CN103632133A - 人体姿态识别方法 - Google Patents

人体姿态识别方法 Download PDF

Info

Publication number
CN103632133A
CN103632133A CN201310413403.4A CN201310413403A CN103632133A CN 103632133 A CN103632133 A CN 103632133A CN 201310413403 A CN201310413403 A CN 201310413403A CN 103632133 A CN103632133 A CN 103632133A
Authority
CN
China
Prior art keywords
wireless sensor
human body
accelerometer
sensor node
axis
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN201310413403.4A
Other languages
English (en)
Other versions
CN103632133B (zh
Inventor
黄亦辰
李瑞祥
施伟斌
范坤坤
余家宝
吕涛
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
University of Shanghai for Science and Technology
Original Assignee
University of Shanghai for Science and Technology
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by University of Shanghai for Science and Technology filed Critical University of Shanghai for Science and Technology
Priority to CN201310413403.4A priority Critical patent/CN103632133B/zh
Publication of CN103632133A publication Critical patent/CN103632133A/zh
Application granted granted Critical
Publication of CN103632133B publication Critical patent/CN103632133B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Landscapes

  • Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)

Abstract

本发明涉及一种基于无线传感器网络(Wireless sensor network，简称WSN)的人体姿态识别方法。通过本发明方法，监控对象24小时在任何场地、任何环境下的日常活动都能被监控，其特征是，具有：用于采集绑定在监控对象身上的加速度a的三轴加速度计；用于收集三轴加速度计的数据的无线传感器节点(简称WSN)；用于接收WSN所收集到的数据的数据中心；通过WSN节点采集的加速度计的数据，再无线传送到数据中心，最终通过分析数据中心的加速度a的倾斜角度来识别当前人体的实时姿态。

Description

人体姿态识别方法
技术领域
一种基于无线传感器网络的人体姿态的识别方法。 
背景技术
目前，人体姿态识别的方法大多都是利用摄像头采集视频图像，再将采集的视频图像数据传输到上位机或控制芯片，利用不同的算法进行实时分析判别人体姿态。随着研究的深入，图像处理算法识别程度也日趋成熟，并且视频图像处理方法实时性好，视频能长时间记录，供相关人员历史查看。但采用如上识别人体姿态的方法时存在很多局限性，如下： 
1)摄像头采集视频图像时受光线影响，成像效果不好对后续的图像识别算法有很严重的影响。 
2)摄像头采集人体姿态时，存在隐私问题，在特殊情况下，不能采用该方法来识别。 
3)视频图像采集人体姿态时，对摄像头的要求较高，需要高清晰度、高分辨率等，才能满足后续的图像处理，成本较高。 
4)视频图像采集受到摄像头固定安置位置的影响，对人体姿态的采集有区域的局限性，且不能全方位识别人体的姿态，存在一定的死角。 
以这些问题都是视频图像处理无法避免的，且严重制约了采集准确人体姿态方法的发展，例如在医疗监护或独居老人的看护情况下，需要实时、准确、大范围的监控。 
视频监控的成本无疑相当昂贵，实时性也不是很好，医生或家人依据视频图像做出的判断会有很大的误差。 
发明内容
1)针对以上问题，本发明提供了一种基于无线传感器网络 
(Wireless sensor network，简称WSN)的人体姿态识别的方法。其特征在于，包括以下步骤： 
步骤1，将设置有加速度计的无线传感器节点绑定在监控对象身上； 
步骤2，所述无线传感器节点将所述加速度计采集的加速度a传输到无线传感器网络(WSN)； 
步骤3，所述无线传感器网络(WSN)将收集到的各个所述无线传感器节点所采集的所述加速度a的信息输送到数据中心； 
步骤4，所述数据中心通过分析所述加速度a的倾斜角度来识别当前人体的实时姿态。 
作为本识别方法的实施形态，其特征是：将包含有三轴加速度计的两个无线传感器节点A和B分别绑定在监控对象的小腿外侧和大腿外侧，定义捆绑在小腿上的传感器节点为A，捆绑在大腿上的传感器节点为B，每个无线传感器节点上设置一个三轴加速度计。三轴加速度计始终受到重力影响，在X、Y、Z轴上的合力为加速度a，该无线传感器节点用于收集三轴加速度计的加速度a，将所收集的数据传送到数据中心，数据中心通过分析三轴加速度计的加速度a的倾斜角度来识别当前人体的实施形态，其中加速度a是矢量，既有大小也有方 向。 
发明作用与效果： 
本发明的技术方案为：一种基于无线传感器网络的人体姿态识别方法，采用两个无线传感器节点分别捆绑在监控对象的小腿外侧和大腿外侧，每个无线传感器节点上都设置有一个三轴加速度计，由于三轴加速度计始终受到重力影响，存在三轴合力为一个加速度a，通过绑定在监控对象身上的加速度计所采集的加速度a的倾斜角度，从而来判别监控对象的姿态。本发明的有益效果在于：本发明基于无线传感器网络的人体姿态识别方法，可以应用在医疗辅助监控、独居老人监护等场景下，不受时间、地点、环境的影响，可以识别人体的日常运动。例如：站立、行走、上楼梯、下楼梯、跑、坐、躺等。还可以识别人体的特殊情况发生，例如：摔倒。无线传感器节点成本低，应用广泛，有很高的经济效益，通过配合其他传感器还可以广泛用于一些大型应用中。 
附图说明
图1是本发明在实施例中所采用的无线传感器节点的主视图； 
图2是本发明在实施例中所采用的无线传感器节点的俯视图； 
图3是本发明在实施例中所采用的无线传感器节点在监控对象站姿时的立体图； 
图4是本发明在实施例中所采用的无线传感器节点在监控对象坐姿时的立体图； 
图5是本发明在实施例中所采用的无线传感器节点在监控对象平躺 时的立体图； 
图6是本发明在实施例中所采用的无线传感器节点在监控对象走路时X轴加速度值变化图； 
图7是本发明在实施例中所采用的无线传感器节点在监控对象走路时Y轴加速度值变化图； 
图8是本发明在实施例中所采用的无线传感器节点在监控对象走路以及跑步时的3轴加速度矢量和方差。 
图9是本发明在实施例中所采用的无线传感器节点在监控对象水平走路、上楼、下楼和水平走路这一过程中Y轴的速度变化图； 
图10是本发明在实施例中所采用的无线传感器节点在监控对象水平走路、上楼、下楼和水平走路这一过程中Y轴的位移变化图； 
具体实施方式：
下面结合附图对本发明进行详细说明。 
如图1和图2分别是本发明在实施例中采用的无线传感器节点的主视图和俯视图，图中的小圆圈只是一个方向标识，无其他特殊含义。每个无线传感器节点都设置有一个三轴加速度计，方向定义如图所示(方向可以随意定义，必须满足右手定则即可)。以下均按图中的方向定义进行分析。 
首先要做节点静止状态的初始化矫正，将两个节点按主视图方向分别捆绑在人体的小腿和大腿外侧，使Y轴方向上加速度计受到重力影响值为(-g)，而加速度计的X轴和Z轴暂时不受任何力的影响值 为(0g)。这样根据数值的不同组合即可得到人体的各种姿态。首先定义捆绑在小腿上的无线传感器节点为A，捆绑在大腿上的无线传感器节点为B。分析如下： 
1)如图3所示，此状态下，A，B加速度计受到重力影响，A、B加速度计Y轴数值为(-g)，X轴和Z轴均为(0g)，数据中心根据此信号可以判断监控对象的实时姿态是静止站立。 
2)如图4所示，此状态下，A，B加速度计受到重力影响，A加速度计的Y轴数值为(-g)，X轴和Z轴均为(0g)；B加速度计的X轴数值为(-g)，Y轴和Z轴均为(0g)。数据中心根据此信号可以判断监控对象的实时姿态是静止坐。 
3)如图5所示，此状态下，A，B加速度计均受到重力影响，A、B加速度计Y轴方向始终与地面平行不受重力影响，而A、B加速度计X、Z轴方向始终有一个相等(AX＝BX，AZ＝BZ)且合力为(g)。数据中心根据此信号可以判断监控对象的实时姿态是水平躺。 
4)如图6和图7所示，此状态下，A，B加速度计受到重力影响。A、B加速度计竖直Y轴方向受人体加速向上抬脚、减速落地迈步的力而有一个围绕(-g)上下正负的浮动值。水平X轴方向受人体加速向前迈步、减速落地的力而有一个围绕(0g)上下正负的浮动值。根据浮动值极值的出现记录步数，通过时间的记录可以计算出行走的速度。Z轴不受力的影响值为0。数据中心根据此信号可以判断监控对象的实时姿态是水平行走。 
5)如图8所示，水平跑步和水平行走的区别在于，受重力影响的 g分力在X、Y轴方向上的大小不同，跑步时由于大腿抬得较高，B加速度计的X轴方向会分压到更多的力，因此可以通过设置阈值来判别跑步和行走，阈值可以根据三轴加速度矢量和方差的大小来设置。数据中心根据此信号可以判断监控对象的实时姿态是水平行走或者是水平跑步。 
6)如图9所示，与水平方向行走类似，可以根据X、Y轴的值的浮动测算行走速度。但上下楼梯和水平走的区别在于，下楼梯时Y轴的速度比水平走快；上楼梯时Y轴的速度比水平走慢，并且水平走时Y轴不会出现负值。如图10所示，Y轴加速度的2次积分表明三轴加速度计在Y轴上的位移，上楼时Y轴上的位移是正值，下楼时Y轴上位移是负值。数据中心根据此信号可以判断监控对象的实时姿态是水平行走或者是上楼梯还是下楼梯。 
7)摔倒。摔倒是一个特殊姿态，其效果和躺下相同。但其前向动作通常为站立、行走、跑步或上下楼，而躺下的前向动作通常为坐。因此可以通过前向动作的区别来判别摔倒和水平躺。 
通过以上分析，可以利用捆绑在人体小腿和大腿上的两个无线传感器节点，每个无线传感器节点上都设置有一个三轴加速度计，将无线传感器所采集的数据通过无线传感器网络(WSN)的方式发送到数据中心，对数据进行匹配分析即可判别人体的各种姿态。以上对日常最常见的7种姿态举例进行了比较和分析。但本发明并不以此为限，还可以在不超出本发明的要点的范围内进行适当变更。 

Claims (4)

1.一种人体姿态的识别方法，其特征在于，包括以下步骤：
步骤1，将设置有加速度计的无线传感器节点绑定在监控对象身上；
步骤2，所述无线传感器节点将所述加速度计采集的加速度a传输到无线传感器网络(WSN)；
步骤3，所述无线传感器网络(WSN)将收集到的各个所述无线传感器节点所采集的所述加速度a的信息输送到数据中心；
步骤4，所述数据中心通过分析所述加速度a的倾斜角度来识别当前人体的实时姿态。
2.根据权利要求1所述的人体姿态的识别方法，其特征在于，
所述无线传感器节点是捆绑在所述监控对象的大腿外侧和小腿外侧的装置。
3.根据权利要求1所述的人体姿态的识别方法，其特征在于，
所述加速度计是被设置在所述无线传感器(WSN)节点上的X，Y，Z方向的三轴加速度计。
4.根据权利要求1所述的人体姿态的识别方法，其特征在于，
所述无线传感器网络(WSN)是由无线传感器节点组成的网络。
CN201310413403.4A 2012-10-25 2013-09-11 人体姿态识别方法 Expired - Fee Related CN103632133B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201310413403.4A CN103632133B (zh) 2012-10-25 2013-09-11 人体姿态识别方法

Applications Claiming Priority (4)

Application Number Priority Date Filing Date Title
CN201210411447 2012-10-25
CN201210411447.9 2012-10-25
CN2012104114479 2012-10-25
CN201310413403.4A CN103632133B (zh) 2012-10-25 2013-09-11 人体姿态识别方法

Publications (2)

Publication Number Publication Date
CN103632133A true CN103632133A (zh) 2014-03-12
CN103632133B CN103632133B (zh) 2017-05-24

Family

ID=50213162

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201310413403.4A Expired - Fee Related CN103632133B (zh) 2012-10-25 2013-09-11 人体姿态识别方法

Country Status (1)

Country Link
CN (1) CN103632133B (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108818534A (zh) * 2018-07-04 2018-11-16 广东猪兼强互联网科技有限公司 一种多功能健身辅助机器人
CN110236896A (zh) * 2019-06-25 2019-09-17 北京金山安全软件有限公司 一种行走辅助方法、装置及可移动设备
CN110345901A (zh) * 2019-06-28 2019-10-18 西安医学院 一种尾部悬吊大鼠的悬吊角度检测与控制系统
CN111241983A (zh) * 2020-01-07 2020-06-05 北京海益同展信息科技有限公司 一种姿势检测方法、装置、系统、电子设备及存储介质
CN112568899A (zh) * 2019-09-30 2021-03-30 深圳市荣盛智能装备有限公司 一种人员姿态判断方法和系统

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5943044A (en) * 1996-08-05 1999-08-24 Interlink Electronics Force sensing semiconductive touchpad
US20090265671A1 (en) * 2008-04-21 2009-10-22 Invensense Mobile devices with motion gesture recognition

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108818534A (zh) * 2018-07-04 2018-11-16 广东猪兼强互联网科技有限公司 一种多功能健身辅助机器人
CN110236896A (zh) * 2019-06-25 2019-09-17 北京金山安全软件有限公司 一种行走辅助方法、装置及可移动设备
CN110236896B (zh) * 2019-06-25 2021-06-18 北京金山安全软件有限公司 一种行走辅助方法、装置及可移动设备
CN110345901A (zh) * 2019-06-28 2019-10-18 西安医学院 一种尾部悬吊大鼠的悬吊角度检测与控制系统
CN112568899A (zh) * 2019-09-30 2021-03-30 深圳市荣盛智能装备有限公司 一种人员姿态判断方法和系统
CN111241983A (zh) * 2020-01-07 2020-06-05 北京海益同展信息科技有限公司 一种姿势检测方法、装置、系统、电子设备及存储介质
CN111241983B (zh) * 2020-01-07 2023-09-26 京东科技信息技术有限公司 一种姿势检测方法、装置、系统、电子设备及存储介质

Also Published As

Publication number Publication date
CN103632133B (zh) 2017-05-24

Similar Documents

Publication Publication Date Title
CN110916679B (zh) 一种人体下肢位姿步态检测装置及方法
CN103961109B (zh) 基于加速度信号和角速度信号的人体姿态检测装置
CN104146712B (zh) 穿戴式足底压力检测设备及足底压力检测和姿态预测方法
CN105795571B (zh) 一种用于外骨骼压力鞋的数据采集系统及方法
CN104323780B (zh) 基于支持向量机的行人步态分类系统及方法
KR102107379B1 (ko) 3축 동작측정기를 이용한 노쇠 예측 방법, 3축 동작측정기를 이용한 노쇠 예측 시스템 및 웨어러블 노쇠 예측 장치
CN103211599A (zh) 一种监测跌倒的方法及装置
CN103632133A (zh) 人体姿态识别方法
CN108245172B (zh) 一种不受位置约束的人体姿态识别方法
CN110532850B (zh) 一种基于视频关节点和混合分类器的跌倒检测方法
CN104361321A (zh) 一种判断老年人摔倒行为及身体平衡能力的方法
CN107890166A (zh) 一种基于足底压力姿态识别的智能鞋垫
CN108958482B (zh) 一种基于卷积神经网络的相似性动作识别装置及方法
CN103533888A (zh) 用于分类哺乳动物的身体方位的装置和方法
CN103927851A (zh) 一种个人化多阈值跌倒检测方法及系统
CN110279420A (zh) 基于极限学习机的便携式跌倒检测装置及检测方法
Shi et al. Fall detection system based on inertial mems sensors: Analysis design and realization
CN104269025A (zh) 面向户外摔倒监测的穿戴式单节点特征及位置选取方法
CN105303183A (zh) 一种基于穿戴设备的儿童姿态识别分析系统和方法
CN105771224B (zh) 一种基于多传感器的运动评估系统
CN109543762B (zh) 一种多特征融合姿态识别系统及方法
CN112762934B (zh) 下肢运动方向预测装置和方法
KR20210046121A (ko) 검출정보별 신경망 분석을 실시하여 파킨슨 환자 및 족관절염 환자를 식별하는 장치 및 방법
Amiroh et al. Intelligent System for Fall Prediction Based on Accelerometer and Gyroscope of Fatal Injury in Geriatric
Liu et al. Posture recognition algorithm for the elderly based on BP neural networks

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant
CF01 Termination of patent right due to non-payment of annual fee
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20170524

Termination date: 20200911