CN104346606A - 异常步态分析方法及系统 - Google Patents
异常步态分析方法及系统 Download PDFInfo
- Publication number
- CN104346606A CN104346606A CN201410598320.1A CN201410598320A CN104346606A CN 104346606 A CN104346606 A CN 104346606A CN 201410598320 A CN201410598320 A CN 201410598320A CN 104346606 A CN104346606 A CN 104346606A
- Authority
- CN
- China
- Prior art keywords
- steps
- human body
- length
- ratio
- continuous
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
- G06T7/246—Analysis of motion using feature-based methods, e.g. the tracking of corners or segments
- G06T7/248—Analysis of motion using feature-based methods, e.g. the tracking of corners or segments involving reference images or patches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30221—Sports video; Sports image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30232—Surveillance
Abstract
本发明公开了一种异常步态分析方法及系统,所述方法包括:S1.跟踪运动人体目标,并判断连续三步是否在一条直线上;若连续三步在一条直线上,则跳入步骤S2;否则,重复本步骤,直至行进的连续三步在一条直线上;S2.记录一条直线上的连续三步在图像中的观测距离,并计算相邻两步的观测步长之比;S3.假设行进中单侧腿的步长基本保持一致,计算第二步的实际步长与第一步的实际步长之比;S4.对被监护对象的相邻步长比做聚类统计,并将被监护对象的实时相邻步长比与聚类中心进行对比。本发明中只需被监护人员连续三步在一条直线上即可适用,对摄像机的拍摄方向无任何要求和限制,可以很好的满足日常居家生活监护的需求。
Description
技术领域
本发明涉及一种异常步态分析方法及系统,属于视频处理技术领域。
背景技术
近年来,随着人口老龄化不断加剧、亚健康人群日趋增多以及人们医疗保健意识逐步提高,人们对养老监护、慢性病监护、亚健康监护和意外急救等需求越来越迫切,利用先进技术对人体的健康状况进行智能地监护分析开始成为世界范围的关注热点。步态作为反映人体健康状况和行为能力的重要特征,在医疗诊断、疾病预防等临床研究中备受关注。目前,步态的分析检查大多依赖于专业的医护人员,主要通过观察在指定路线上完成指定行走动作的情况对行走能力进行评估。这种分析评估方式具有主观性,并由于仅对短时行为进行观察易导致分析结果不准确,同时,这种步态分析方法不能满足养老监护、慢性病监护中对实时监护分析的需求。为了能在日常居家活动中实时捕捉自然、真实的行走步态特征,人们开始研究适用于日常居家生活的步态监测方法。目前,已有通过携带三轴加速度计、惯性陀螺仪等传感器来监测步态、感知步态平稳性的异常步态监护方式,但携带传感器不仅会影响对象的正常生活,同时还会影响对象的正常步行状态,因此并不适用于在养老监护、慢性病监护中广泛推广。
计算机视觉等相关技术的飞速发展和视频采集设备的日渐普及都使得借助视频对行走步态进行非接触式智能监护具备广泛的普适性、可行性。美国密苏里大学研究人员研究了联合使用标定后的多摄像机进行步态监测的方案,但是基于多摄像机的监护方式不仅导致摄像机利用率低,同时由于布局布线复杂、设备价格昂贵,因而并不容易在家庭监护中得到广泛推广。因此,考虑到系统部署的复杂性和经济性,基于单摄像机的步态监测更适用于居家监护环境。基于单摄像机的步态分析方法中大多采用步速、步长等绝对步态参数来进行分析,然而这些绝对步态参数在日常居家活动中常会由于行走目的的不同而在同一个体身上产生差异,比如一个人急着取东西时步速较快、步长较大,而悠闲踱步时步速将变慢、步长也会相应缩小,因而在活动非常随意的日常居家监护中根据步速、步长等绝对步态参数判断行走步态异常极易产生误判。
文献K.K.Patterson,W.H.Gage,D.Brooks,et.al.“Evaluation of gait symmetry afterstroke:A comparison of current methods and reconmmendations for standardization,”Gait&Postrue,31,(2010),241-246及E.Auvinet,F.Multon,J.Meunier,“Lower limb movementasymmetry measurement with a depth camera,”34th Annual International Conference of theIEEE EMBS,2012,6793-6796表明——相邻步长比这一相对步态参数在应对日常居家随意行走时具有一定的稳定性,不会像行走的步速、步长等绝对步态参数那样多变,同时,相邻步长比的变化能够反映步伐的稳定性、对称性以及下肢肌力或支撑足承重能力的变化等,因而更有利于对监护对象行为能力的客观表征和异常判断。但是以上现有的相邻步长技术(先提取绝对步态参数,再做比值或差值)仅仅适用于摄像机拍摄方向与行走方向垂直的情况,对行走的方向或路径要求严格,人必须按照指定的路径行走,而且摄像机的工作状态也较混乱,无法准确的判断什么时候开始工作,什么时候结束工作,什么时候测得的数据属于与行走方向垂直情况下的数据,什么时候测得的是无效数据,因而上述方法并不能很好的适应日常居家生活中对任意行走步态的监护需求,获得准确的监测结果,也不能实现实时的异常步态监测分析。因此当前急需一种更具普适性的满足日常居家生活监护的异常步态分析技术。
发明内容
本发明的目的在于,提供一种异常步态分析方法及系统,它可以有效解决现有技术中存在的问题,尤其是现有的异常步态分析方法仅仅适用于摄像机拍摄方向与行走方向垂直的情况,对行走的方向或路径要求严格,导致摄像机的工作状态较混乱,无法实现实时的异常步态监测分析,也无法满足日常居家生活监护需求的问题。
为解决上述技术问题,本发明采用如下的技术方案:一种异常步态分析方法,包括以下步骤:
S1.跟踪运动人体目标,并判断连续三步是否在一条直线上;若连续三步在一条直线上,则跳入步骤S2;否则,重复本步骤,直至行进的连续三步在一条直线上;
S2.记录一条直线上的连续三步在图像中的观测距离(即连续三步的观测步长),分别记为并计算相邻两步的观测步长之比,即第一步观测步长与第二步观测步长之比A、第二步观测步长与第三步观测步长之比B分别为:
S3.假设行进中单侧腿的步长基本保持一致,即计算第二步的实际步长与第一步的实际步长之比为:
S4.对被监护对象的相邻步长比做聚类统计,(在实时步态监护过程中)并将被监护对象的实时相邻步长比(所述的步长比为实际步长比)与该聚类结果的聚类中心进行对比。
所述的观测步长是指显示在图像中的步长;实际步长则是三维空间中的真实步长;可以理解为,观测步长是实际步长在成像平面上的映射。
前述方法中,如果实时相邻步长比与聚类结果的聚类中心的差异大于设定的阈值时,则判定出现了异常;如果小于设定的阈值时,则判定没有出现异常。
优选的,步骤S1中所述的跟踪运动人体目标,并判断连续三步是否在一条直线上包括以下步骤:
S11.跟踪人体运动目标,并获取人体剪影;
S12.获取人体剪影的骨架,并在图像中对人体双脚进行定位;
S13.计算双脚在图像中的距离,当双脚距离随时间的曲线出现三次极大值时,则记为行走三步;
S14.判断人体在行走三步的时间范围里运动轨迹是否为直线。
更优选的,步骤S11中,采用Meanshift算法跟踪人体运动目标,从而可以更准确的判断人体运动目标是否行走在一条直线上。
更优选的,步骤S11中,采用ViBe目标检测方法获取人体剪影,从而可以使得检测精度更高,更有利于后续双脚的定位。
更优选的,步骤S12中,利用Zhang并行细化算法获取人体剪影的骨架,从而可以更好的辅助双脚定位,使得定位更加精确。
更优选的,步骤S12中,采用凸点检测方法对人体双脚进行定位,从而可以使得双脚定位更精确。
进一步优选的,所述的采用凸点检测方法对人体双脚进行定位包括以下步骤:
对人体剪影由下至上的25%的区域进行凸点检测;将每一类的聚类中心看作一只脚,对检测到的凸点进行二类聚类分析,若对人体剪影整体用凸点检测,则会检测出很多不需要的凸点,而如果只对人体剪影的由下至上的25%的区域进行凸点检测,则检测到的凸点基本都位于脚部,可以更高效的实现双脚的定位。
进一步的,采用非监督学习的聚类分析方法对检测到的位于脚部的凸点进行二类聚类分析,从而可以将聚类中心替换为对双脚的定位,实现了双脚的定位,同时实现了有效区分左右脚。
进一步的,由两类聚类中心的位置坐标,即可计算出双脚的距离,方便快捷。
本发明的步骤S4中,对被监护对象的相邻步长比做聚类统计包括:经过多次对直线上连续行走进行观察,利用K-mean聚类分析方法对被监护对象的相邻步长比做聚类统计,从而可以实现无监督学习的作用,不需要训练,自己学习捕捉规律。
对于所述的聚类结果的聚类中心,随着数据不断输入,K-mean不断根据新的数据统计常出现的步长比,这样,随着被监护人身体状况的变化,该聚类中心也将被不断调整。
实现前述方法的异常步态分析系统,包括:
检测跟踪模块:用于跟踪运动人体目标,并判断连续三步是否在一条直线上;若连续三步在一条直线上,则进行下个步骤;否则,重复本步骤,直至行进的连续三步在一条直线上;
步态参数提取模块:用于记录一条直线上的连续三步在图像中的观测距离,分别记为并计算相邻两步的观测步长之比,即第一步观测步长与第二步观测步长之比A、第二步观测步长与第三步观测步长之比B分别为:
步长比计算模块:用于假设行进中单侧腿的步长基本保持一致,即计算第二步的实际步长与第一步的实际步长之比为:
异常步态分析模块:用于对被监护对象的相邻步长比做聚类统计,并将被监护对象的实时相邻步长比与该聚类结果的聚类中心进行对比。
所述的观测步长是指显示在图像中的步长;实际步长则是三维空间中的真实步长;可以理解为,观测步长是实际步长在成像平面上的映射。
优选的,所述的跟踪运动人体目标,并判断连续三步是否在一条直线上包括以下步骤:
跟踪人体运动目标,并获取人体剪影;
获取人体剪影的骨架,并在图像中对人体双脚进行定位;
计算双脚在图像中的距离,当双脚距离随时间的曲线出现三次极大值时,则记为行走三步;
判断人体在行走三步的时间范围里运动轨迹是否为直线。
更优选的,上述系统中,采用Meanshift算法跟踪人体运动目标,从而可以更准确的判断人体运动目标是否行走在一条直线上。
更优选的,上述系统中,采用ViBe目标检测方法获取人体剪影,从而可以使得检测精度更高,更有利于后续双脚的定位。
更优选的,上述系统中,利用Zhang并行细化算法获取人体剪影的骨架,从而可以更好的辅助双脚定位,使得定位更加精确。
更优选的,上述系统中,采用凸点检测方法对人体双脚进行定位,从而可以使得双脚定位更精确。
进一步优选的,所述的采用凸点检测方法对人体双脚进行定位包括以下步骤:
对人体剪影由下至上的25%的区域进行凸点检测;将每一类的聚类中心看作一只脚,对检测到的凸点进行二类聚类分析,若对人体剪影整体用凸点检测,则会检测出很多不需要的凸点,而如果只对人体剪影的由下至上的25%的区域进行凸点检测,则检测到的凸点基本都位于脚部,可以更高效的实现双脚的定位。
进一步的,采用非监督学习的聚类分析方法对检测到的位于脚部的凸点进行二类聚类分析,从而可以将聚类中心替换为对双脚的定位,实现了双脚的定位,同时实现了有效区分左右脚。
上述系统中,由两类聚类中心的位置坐标,即可计算出双脚的距离,方便快捷。
上述系统中,对被监护对象的相邻步长比做聚类统计包括:经过多次对直线上连续行走进行观察,利用K-mean聚类分析方法对被监护对象的相邻步长比做聚类统计,从而可以实现无监督学习的作用,不需要训练,自己学习捕捉规律。
对于所述的聚类结果的聚类中心,随着数据不断输入,K-mean不断根据新的数据统计常出现的步长比,这样,随着被监护人身体状况的变化,该聚类中心也将被不断调整。
与现有技术相比,本发明的异常步态分析方案具有以下优点:
1、普适性更好,只要被监护人员连续三步在一条直线上即可适用,对摄像机的拍摄方向无任何要求和限制,因而摄像机的工作状态较稳定,可以很好的满足日常居家生活监护的需求;
2、本发明由于对摄像机的拍摄方向无任何要求和限制,摄像机可连续工作,因而可实现日常居家活动中异常步态监测分析的实时性,进一步提高了智能监护系统的实用性和适应性;
3、本发明的异常步态分析方案具有经济性、简易性(基于单摄像机,设备便宜、布线方便)和非侵入性(利用视频数据,并不需要在人的身上捆绑传感器,不会影响人的正常行动和生活);
4、本发明的异常步态监测分析技术的误差率较低;
5、不需要对人的行进方向做严苛的要求,同时直接利用提取的相对步态参数就可以满足日常居家活动中对任意行走和多变步态参数的监护需要,获得较为准确的监测结果。
本发明的难度在于实际相邻步长比公式的推导过程及结论的获得。
附图说明
图1为异常步态监测示意图;
图2为被监护对象正常行走时拍摄视频中的一帧图像;
图3为图2中被监护对象的人体剪影;
图4为被监护对象异常行走(一只腿无法弯曲)时拍摄视频中的一帧图像;
图5为图4中被监护对象的人体剪影。
下面结合附图和具体实施方式对本发明作进一步的说明。
具体实施方式
本发明的实施例:一种异常步态分析方法,包括以下步骤:
S1.跟踪运动人体目标,并判断连续三步是否在一条直线上;若连续三步在一条直线上,则跳入步骤S2;否则,重复本步骤,直至行进的连续三步在一条直线上;其中,所述的跟踪运动人体目标,并判断连续三步是否在一条直线上包括以下步骤:
S11.采用Meanshift算法跟踪人体运动目标,并采用ViBe目标检测方法获取人体剪影;
S12.利用Zhang并行细化算法获得人体剪影的骨架,并采用凸点检测方法对图像中的人体双脚进行定位;其中,所述的采用凸点检测方法对人体双脚进行定位包括以下步骤:
对人体剪影由下至上的25%的区域进行凸点检测;
将每一类的聚类中心看作一只脚,采用非监督学习的聚类分析方法对检测到的凸点进行二类聚类分析;
S13.计算双脚在图像中的距离,当双脚距离随时间的曲线出现三次极大值时,则记为行走三步;
S14.判断人体在行走三步的时间范围里运动轨迹是否为直线;
S2.记录一条直线上的连续三步在图像中的观测距离(即连续三步的观测步长),分别记为并计算相邻两步的观测步长之比,即第一步观测步长与第二步观测步长之比A、第二步观测步长与第三步观测步长之比B分别为:
S3.假设行进中单侧腿的步长基本保持一致,即计算第二步的实际步长与第一步的实际步长之比为:
S4.经过多次对直线上连续行走进行观察,利用K-mean聚类分析方法对被监护对象的相邻步长比做聚类统计,(在实时步态监护过程中)将被监护对象的实时相邻步长比与该聚类结果的聚类中心进行对比,若实时相邻步长比与聚类结果的聚类中心的差异大于设定的阈值时,则判定出现了异常;若小于设定的阈值时,则判定没有出现异常。
实现上述方法的异常步态分析系统,包括:
检测跟踪模块:用于跟踪运动人体目标,并判断连续三步是否在一条直线上;若连续三步在一条直线上,则进行下个步骤;否则,重复本步骤,直至行进的连续三步在一条直线上;其中,所述的跟踪运动人体目标,并判断连续三步是否在一条直线上包括以下步骤:
采用Meanshift算法跟踪人体运动目标,并采用ViBe目标检测方法获取人体剪影;
利用Zhang并行细化算法获取人体剪影的骨架,并采用凸点检测方法对人体双脚进行定位;
计算双脚在图像中的距离,当双脚距离随时间的曲线出现三次极大值时,则记为行走三步;
判断人体在行走三步的时间范围里运动轨迹是否为直线;
其中,所述的采用凸点检测方法对人体双脚进行定位包括以下步骤:
对人体剪影由下至上的25%的区域进行凸点检测;
将每一类的聚类中心看作一只脚,采用非监督学习的聚类分析方法对检测到的位于脚部的凸点进行二类聚类分析;
步态参数提取模块:用于记录一条直线上的连续三步在图像中的观测距离,分别记为并计算相邻两步的观测步长之比,即第一步观测步长与第二步观测步长之比A、第二步观测步长与第三步观测步长之比B分别为:
步长比计算模块:用于假设行进中单侧腿的步长基本保持一致,即计算第二步的实际步长与第一步的实际步长之比为:
异常步态分析模块:用于对被监护对象的相邻步长比做聚类统计,并将被监护对象的实时相邻步长比与该聚类结果的聚类中心进行对比;所述的对被监护对象的相邻步长比做聚类统计包括:经过多次对直线上连续行走进行观察,利用K-mean聚类分析方法对被监护对象的相邻步长比做聚类统计。
实验例:利用本发明的方法对如图2(图3为相应的人体剪影)所示的正常行走视频图像进行观察统计,得到该对象的实际正常相邻步长比通常为0.95,采用Meanshift算法跟踪人体运动目标,采用ViBe目标检测方法获取人体剪影;再利用Zhang并行细化算法获得人体剪影的骨架,及采用凸点检测方法对图像中的人体双脚进行定位后计算得到的相邻步长比为0.946,说明采用本发明的处理方法对图片进行处理后的结果与实际基本相符,结果较准确,同时由图3可知,采用本发明的方法可以实现对双脚的高效、准确定位;对图4(图5为相应的人体剪影)中异常行走的视频图像进行分析,得到该对象的实际相邻步长比为0.82,采用Meanshift算法跟踪人体运动目标,采用ViBe目标检测方法获取人体剪影;再利用Zhang并行细化算法获得人体剪影的骨架,及采用凸点检测方法对图像中的人体双脚进行定位后计算得到的相邻步长比为0.834,说明采用本发明的处理方法对图片进行处理后的结果与实际基本相符,结果较准确,同时由图5可知,采用本发明的方法可以实现对双脚的高效、准确定位;由于相邻步长比0.834相对于0.946相差较大,因而判断为异常,与实际相符,说明本发明的异常步态分析技术误差率较低。
所述的第二步的实际步长与第一步的实际步长之比的公式推导过程如下:
设以摄像机光心为原点的摄像机坐标系(Camera coordinate system)为X-Y-Z坐标系,以摄像机光轴与图像平面交点(即图像的主点principal point)为原点的成像平面坐标系(Retinal coordinate system)为x-y坐标系。由几何学可知摄像机坐标系与成像平面坐标系之间的关系为:
其中,f为摄像机的焦距,x、y为成像平面坐标系中的对应坐标;X、Y、Z为摄像机坐标系中的对应坐标。
设摄像机坐标系X轴、Z轴及原点C在地平面上的投影分别为X′、Z′和C′。当人在地平面上的行走路线为一条直线时,设该直线与Z′的夹角为θ,并设人迈出的第i步的步长为Li。
假设摄像机坐标系的XCZ平面与地平面平行(如图1所示),则地平面在摄像机坐标系下可以表示为:
Y=-h (2)
其中,h为摄像机架设的距地高度;同时,X′-Z′坐标系可作为地平面的二维坐标系。
在摄像机坐标系下,为不失一般性,设第一步迈步过程中,后脚着地时坐标为(X,-h,Z),则迈出前脚着地时其坐标为(X+L1sinθ,-h,Z+L1cosθ)。由式(1)可知,在成像平面的坐标系下,第一步迈步过程中,后脚着地的坐标和前脚着地的坐标分别为:
因此,在成像平面上可观测到人迈出第一步时的步长为:
同理,可以得到在成像平面上观测到的第二步步长l2、第三步步长l3分别为:
由式(5)-(7)可以得出在成像平面上观测到的第一步与第二步的步长比l1/l2、第二步与第三步的步长比l2/l3分别为:
l1/l2、l2/l3这些比例关系实际上可以从视频图像中观测获得。
假设在视频图像中观测到一个人沿直线行走时,其第一步与第二步、第二步与第三步之间的步长比分别为A和B,即
由式(10)和(11)可分别推导出:
式(12)和(13)可联合化简为:
尽管人在每次行走时由于目的不同,其步速、步长等都会有差异,但在同一次行走过程中,可以认为单侧腿的相邻两次步长近似相同,例如,行走时连续两次迈出左脚时步长的差异不大。所以,可假设L1≈L3,这时由式(14)可以求出第二步步长L2与第一步步长L1之比为:
。
Claims (10)
1.一种异常步态分析方法,其特征在于,包括以下步骤:
S1.跟踪运动人体目标,并判断连续三步是否在一条直线上;若连续三步在一条直线上,则跳入步骤S2;否则,重复本步骤,直至行进的连续三步在一条直线上;
S2.记录一条直线上的连续三步在图像中的观测距离,分别记为并计算相邻两步的观测步长之比,即第一步观测步长与第二步观测步长之比A、第二步观测步长与第三步观测步长之比B分别为:
S3.假设行进中单侧腿的步长基本保持一致,即计算第二步的实际步长与第一步的实际步长之比为:
S4.对被监护对象的相邻步长比做聚类统计,并将被监护对象的实时相邻步长比与该聚类结果的聚类中心进行对比。
2.根据权利要求1所述的异常步态分析方法,其特征在于,步骤S1中所述的跟踪运动人体目标,并判断连续三步是否在一条直线上包括以下步骤:
S11.跟踪人体运动目标,并获取人体剪影;
S12.获取人体剪影的骨架,并在图像中对人体双脚进行定位;
S13.计算双脚在图像中的距离,当双脚距离随时间的曲线出现三次极大值时,则记为行走三步;
S14.判断人体在行走三步的时间范围里运动轨迹是否为直线。
3.根据权利要求2所述的异常步态分析方法,其特征在于,步骤S11中,采用Meanshift算法跟踪人体运动目标。
4.根据权利要求3所述的异常步态分析方法,其特征在于,步骤S11中,采用ViBe目标检测方法获取人体剪影。
5.根据权利要求2所述的异常步态分析方法,其特征在于,步骤S12中,利用Zhang并行细化算法获取人体剪影的骨架。
6.根据权利要求5所述的异常步态分析方法,其特征在于,步骤S12中,采用凸点检测方法对人体双脚进行定位。
7.根据权利要求6所述的异常步态分析方法,其特征在于,所述的采用凸点检测方法对人体双脚进行定位包括以下步骤:
对人体剪影由下至上的25%的区域进行凸点检测;
将每一类的聚类中心看作一只脚,对检测到的凸点进行二类聚类分析。
8.根据权利要求7所述的异常步态分析方法,其特征在于,采用非监督学习的聚类分析方法对检测到的位于脚部的凸点进行二类聚类分析。
9.根据权利要求1所述的异常步态分析方法,其特征在于,步骤S4中,对被监护对象的相邻步长比做聚类统计包括:经过多次对直线上连续行走进行观察,利用K-mean聚类分析方法对被监护对象的相邻步长比做聚类统计。
10.实现权利要求1~9所述方法的异常步态分析系统,其特征在于,包括:
检测跟踪模块:用于跟踪运动人体目标,并判断连续三步是否在一条直线上;若连续三步在一条直线上,则进行下个步骤;否则,重复本步骤,直至行进的连续三步在一条直线上;
步态参数提取模块:用于记录一条直线上的连续三步在图像中的观测距离,分别记为并计算相邻两步的观测步长之比,即第一步观测步长与第二步观测步长之比A、第二步观测步长与第三步观测步长之比B分别为:
步长比计算模块:用于假设行进中单侧腿的步长基本保持一致,即计算第二步的实际步长与第一步的实际步长之比为:
异常步态分析模块:用于对被监护对象的相邻步长比做聚类统计,并将被监护对象的实时相邻步长比与该聚类结果的聚类中心进行对比。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410598320.1A CN104346606B (zh) | 2014-10-30 | 2014-10-30 | 异常步态分析方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410598320.1A CN104346606B (zh) | 2014-10-30 | 2014-10-30 | 异常步态分析方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104346606A true CN104346606A (zh) | 2015-02-11 |
CN104346606B CN104346606B (zh) | 2017-07-07 |
Family
ID=52502180
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410598320.1A Active CN104346606B (zh) | 2014-10-30 | 2014-10-30 | 异常步态分析方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104346606B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108073861A (zh) * | 2016-11-16 | 2018-05-25 | 东北大学秦皇岛分校 | 一种新的异常步态分析方法及系统 |
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 |
WO2021143103A1 (zh) * | 2020-01-13 | 2021-07-22 | 平安国际智慧城市科技股份有限公司 | 视频数据处理方法、装置、设备及计算机可读存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2006078343A2 (en) * | 2005-01-14 | 2006-07-27 | Ultra-Scan Corporation | Multimodal fusion decision logic system |
CN101564300A (zh) * | 2009-06-03 | 2009-10-28 | 哈尔滨工程大学 | 基于区域特征分析的步态周期检测方法 |
WO2013017858A1 (en) * | 2011-07-29 | 2013-02-07 | University Of Ulster | Gait recognition methods and systems |
CN103761746A (zh) * | 2013-12-25 | 2014-04-30 | 浙江慧谷信息技术有限公司 | 基于感兴趣区域相似性特征和根据极值选取参考帧的周期行为的检测方法 |
-
2014
- 2014-10-30 CN CN201410598320.1A patent/CN104346606B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2006078343A2 (en) * | 2005-01-14 | 2006-07-27 | Ultra-Scan Corporation | Multimodal fusion decision logic system |
CN101564300A (zh) * | 2009-06-03 | 2009-10-28 | 哈尔滨工程大学 | 基于区域特征分析的步态周期检测方法 |
WO2013017858A1 (en) * | 2011-07-29 | 2013-02-07 | University Of Ulster | Gait recognition methods and systems |
CN103761746A (zh) * | 2013-12-25 | 2014-04-30 | 浙江慧谷信息技术有限公司 | 基于感兴趣区域相似性特征和根据极值选取参考帧的周期行为的检测方法 |
Non-Patent Citations (1)
Title |
---|
王科俊,等: ""步态识别综述"", 《中国图象图形学报》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108073861A (zh) * | 2016-11-16 | 2018-05-25 | 东北大学秦皇岛分校 | 一种新的异常步态分析方法及系统 |
CN108073861B (zh) * | 2016-11-16 | 2020-05-15 | 东北大学秦皇岛分校 | 一种新的异常步态分析方法及系统 |
WO2021143103A1 (zh) * | 2020-01-13 | 2021-07-22 | 平安国际智慧城市科技股份有限公司 | 视频数据处理方法、装置、设备及计算机可读存储介质 |
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 |
---|---|
CN104346606B (zh) | 2017-07-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Prakash et al. | Passive marker based optical system for gait kinematics for lower extremity | |
Zhao et al. | Adaptive gait detection based on foot-mounted inertial sensors and multi-sensor fusion | |
Kepski et al. | Fall detection using ceiling-mounted 3d depth camera | |
Wang et al. | Possible life saver: A review on human fall detection technology | |
Chen et al. | A proactive workers' safety risk evaluation framework based on position and posture data fusion | |
US20170087416A1 (en) | Systems and methods for rehabilitation of limb motion | |
US20170238846A1 (en) | Computer vision system for ambient long-term gait assessment | |
Dubois et al. | A gait analysis method based on a depth camera for fall prevention | |
Wang et al. | Quantitative assessment of dual gait analysis based on inertial sensors with body sensor network | |
Parra-Dominguez et al. | 3D human motion analysis to detect abnormal events on stairs | |
Papageorgiou et al. | Hidden markov modeling of human normal gait using laser range finder for a mobility assistance robot | |
Alazrai et al. | Fall detection for elderly using anatomical-plane-based representation | |
Yang et al. | IMU-Kinect: A motion sensor-based gait monitoring system for intelligent healthcare | |
Cole et al. | A study on motion mode identification for cyborg roaches | |
CN104346606A (zh) | 异常步态分析方法及系统 | |
Lee et al. | Analysis of gait sub-movements to estimate ataxia severity using ankle inertial data | |
Liu et al. | Automatic fall risk detection based on imbalanced data | |
Bandini et al. | A wearable vision-based system for detecting hand-object interactions in individuals with cervical spinal cord injury: First results in the home environment | |
Yorozu et al. | Development of gait measurement robot using laser range sensor for evaluating long-distance walking ability in the elderly | |
Johnson et al. | Agreement between sagittal foot and tibia angles during running derived from an open-source markerless motion capture platform and manual digitization | |
Chalvatzaki et al. | Estimating double support in pathological gaits using an hmm-based analyzer for an intelligent robotic walker | |
Kumar et al. | Vision-based human joint angular velocity estimation during squat and walking on a treadmill actions | |
Abd Shattar et al. | Experimental Setup for Markerless Motion Capture and Landmarks Detection using OpenPose During Dynamic Gait Index Measurement | |
Jia et al. | Study on abnormal gait and fall warning method using wearable sensors and a human musculoskeletal model | |
Najmurrokhman et al. | Development of falling notification system for elderly using mpu6050 sensor and short message service |
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 |