CN104331705A - 融合时空信息的步态周期自动检测方法 - Google Patents
融合时空信息的步态周期自动检测方法 Download PDFInfo
- Publication number
- CN104331705A CN104331705A CN201410590007.3A CN201410590007A CN104331705A CN 104331705 A CN104331705 A CN 104331705A CN 201410590007 A CN201410590007 A CN 201410590007A CN 104331705 A CN104331705 A CN 104331705A
- Authority
- CN
- China
- Prior art keywords
- gait
- frame
- pedestrian
- time characteristic
- space
- 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
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/20—Movements or behaviour, e.g. gesture recognition
- G06V40/23—Recognition of whole body movements, e.g. for sport training
- G06V40/25—Recognition of walking or running movements, e.g. gait recognition
Landscapes
- Engineering & Computer Science (AREA)
- Human Computer Interaction (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Psychiatry (AREA)
- Social Psychology (AREA)
- Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
本发明提供了一种融合时空信息的步态周期自动检测方法。所述方法包括a)采集步态样本数据图像;b)对所获取的每一帧图像,检测并分割行人,得到n帧行人轮廓图;c)将得到的每一帧行人轮廓图减去其前一帧行人轮廓图,得到n-1帧帧差步态时空特征图;d)对n-1帧的帧差步态时空特征图做归一化处理;e)对归一化后的帧差步态时空特征图做降维处理;f)使用支撑向量机分类器,判别该帧是否为足趾离地状态帧。本发明可在不依赖任何特殊硬件的情况下快速、准确地实现步态周期的检测。
Description
技术领域
本发明涉及步态周期检测领域,特别是融合时空信息的步态周期自动检测方法。
背景技术
“步态”是指人体运动或者走路的方式。一般来说,由于受个人习惯、伤患和疾病等因素的影响,人的步态姿势各不相同,每一个人都有一个独特的步态模式。目前步态主要有两大应用领域:一是,医学领域。在该领域步态被用于诊断腿部疾病,治疗师通过观察步态姿势,来判定被观察者是否患有腿部疾病,进而制定医疗方案。二是,模式识别领域。该领域的科学家们利用步态模式的独特性,来实现对个人身份的自动识别。具体来讲就是设计步态识别算法,让计算机通过摄像头获取行人的步态信息,实现对其身份的识别或者认证。
人体走路是一个左右脚交替的周期性运动。无论是将步态应用于医学领域,还是应用于模式识别领域,都需对步态周期进行检测。步态周期指的是人体走路过程中的最小运动周期。医学领域对步态周期有着较详细地定义,一般地,将一只脚的脚后跟着地到它下一次着地的运动过程定义为步态的一个周期。步态周期又可以划分为右侧站立和右侧摇摆两个阶段,右足跟着地(RightHeel Strike)、左足趾离地(LeftToe-Off)、中间站立(MidStance)、左足跟着地(LeftHeel Strike)、右足趾离地(RightToe-Off)、中间摇摆(Mid Swing)六个状态。
目前,已有步态周期检测方法主要是基于可穿戴设备的,即通过在鞋子或者腿上安置特定数据传感器来获取步态信息,进而设计相应步态数据分析算法,实现步态状态及步态周期的检测。例如,文献X.Meng,H.Yu,M.P.Tham.Gait phase detection in able-bodied subjects and dementiapatients,Engineering in Medicine and Biology Society(EMBC),35th AnnualInternational Conference of the IEEE.2013:4907-4910,提出使用四个惯性传感器来分别获取膝关节角度、胫骨角度和脚角度等信息。文献C.M.Senanayake,S.M.N.A Senanayake.Computational intelligent gait-phasedetection system to identify pathological gait,IEEE Transactions onInformation Technology in Biomedicine,2010,14(5):1173-1179,提出使用四个力敏电阻和两个惯性传感器来获取足压模式和膝关节角度等信息。该类方法能够获取腿、足、膝关节等部位的精确运动信息,且数据形式简单,易于进一步做步态分析,被广泛应用于腿部疾病医学诊断。但是,该类方法却无法满足步态识别的需求。这是因为步态识别一般被应用于视频监控,实现对行人身份的识别,这个识别过程对行人来说是不被感知的,是透明的,而基于可穿戴传感设备的步态周期检测方法则需要用户高度配合来穿戴一些配有压力传感器或者惯性传感器的服饰。所以,基于可穿戴传感设备的步态周期检测方法不能直接应用于步态识别。
步态识别中,研究者们尝试不借助任何特殊传感设备,仅仅利用人走路的视频数据来对人的身份进行识别。因此,步态周期检测作为步态识别的前序工作,可用的数据也仅有步态视频数据。依据步态视频数据来进行步态周期检测充满挑战。首先,需要将行人从背景中分割出来。行人检测与分割是计算机视觉领域中的难点问题,受光照变化的影响,至今仍无完美解决方案。其次,需要依据行人步态图像的变化情况来检测步态周期。行人步态图像的表象受服饰、视角等因素的影响较大,依据行人步态图像来进行步态周期检测或者步态识别是极具困难的。目前,学者们尝试利用行人轮廓像素点数量的变化规律,来检测步态周期。例如,文献A.Sundaresan,R.RoyChowdhury,R.Chellappa.A hidden markovmodel based framework for recognition of humans from gait sequences,IEEEInternational Conference on Image Processing,2003,提出使用适配滤波器的方法估计步态周期边界。该方法在90度视角侧面轮廓的情况能取得较好效果,但是却不能推广到其他视角下的步态周期检测。
上述方法仅仅利用了视频数据中的空间信息。实际上,步态是个体在一定时间段里的运动过程,不仅含有个体运动的空间信息,还含有时间信息。如何利用视频数据中的时间信息是计算机视觉领域的一个基本问题,也是一个在本领域中亟待解决的问题。
发明内容
本发明的目的是提供一种融合时空信息的步态周期自动检测方法。
根据本发明的一个方面,提供了一种融合时空信息的步态周期自动检测方法,包括如下步骤a)采集步态样本数据图像;b)对所获取的每一帧图像,检测并分割行人,得到n帧行人轮廓图;c)将得到的每一帧行人轮廓图减去其前一帧行人轮廓图,得到n-1帧帧差步态时空特征图;d)对n-1帧的帧差步态时空特征图做归一化处理;e)对归一化后的帧差步态时空特征图做降维处理;f)使用支撑向量机分类器,判别该帧是否为足趾离地状态帧。
优选地,所述步骤f中的支撑向量分类器是通过如下步骤进行训练的:g)采集训练步态样本数据;h)对于所采集样本中的每一帧图像,使用背景减除法,检测并分割行人,得到n帧行人轮廓图;i)将得到的每一帧行人轮廓图减去前一帧监控图像的行人轮廓图,得到n-1帧的帧差步态时空特征图;j)对n-1帧的帧差步态时空特征图做归一化处理;k)对归一化后的帧差步态时空特征图做降维处理;f)使用降维处理后的步态时空特征训练支撑向量机SVM检测分类器,得到足趾离地状态帧检测模型。
优选地,通过改变摄像头的位置或改变行人路线来采集不同视角的步态数据。
优选地,采用ViBe算法来实现行人轮廓检测与提取。
优选地,所提取的行人轮廓图为二值图,其中行人所在区域像素点和其他像素点的像素值为不同的值。
优选地,所述二值设定为:
优选地,所述帧差步态时空特征图的计算方法如下:对于连续两帧行人轮廓信息图In与In+1:首先,将In+1复制到FMn+1;然后,用In+1减去In得:
I=In+1-In
并依据I中像素点的像素值,修改FMn+1中的对应像素点的像素值如下:
最后,对FMn+1调整如下:
优选地,所述归一化处理后的帧差步态时空特征图为50*80的行人腿部图像。
优选地,采用PCA主成分分析法进行降维处理。
优选地,所述降维后的差步态时空特征的维度大小不小于16。
总而言之,本发明通过检测两个相邻足趾离地步态状态来实现步态周期的检测。具体来说,就是采用帧差法来融合步态的时空特征,进而采用主成分分析法获取实现特征降维,去除不相关特征,最后采用支撑向量机检测足趾离地步态状态。
本发明基于步态轮廓变化信息,提出融合时空信息的步态周期自动检测方法。具体来说,就是利用步态识别应用场景中,监控摄像头大多固定不变的特性,提出步态轮廓帧差的思想,将时间信息转化为空间信息,进而使用传统数字图像处理和模式识别方法,实现步态周期的实时检测。该方法简单易实现,具有精度高、鲁棒性好的特点。
附图说明
参考随附的附图,本发明更多的目的、功能和优点将通过本发明实施方式的如下描述得以阐明,其中:
图1示意性示出了本发明方法的总体思想。
图2示意性示出了帧差步态时空特征示意图。
图3示意性示出了本发明训练“足趾离地状态”分类器的流程图。
图4(a)-(c)示意性出示了本发明提出的帧差步态时空特征图的计算过程。
图5示意性示出了本发明归一化后的帧差步态时空特征图。
图6示意性示出了本发明采用训练所得“足趾离地状态”分类器进行“足趾离地状态”检测的流程图。
具体实施方式
通过参考示范性实施例,本发明的目的和功能以及用于实现这些目的和功能的方法将得以阐明。然而,本发明并不受限于以下所公开的示范性实施例;可以通过不同形式来对其加以实现。说明书的实质仅仅是帮助相关领域技术人员综合理解本发明的具体细节。
在下文中,将参考附图描述本发明的实施例。在附图中,相同的附图标记代表相同或类似的部件,或者相同或类似的步骤。
本发明设计的融合时空信息的步态周期自动检测方法,通过帧差法来融合步态的时空特征,实现对步态周期中足趾离地状态的检测,进而实现对步态周期的检测。图1示意性出示了本发明方法的总体思想。本发明方法主要包括三大步骤:模型训练110、模型运用120和步态周期确定130。模型训练主要是准备样本数据,训练“足趾离地状态”检测分类器;模型运用主要是运用“足趾离地状态”检测分类器,在视频中检测“足趾离地状态”所在帧位置;步态周期确定主要是依据相邻“足趾离地状态”所在帧位置,确定步态周期。
本发明方法以帧差步态时空图为特征来实现“足趾离地状态”检测分类器的训练和检测。帧差步态时空特征是由连续两帧行人轮廓图相减得到的。本发明提出的帧差步态时空特征,帧差对象是行人轮廓信息图,因此本发明的帧差法不需要建模,其背景模型就是上一帧图像,因此本发明的帧差法的计算速度非常快。图2示意性示出了帧差步态时空特征示意图。图中包含6对图像,每一对图像中左边为行人轮廓图,右边为帧差步态时空特征图,中间的两对图像为足趾离地状态。从图中可以看出,在行人轮廓图中,足趾离地状态下行人轮廓与其他状态下的行人轮廓图差别不大;而在帧差步态时空特征图中,它们的差别较为明显。因此,以帧差步态时空特征图来检测步态周期中的足趾离地状态具有明显的优势。
图3示意性示出了本发明训练“足趾离地状态”分类器的流程图。如图3所示,本发明训练“足趾离地状态”分类器主要包含如下六大步骤。
步骤210,采集训练步态样本数据。
“足趾离地状态”分类器的学习训练,需要大量步态周期样本数据为支撑,因此,本发明方法的第一步就是采集大量训练步态样本数据。
根据本发明的一个实施例,可以采取如下具体设置方法进行数据采集:首先,布置数据采集场地。指定行人行走路线,路线长度应以6~10m为宜;架设监控摄像头,监控摄像头的监控范围应该覆盖行走路线。其次,逐个采集样本数据。一般来说,样本的数量越多越好,但是考虑到成本因素,优选地,样本个数达到500即可。
考虑到实际监控场景下行人行走方向与监控摄像头的视角方向所成夹角大小的随机性以及身体附着物的随机性,所采集的样本应该尽可能覆盖所有视角情况和附着物情况。根据本发明的一个实施例,可以通过改变行人的行走路线来实现不同视角的测量条件。或者不改变行人行走路线,而通过改变摄像头的位置来采集不同视角的数据。
步骤220,对于每一个样本视频数据中的每一帧图像,提取行人轮廓信息图,得到每一个样本的n个行人轮廓信息图。
行人轮廓信息的检测与提取,可采用计算机视觉领域的背景建模或前景检测方法来实现。目前背景建模或前景检测方法相关方法较多。根据本发明的一个实施例,本发明采用ViBe(Visual Background Extractor)算法来实现行人轮廓检测与提取。ViBe算法是一种像素级视频背景建模或前景检测的算法,该算法计算量小,速度非常快,对噪声具备一定的鲁棒性,检测效果较好。图4中,(a)(b)两幅图像示意性出示了使用ViBe算法提取90度视角小步态所得的行人轮廓信息图,其中行人所在区域像素点和其他像素点的像素值为不同的值,构成二值图。根据本发明的一个实施例,行人所在区域像素点的像素值为255,其它像素点的像素值为0。也即,行人轮廓信息图I按如下计算:
步骤230,对于每个相邻的两帧,用后一帧行人轮廓信息图减去前一帧,得到n-1个帧差步态时空特征图。
根据本发明的帧差步态时空特征图监控视频中前后两帧图像对应的行人轮廓信息图相“减”而来。这里的“减”法与传统图像间的减法不同。图4示意性出示了帧差步态时空特征图的计算过程。对于连续两帧行人轮廓信息图In与In+1:对于连续两帧行人轮廓信息图In与In+1:首先,将In+1复制到帧差步态时空特征FMn+1;然后,用In+1减去In得:
I=In+1-In
(2)
并依据I中像素点的像素值,修改FMn+1中的对应像素点的像素值如下:
最后,再对FMn+1调整如下:
上述FM的值仅仅是本发明的一个示意性的实施例。FM的值可以根据需要进行任意设定,例如,为了更好可视化,FM的值可以分别以0、100、200和255来分别代替上述像素值0、1、2和3进行显示。
如图4(c)所示为帧差步态时空特征图样例。
步骤240,对步态时空特征图做归一化处理。
帧差步态时空特征图中,行人轮廓所覆盖的区域为有用信息,其它区域作用不大。因此,为充分利用有用信息,去除无用信息,本发明对步骤230做归一化处理如下:
首先,定位轮廓所覆盖的区域;
然后,从行人轮廓所覆盖的区域中将行人腿部区域分割出来,并将其尺寸归一化。优选地,可以归一化到50*80的图像分辨率。
图5示意性示出了本发明归一化后的帧差步态时空特征图。
步骤250,将归一化所得步态时空特征图进行降维处理。根据本发明的一个实施例,可以采用PCA主成分分析法进行降维处理。维度的大小只要不小于16都可以,为了平衡方法速度和特征降维损失的信息,优选地,将维度降至100维。
根据本发明的一个实施例,上述归一化后的帧差步态时空特征图的维度为50*80=4000。这个维度过高,会影响本发明方法的检测速度。为保证实时性,需对其降维。Matlab降维工具箱的初步实验表明,在不过多损失信息的前提下,归一化后的帧差步态时空特征图最低可降至16维。为了兼顾实时性和信息量两个方面,优选地,本发明方法将的归一化后的帧差步态时空特征图降至100维。
本发明在降维方法上优选采用主成分分析法,即PCA。主成分分析法是计算机视觉的经典算法,旨在利用降维的思想,把多指标转化为少数几个综合指标。
步骤260,使用所有降维后的步态时空特征,基于支撑向量机SVM理论,训练步态的“足趾离地状态”分类模型。
得到降维后的步态时空特征后,便可采用支撑向量机的相关理论方法来训练“足趾离地状态”分类模型。支撑向量机也是计算机视觉领域的经典方法,是Corinna Cortes和Vapnik等于1995年首先提出的,后被广泛应用于各种检测分类模型的训练。本发明以径向基函数(RadialBasisFunction,RBF)为核函数,训练支撑向量机模型,具体训练参数可依据训练数据库来设定。
图6示意性示出了本发明采用训练所得“足趾离地状态”分类器进行“足趾离地状态”检测的流程图。如图6所示,本发明使用“足趾离地状态”分类器进行“足趾离地状态”检测的主要包含如下五大步骤。
步骤310,采集步态样本数据图像,对于待检测视频图像帧,做行人检测,提取行人轮廓信息图。优选地,使用背景减除法进行行人和背景的分割。
步骤320,用后一帧行人轮廓信息图减去前一帧,得帧差步态时空特征图。
步骤330,对步态时空特征图做归一化处理。
步骤340,将归一化所得步态时空特征图进行降维处理。优选地,将维度降至100维。优选地,采用PCA主成分分析法进行降维处理。
步骤310至340的功能与前面所述步骤220至250的功能一样,区别在它们所处理的数据上。步骤220至250处理的离线采集的样本数据,而骤310至340处理的待检测视频段或者在线实时监控数据。
步骤350,对于降维后得到的帧差步态时空特征图,采用训练所得“足趾离地状态”分类模型,进行分类。
经过步骤310至340处理后,可得到一个100维的特征向量。随后,步骤350便可基于支撑向量机的相关理论,利用步骤260训练所得“足趾离地状态”分类模型,以上述得到的100维的特征向量为输入,判别当前图像帧是否为“足趾离地状态”帧。
基于上述五大步骤,本发明可实时地检测监控视频中的“足趾离地状态”帧,进而依据“足趾离地状态”帧所在位置确定步态周期视频段。
综上所述,本发明提出的融合时空信息的步态周期自动检测方法,以监控视频数据为对象,不依赖任何特殊硬件设备,可快速、准确地检测视频数据中的步态周期。
结合这里披露的本发明的说明和实践,本发明的其他实施例对于本领域技术人员都是易于想到和理解的。说明和实施例仅被认为是示例性的,本发明的真正范围和主旨均由权利要求所限定。
Claims (10)
1.一种融合时空信息的步态周期自动检测方法,其特征在于,包括如下步骤:
a)采集步态样本数据图像;
b)对所获取的每一帧图像,检测并分割行人,得到n帧行人轮廓图;
c)将得到的每一帧行人轮廓图减去其前一帧行人轮廓图,得到n-1帧帧差步态时空特征图;
d)对n-1帧的帧差步态时空特征图做归一化处理;
e)对归一化后的帧差步态时空特征图做降维处理;
f)使用支撑向量机分类器,判别该帧是否为足趾离地状态帧。
2.根据权利要求1所述的方法,其特征在于,所述步骤f中的支撑向量分类器是通过如下步骤进行训练的:
g)采集训练步态样本数据;
h)对于所采集样本中的每一帧图像,使用背景减除法,检测并分割行人,得到n帧行人轮廓图;
i)将得到的每一帧行人轮廓图减去前一帧监控图像的行人轮廓图,得到n-1帧的帧差步态时空特征图;
j)对n-1帧的帧差步态时空特征图做归一化处理;
k)对归一化后的帧差步态时空特征图做降维处理;
f)使用降维处理后的步态时空特征训练支撑向量机SVM检测分类器,得到足趾离地状态帧检测模型。
3.根据权利要求1或2所述的方法,其特征在于,通过改变摄像头的位置或改变行人路线来采集不同视角的步态数据。
4.根据权利要求1或2所述的方法,其特征在于,采用ViBe算法来实现行人轮廓检测与提取。
5.根据权利要求1或2所述的方法,其特征在于,所提取的行人轮廓图为二值图,其中行人所在区域像素点和其他像素点的像素值为不同的值。
6.根据权利要求5所述的方法,其特征在于,所述二值设定为:
7.根据权利要求6所述的方法,其中所述帧差步态时空特征图的计算方法如下:对于连续两帧行人轮廓信息图In与In+1:首先,将In+1复制到FMn+1;然后,用In+1减去In得:
I=In+1-In
并依据I中像素点的像素值,修改FMn+1中的对应像素点的像素值如下:
最后,对FMn+1调整如下:
8.根据权利要求1或2所述的方法,其特征在于,所述归一化处理后的帧差步态时空特征图为50*80的行人腿部图像。
9.根据权利要求1或2所述的方法,其特征在于,采用PCA主成分分析法进行降维处理。
10.根据权利要求1或2所述的方法,其特征在于,所述降维后的差步态时空特征的维度大小不小于16。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410590007.3A CN104331705B (zh) | 2014-10-28 | 2014-10-28 | 融合时空信息的步态周期自动检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410590007.3A CN104331705B (zh) | 2014-10-28 | 2014-10-28 | 融合时空信息的步态周期自动检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104331705A true CN104331705A (zh) | 2015-02-04 |
CN104331705B CN104331705B (zh) | 2017-05-10 |
Family
ID=52406426
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410590007.3A Active CN104331705B (zh) | 2014-10-28 | 2014-10-28 | 融合时空信息的步态周期自动检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104331705B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109063661A (zh) * | 2018-08-09 | 2018-12-21 | 上海弈知信息科技有限公司 | 步态分析方法及装置 |
CN110705438A (zh) * | 2019-09-27 | 2020-01-17 | 腾讯科技(深圳)有限公司 | 步态识别方法、装置、设备及存储介质 |
CN112571426A (zh) * | 2020-11-30 | 2021-03-30 | 重庆优乃特医疗器械有限责任公司 | 3d体态检测分析系统及方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101630364A (zh) * | 2009-08-20 | 2010-01-20 | 天津大学 | 基于融合特征的步态信息处理与身份识别方法 |
CN102982323A (zh) * | 2012-12-19 | 2013-03-20 | 重庆信科设计有限公司 | 快速步态识别方法 |
US20140169628A1 (en) * | 2011-07-14 | 2014-06-19 | Bayerische Motoren Werke Aktiengesellschaft | Method and Device for Detecting the Gait of a Pedestrian for a Portable Terminal |
CN103942577A (zh) * | 2014-04-29 | 2014-07-23 | 上海复控华龙微系统技术有限公司 | 视频监控中基于自建立样本库及混合特征的身份识别方法 |
-
2014
- 2014-10-28 CN CN201410590007.3A patent/CN104331705B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101630364A (zh) * | 2009-08-20 | 2010-01-20 | 天津大学 | 基于融合特征的步态信息处理与身份识别方法 |
US20140169628A1 (en) * | 2011-07-14 | 2014-06-19 | Bayerische Motoren Werke Aktiengesellschaft | Method and Device for Detecting the Gait of a Pedestrian for a Portable Terminal |
CN102982323A (zh) * | 2012-12-19 | 2013-03-20 | 重庆信科设计有限公司 | 快速步态识别方法 |
CN103942577A (zh) * | 2014-04-29 | 2014-07-23 | 上海复控华龙微系统技术有限公司 | 视频监控中基于自建立样本库及混合特征的身份识别方法 |
Non-Patent Citations (2)
Title |
---|
李一波等: "多视角步态识别新算法的难点和动向", 《生物医学工程学杂志》 * |
李锐等: "基于帧差能量图行质量向量的步态识别算法", 《计算机应用》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109063661A (zh) * | 2018-08-09 | 2018-12-21 | 上海弈知信息科技有限公司 | 步态分析方法及装置 |
CN110705438A (zh) * | 2019-09-27 | 2020-01-17 | 腾讯科技(深圳)有限公司 | 步态识别方法、装置、设备及存储介质 |
CN110705438B (zh) * | 2019-09-27 | 2023-07-25 | 腾讯科技(深圳)有限公司 | 步态识别方法、装置、设备及存储介质 |
CN112571426A (zh) * | 2020-11-30 | 2021-03-30 | 重庆优乃特医疗器械有限责任公司 | 3d体态检测分析系统及方法 |
Also Published As
Publication number | Publication date |
---|---|
CN104331705B (zh) | 2017-05-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zeng et al. | Silhouette-based gait recognition via deterministic learning | |
Ng et al. | Measuring gait variables using computer vision to assess mobility and fall risk in older adults with dementia | |
US20170238846A1 (en) | Computer vision system for ambient long-term gait assessment | |
Kumar et al. | Gait recognition based on vision systems: A systematic survey | |
Kwolek et al. | Calibrated and synchronized multi-view video and motion capture dataset for evaluation of gait recognition | |
CN109344694B (zh) | 一种基于三维人体骨架的人体基本动作实时识别方法 | |
Ahmed et al. | Human gender classification based on gait features using kinect sensor | |
Lu et al. | Gait recognition based on joint distribution of motion angles | |
CN104331705B (zh) | 融合时空信息的步态周期自动检测方法 | |
Bora et al. | Understanding human gait: A survey of traits for biometrics and biomedical applications | |
Yang et al. | Automatic detection pipeline for accessing the motor severity of Parkinson’s disease in finger tapping and postural stability | |
Prakash et al. | Identification of gait parameters from silhouette images | |
Sabir et al. | Human gait identification using Kinect sensor | |
CN112396014B (zh) | 基于特征融合的视触融合步态识别方法 | |
Amsaprabhaa et al. | A survey on spatio-temporal framework for kinematic gait analysis in RGB videos | |
Nguyen et al. | Extracting silhouette-based characteristics for human gait analysis using one camera | |
Schneider et al. | Activity recognition using imagery for smart home monitoring | |
CN113768471A (zh) | 一种基于步态分析的帕金森疾病辅助诊断系统 | |
Wang et al. | Gait analysis and validation using voxel data | |
Fleyeh et al. | Extracting body landmarks from videos for parkinson gait analysis | |
Serrano et al. | Automated feet detection for clinical gait assessment | |
An et al. | Support vector machine algorithm for human fall recognition kinect-based skeletal data | |
Hazra et al. | A pilot study for investigating gait signatures in multi-scenario applications | |
Khokhlova et al. | Kinematic covariance based abnormal gait detection | |
Kong et al. | Essential human body points tracking using kalman filter |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |