步行、奔跑以及闲逛等不同的人体运动状态，提出了首先基于块的背景提取方法获取背景图像，使用基于RGB的运动检测方法，再进行阴影检测去除背景，从而检测出运动对象，最后，将覆盖运动对象的最小矩形区域(动态区域)的时间信号用作特征，对时间信号进行离散傅里叶变换后，可以根据获得信号的最大幅度以及相应的频率对运动目标的运动状态做出判断。所提出的方法的思想是由于检测到的目标面积随不同类型运动而变化，比如：运动对象在跑步和走路过程中，运动的时间变化是不同的，因此对象区域的时间变化可以用于老人运动速度分析，信号的幅度越大，频率越高，代表速度越快，运动对象可能正在跑步，反之速度越慢。
[0004]也有基于关节点提取的老年人跌倒检测算法，为了提高检测率，输入视频帧，采用yolo检测识别老年人体所在位置，将检测到的老人图像位置信息传入OpenPose关键点检测，当关节点信息特征被提取后，就需要对这些关节点信息进行分类，判断图像帧中人体的运动状态，分为：正常、跌倒、平躺、其他四类运动状态。采用SVM分类器对获取到的关节点信息进行分类，用概率表示每个状态发生的可能性，取概率值最大的表示当前老人的运动状态。

技术实现思路

[0005]本专利技术的目的在于提出一种基于计算机视觉的老龄人身体姿态数据分析方法，通过对关键点数据进行进一步的数据分析和特征挖掘后，再进行深一步的建模，从而提高对老龄人运动速度估计和平衡能力判断的准确性。
[0006]本专利技术的技术方案如下：
[0007]步骤1，使用LW OpenPose框架对视频帧进行人体关键点提取，获得每一帧目标图像的关键点坐标位置。
[0008]步骤2，对2D环境下人物的位置进行判断，获取人物深度信息，通过头部关节点的融合与四肢关节点的约简。
[0009]步骤3，定义并计算“关节点动能”表征人体运动速度E
i,t
＝k1V
i,t2
。
[0010]步骤4，通过定义的E，对跌倒数据集的静态数据计算E
all
，进行数据正态化分布处理后，统计分析，选取数据集缓慢总关节点动能的25％分位数作为缓慢阈值。
[0011]步骤5，将步骤3和步骤4的结果相对比，如果E
all
<threshold，则判断为运动缓慢，否则运动正常。
[0012]我们假设数据服从正态分布，根据3个标准差经验法则，去除大于总关节点动能大于μ+3σ的异常数据。
[0013]步骤6，定义并计算“关节点势能”表征人体各个部位的相对于参照点脖子的相对位置EG
i,t
＝k2(Y
i,t
‑
Y
neck,t
)。
[0014]步骤7，继续挖掘运动能力参数：运动匀称性，运动速度，θ1；θ2。
[0015]对跌倒数据集进行数据标注，我们默认从开始跌倒至结束跌倒过程为动态不平衡状态，跌倒在地上的状态为静态不平衡，因此在不平衡状态下用0标注，正常平衡状态下的视频帧用1标注。
[0016]步骤8，将步骤7挖掘到的运动能力参数作为特征输入训练模型。模型训练过程中，采用网格搜索法对模型自动进行交叉验证，通过调节不同的参数来得出不同的评分结果，最终通过不同的对比实验选择效果最佳的模型以及模型参数。
[0017]最终，通过输入视频帧，就可以获取老龄人的运动速度状态与身体平衡状态的结果输出。
附图说明
[0018]读者在参照附图阅读了本专利技术的具体实施方式以后，将会更清楚地了解本专利技术的各个方面。其中，
[0019]图1为本专利技术基于LW OpenPose的老龄人身体姿态数据分析的整体方法流程图；
[0020]图2为本专利技术对老人运动速度缓慢估计的具体实施过程图；
[0021]图3为本专利技术的身体姿态特征抽取和约简图；
[0022]图4为最终模型平衡能力效果在不同场景下的结果对比图。
具体实施方式
[0023]步骤1，使用LW OpenPose框架对视频帧进行读取，并获取人体18个关键点坐标数据。
[0024]步骤2，判断2D环境下人物的位置，获取人物深度信息，通过头部关节点的融合与四肢关节点的约简。
[0025]人物深度信息获取坐标：
[0026]头部关键点融合坐标：
[0027]我们对视频中人物处于不同位置情况下的x
r
，y
r
取值不同，当无脚踝时对脖子位置进行判断，当脖子的y坐标分别位于0～50，50～100，100～150，150～200像素时，x
r
，y
r
的取值分别为(9.27，21.4)，(6.6，20.2)，(4.7，19.1)，(3.36，18)；当有脚踝时，脚踝的y坐标分别位于0～50，50～100，100～150，150～200像素时，x
r
，y
r
的取值分别为(3.2，14.4)，(2.2，9)，(1.5，6)，(1，3.5)。
[0028]步骤3，根据定义的关节点动能计算总关节动能表征人体运动速度
[0029][0030][0031]步骤4，对步骤3中得到的计算公式应用于跌倒数据集的跌倒视频帧，进行统计分析得到数据分布。
[0032]步骤5，假设数据服从正态化分布，根据3σ准则，剔除异常数据。数据呈现正态化分布后，选取25％分位数作为缓慢阈值＝0.3，当E
all
<0.3时，人体则判断为运动缓慢。
[0033]步骤6，定义并计算“关节点势能”表征人体各个部位的相对于参照点脖子的相对位置。
[0034]EG
i,t
＝k2(Y
i,t
‑
Y
nec+,t
)。
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(5)
[0035]其中k2＝0.1,i＝(k
r_sho
,k
r_elb
,k
r_wri...

【技术保护点】

【技术特征摘要】
1.一种基于计算机视觉的老龄人身体姿态数据分析方法，其特征在于：对关键点数据进行进一步的数据分析和特征挖掘后，再进行深一步的建模时，进行以下步骤，步骤1，使用LW OpenPose框架对视频帧进行人体关键点提取，获得每一帧目标图像的关键点坐标位置。步骤2，对2D环境下人物的位置进行判断，获取人物深度信息，通过头部关节点的融合与四肢关节点的约简。步骤3，定义并计算“关节点动能”E
i，t
表征人体运动速度。步骤4，通过定义的E，对跌倒数据集的静态数据计算E
all
，进行数据正态化分布处理后，统计分析，选取数据集缓慢总关节点动能的25％分位数作为缓慢阈值。步骤5，将步骤3和步骤4的结果相对比，如果E
all
＜threshold，则判断为运动缓慢，否则运动正常。步骤6，定义并计算“关节点势能”EG
i，t
表征人体各个部位的相对于参照点脖子的相对位置。步骤7，继续挖掘运动能力参数：运动匀称性、运动速度，并标注数据集。步骤8，将步骤7挖掘到的运动能力参数作为特征输入训练模型。模型训练过程中，采用网格搜索法对模型自动进行交叉验证，通过调节不同的参数来得出不同的评分结果，通过不同的对比实验选择效果最佳的模型以及模型参数。最终，通过输入视频帧，就可以获取老龄人的运动速度状态与身体平衡状态的结果输出。2.根据权利要求1所述的基于计算机视觉的老龄人身体姿态数据分析方法，其特征在于：步骤3所述的“关节点动能”来源于物理学概念中物体由于运动而具有的能量，叫做动能。则为了定量表示人体运动速度，对于经过深度处理和关节点约简以后，我们对筛选后的关节点计算每一个关节点动能E
i，t
＝k1V
i，t2
，其中k1＝0.001，i∈(k
head
，k
neck
，k
r_sho
，k
l_sho
，k
r_hip
，k
r_knee
，k
r_ank
，k
l_hip...

【专利技术属性】
技术研发人员：袁玉波，宋家璞，
申请(专利权)人：华东理工大学，
类型：发明
国别省市：