CN104434128A - 一种基于足底压力分布信息的左右脚动态识别方法 - Google Patents

Abstract

本发明公开了一种基于足底压力分布信息的左右脚动态识别方法，包括足底压力数据滤波、足底压力数据聚类、单步脚印图像处理及左右脚动态识别；其中足底压力数据滤波采用一种改进型的IMF滤波算法；足底压力数据聚类分析采用K-means聚类算法；单步脚印图像处理包括脚印图像双线性插值放大、中值滤波及形态学处理等；左右脚动态识别依据拟合后的脚印轮廓曲线和脚印宽度曲线的极值分布情况进行判别。本发明方法能够实时处理分析足底压力数据，并根据脚印序列每一步的起止时间计算行走过程中的步态特征参数。本发明方法简单、识别速度快、识别准确率高且具有较好的鲁棒性，可推广应用于医院、康复机构以及从事相关步态研究的高校和研究机构。

Description

一种基于足底压力分布信息的左右脚动态识别方法

技术领域

本发明涉及传感器器技术、运动生物力学、医疗卫生、模式识别等领域，特别涉及一种基于足底压力分布信息的左右脚动态识别方法。

背景技术

足底疾病大多与足底正常压力分布的改变有关，两者通常相互影响。研究表明动态足底压力分布信息可以使我们发掘异常步态，判断疾病现状，并对疾病的康复治疗效果进行评估。目前研究人员将足底压力分布信息应用于畸形足、各种类型足疾病的早期预测、诊断以及治疗效果的评价，如糖尿病足溃疡。此外在康复医学中，足底压力分布信息还可对患者术后的行走训练进行指导。因此全面了解足底压力信息对正常足生物力学功能了解、临床医学诊断、疾病程度测定、术后疗效评价以及康复训练均有重要意义。

目前，利用柔性阵列压力传感器获取足底压力信息是最主流方法。柔性阵列压力传感器的运用为步态研究带来极大的便利，不仅可以实时获取足底压力分布信息，如COP轨迹、GOP轨迹、最大压力点、最大压力区域等等。还可以根据脚印序列中每一步脚印的起止时间计算运动过程中的步态特征参数，如步长、步宽、步速、单/双脚支撑相时间、单脚腾空时间等。

研究足底压力信息和步态信息的关键在于如何准确、快速、实时的分离出行走过程中每一步左右脚的足底压力数据。准确分割出左右脚压力数据信息是正确解算出每一步的足底压力分布信息和步态特征信息的关键。

目前左右脚足底压力和步态信息的获得主要有以下几种方式：(1)在鞋内放置已标记的传感器鞋垫，用于获取不同脚足底压力信息；(2)人工判断的方式识别左右脚；(3)静态获取左右脚数据。其中，方式(1)很好的解决了左右脚压力数据分割的问题，但是这种方法不能够获取步长、步速、步宽等信息。方式(2)虽然有着更高的精度，但是仅适合脚印数量较少的情况，达不到快速、方便的要求。方式(3)需要在静态的情况下分别采集左右脚压力数据，且这种方法不能够获取人在运动过程中的左右脚压力数据。运用大面积柔性阵列压力传感器将很好的解决上述问题。大面积柔性阵列压力传感器可以获取人在行走过程中的动态足底压力数据，通过左右脚的正确识别，可以进一步解算出步长、步宽、步速、单脚腾空时间、支撑相时间、COP轨迹等信息。大面积柔性阵列压力传感器与左右脚识别算法的结合能够有效避免以下情况的出现：(1)因内置传感器局限而不能计算步长、步速、步宽的情况；(2)因人工识别带来的识别效率低下的情况；(3)因静态采集而不能解算动态步态特征参数的情况。因此，针对大面积柔性阵列压力传感器的运用情况，操作简单、准确、快速、实时的左右脚识别方法亟待突破。

发明内容

本发明技术解决的问题：为避免上述现有技术所存在的不足之处，提供一种基于足底压力分布信息的左右脚动态识别方法。

本发明技术解决方案：一种基于足底压力分布信息的左右脚动态识别方法，其特征在于：首先利用柔性阵列压力传感器拼装成的数字化场地系统实时采集人在正常步态行走过程中足底压力信息；然后采用一种改进型的IMF算法对采集到的实时足底压力数据进行滤波处理；再利用K-means聚类算法对滤波后的足底压力数据进行聚类分析，得到单个脚印的起止时间和单个脚印在数字化场地中的坐标范围；最后利用单个脚印的起止时间和单个脚印在数字化场地中的坐标范围对足底压力数据进行提取，将足底压力数据映射到图像矩阵中，利用图像处理相关方法对脚印图像进行处理，并进行脚印宽度和脚印轮廓的曲线拟合，利用曲线的极值分布情况并结合脚印的外观形状判断左右脚。

一种基于足底压力分布信息的左右脚动态识别方法，其特征在于：所述足底压力信息由采集时间戳、脚印压力值和脚印坐标组成；

所述一种基于足底压力分布信息的左右脚动态识别方法具体实现为：

(1)实时获取测试人员裸脚在数字化场地上正常行走时的足底压力数据；

(2)利用所述的一种加改进型IMF滤波算法对上述的足底压力数据进行滤波处理；

(3)对滤波处理后的足底压力数据进行K-means聚类分析，聚类基于三个经验条件：(a)正常行走过程中，步长、步宽在一个合理的范围内；(b)正常人的脚长、脚宽在比较合理的范围内；(c)正常行走过程中，同属一个脚印数据帧的间隔应当在一个合理的范围内。聚类实现包括以下几个步骤：(a)依次扫描每一帧足底压力数据，并将足底压力数据映射到图像矩阵中，并对图像矩阵进行二值化处理；(b)连通区域标记算法对二值矩阵进行标记分类，将每一帧的足底压力数据分为不同的类别，并计算各个类别的几何中心，记录每一个类别的脚印开始时间；(c)根据各个类别的几何中心和设定的相关阈值参数(脚长，脚宽，类别开始间隔在一定范围内等)，对所有的类别进行聚类和迭代，最终可以分离出每一脚印。其中每一脚印的特征包括开始帧、结束帧、以及脚印在数字化场地中坐标范围。聚类分析完成后，得到脚印序列中每一脚印的起止时间、脚印在数字化场地中坐标范围以及足底压力信息；

(4)利用(3)中得到的脚印序列每一步的起止时间范围和脚印在数字化场地中的坐标范围对单步足底压力数据Pre[i,j](i、j分别表示行列坐标)进行提取，将提取的足底压力数据映射到脚印图像矩阵Mat(m,n)，并对脚印图像进行二值化处理，得到二值化脚印图像；

(5)利用双线性插值对二值化脚印图像进行近邻插值放大，利用凸包算法计算放大后脚印图像的最小外接矩形，并以最小外接矩形两轴夹角进行旋转，旋转后，脚印长轴方向应为水平方向，短轴方向应为纵轴方向，并对旋转后图像进行平滑滤波处理；

(6)对图像进行形态学处理，对脚印凸出区域进行去除，对脚印缺省区域进行填充，主要包括腐蚀和膨胀操作；

(7)利用Canny算子边界提取算法提取脚印外轮廓，并利用平行线扫描方式计算脚印宽度以及上下轮廓点坐标，利用最小二乘法对脚印宽度、脚印轮廓进行曲线拟合；

(8)分析拟合的脚印宽度曲线和脚印上轮廓、脚印下轮廓曲线的极值分布情况，与脚印宽度曲线模型、脚印外轮廓曲线模型以及脚印内轮廓曲线模型的极值分布情况做比较，利用左右脚判定准则动态判断脚印是左脚脚印还是右脚脚印；

重复步骤1到步骤8，直到脚印序列中所有的脚印识别完成。所有脚印识别完成后，解算行走过程中的步态特征参数。

所述一种基于足底压力分布信息的左右脚动态识别方法利用脚印的外观形状和脚印宽度来判断左右脚；所述的利用左右脚判定准则判断左右脚是指：先利用脚印宽度曲线确定脚印方向，再分析脚印图像上轮廓和下轮廓的极值个数，极值个数为1的曲线为外轮廓曲线，极值个数为3的曲线为内轮廓曲线，脚印判定共4种情况：

(1)若当前脚印方向向右，如果上轮廓拟合曲线拥有3个极值点，下轮廓拟合曲线拥有1个极值点，则脚印判定为右脚；

(2)若当前脚印方向向右，如果下轮廓拟合曲线拥有3个极值点，上轮廓拟合曲线拥有1个极值点，则脚印判定为左脚；

(3)若当前脚印方向向左，如果上轮廓拟合曲线拥有3个极值点，下轮廓拟合曲线拥有1个极值点，则脚印判定为左脚；

(4)若当前脚印方向向左，如果上轮廓拟合曲线拥有1个极值点，下轮廓拟合曲线拥有3个极值点，则脚印判定为右脚。

与已有技术相比，本发明有益效果体现在：

(1)获得更加完备的步态参数：在步态研究领域，步态因为非接触性、非侵犯性、易于感知、难于隐藏、难于伪装等优势，已经成为生物特征识别领域一个新的研究方向。由于步态特征的独特性，在疾病诊断、生物力学研究、步态识别等领域得到了广泛的应用，步态特征提取的首要前提就在于左右脚的正确识别。在疾病诊断领域，通过研究个体左右脚参数之间的差异，能够给足底疾病的预防和疗效评估带来极大地方便；在生物力学研究领域，通过划分左右脚，则将获得更完备的步态参数，如步长、步宽、步速、最大压力值、压力中心轨迹、几何中心轨迹等；在步态识别领域，通过对个体左右脚特征参数的提取，可以为个体识别带来方便。

(2)本领域应用：在大面积柔性阵列压力传感器中运用尚属首次，切实解决了大面积柔性阵列压力传感器实时识别左右脚的难题，为大面积柔性阵列压力传感器的数据处理带来了极大的方便。

(3)发明性能：本发明仅需采集仅需采集足底压力信息，采集流程简单、数据采集难度低、识别精度高、识别速度快等优点，且人行走过程中足底压力信息稳定，信号质量好，识别算法鲁棒性良好。

(4)其他领域运用：本发明中设计的左右脚方法，除了运用于步态特征提取之外，还可以运用于医疗辅助、体育锻炼、身份识别等领域。如在医疗辅助诊断领域，提取的步态特征可以运用于帕金森步态，脑卒中步态，糖尿病步态，外八字步态，内八字步态等临床步态分析。在体育科研领域，利用行走或跳跃动作中的时序，可以分析和评估运动员的能力和发力效果，作为改进方式、考核训练效果以及损伤评估的依据。在身份识别领域，人的步态信息不易被可以模仿，每个人的步态信息都有其独特性，利用提取出的左右脚信息，可以进行身份识别。

附图说明

图1为本发明方法的具体图；

图2给出了脚印轮廓中的足内弓、足外弓、足跟以及前脚掌；

图3为脚印宽度的曲线图，以左脚为例；

图4为脚印上轮廓曲线图，以左脚为例；

图5为脚印下轮廓曲线图，以左脚为例。

具体实施方式

实施例1

本发明以柔性阵列压力传感器获取的足底压力数据进行左右脚动态识别为目的，公开了一种基于足底压力分布信息的左右脚动态识别方法，包括足底压力数据滤波、足底压力数据聚类、单步脚印图像处理以及左右脚动态识别；其中足底压力数据滤波采用一种改进型IMF滤波算法；足底压力数据聚类分析采用K-means聚类算法；单步脚印图像处理包括脚印图像双线性插值放大、中值滤波以及形态学处理等；左右脚动态识别依据拟合后的脚印轮廓曲线和脚印宽度曲线的极值分布情况进行判别。本发明的左右脚动态识别方法能够实时处理分析足底压力数据，并根据脚印序列每一步的起止时间计算行走过程中的步态特征参数。

所述一种基于足底压力分布信息的左右脚动态识别方法，其特征在于：足底压力信息由采集时间节点、脚印压力值、脚印压力值坐标组成；

如图1所示，为本发明方法的具体流程图。一种基于足底压力分布信息的左右脚动态识别方法，特征在于具体实现为：

步骤101：在进行实验测试之前，测试者需要熟悉实验环境和实验流程。待测试者了解并熟悉测试流程后，测试者裸脚在数字化场地上正常行走，柔性阵列压力传感器实时采集整个行走过程中的足底压力数据:；

步骤102：利用一种改进型的IMF滤波算法对步骤101中采集的足底压力数据进行滤波处理；

步骤103：对滤波处理后数据进行K-means聚类分析，具体步骤为：(a)依次扫描每一帧足底压力数据，并将足底压力数据映射到图像矩阵中，并对图像矩阵进行二值化处理；(b)基于8-邻域连通区域标记算法对二值矩阵进行标记分类，将每一帧的足底压力数据分为不同的类别，并计算各个类别的几何中心，记录每一个类别的脚印开始时间；(c)根据各个类别的几何中心和设定的相关阈值参数，对所有的类别进行聚类和迭代，最终分离出每一脚印的特征。其中相关阈值参数包括脚长、脚宽以及(b)中得到的类别时间间隔；每一脚印的特征包括每一步的起止时间，即开始帧和结束帧，以及脚印在数字化场地系统中的坐标范围。

步骤104：利用所述的每一步起止时间范围和脚印在数字化场地系统中的坐标范围对足底压力数据进行提取，并将提取的足底压力数据映射到脚印图像矩阵，然后对脚印图像进行二值化处理，得到二值化脚印图像；

步骤105：利用双线性插值对二值化脚印图像进行近邻插值放大，利用凸包算法计算放大后脚印图像的最小外接矩形，并以最小外接矩形两轴夹角进行旋转，旋转后，脚印长轴方向应为水平方向，短轴方向应为纵轴方向，并对旋转后图像进行平滑滤波处理；

步骤106：对图像进行形态学处理，主要包括腐蚀和膨胀操作，利用腐蚀操作对脚印凸出区域进行去除，利用膨胀操作对脚印缺省区域进行填充，得到处理后的完整脚印；

步骤107：利用Canny算子边界提取算法提取脚印外轮廓，并利用平行线扫描方式计算脚印宽度以及上下轮廓点坐标，利用最小二乘法对脚印宽度、脚印轮廓进行曲线拟合；

步骤108：计算脚印宽度、脚印轮廓曲线的极值分布，利用脚印宽度曲线模型和轮廓曲线模型的极值分布情况，判断左右脚。以图3、图4、图5为例，图3为脚印宽度曲线，图中黑色实线为源数据曲线，灰点线为拟合后数据曲线，由图可知，曲线较大的极大值位于较小极大值右侧，表明当前脚印方向为向右；图4为上轮廓曲线，图中黑色实线为源数据曲线，灰点线为拟合后数据曲线，由图可知，曲线只有一个极值，表明它对应脚印的足外弓一侧，为外轮廓；图5为下轮廓曲线，图中黑色实线为源数据曲线，灰点线为拟合后数据曲线，由图可知，曲线有3个极值，表明下轮廓曲线对应足内弓一侧，为内轮廓。综上所述，脚印向右，且上轮廓对应脚印外轮廓，下轮廓对应脚印内轮廓，由左右脚判定准则可知：此脚印为左脚，单次脚印识别结束；

重复过程步骤101到步骤108，完成脚印序列中所有脚印的左右脚识别；

所有脚印左右脚识别结束后，解算脚印序列中的步态特征参数，包括单步着地时间、单步腾空时间、双脚同时着地时间等；以第N步为例解算，解算单步着地时间(记为T_{single_on})、单步腾空时间(记为T_{single_swing})、双脚同时着地时间(记为T_{double_on})如下：

T_{N_single_on}＝(T_{N_End}-T_{N_start})×1/F_s

T_{N_single_swing}＝(T_{N+2_start}-T_{N_End})×1/F_s

T_{N_double_on}＝(T_{N_End}-T_{N+1_start})×1/F_s

上式中T_{N_start}为第N步的开始时间，T_{N_start}为结束时间，T_{N+1_start}为第N+1步的的开始时间，T_{N+1_End}为结束时间；T_{N+2_start}为第N+2步的开始时间，T_{N+2_End}为结束时间，F_s为采集频率；

经过上述过程，完成所有脚印识别，同时计算出脚印序列中每一步的步态特征参数，识别结果和计算的步态特征参数如下表所示：

提供以上实施例仅仅是为了描述本发明的目的，而并非要限制本发明的范围。本发明的范围由所附权利要求限定。不脱离本发明的精神和原理而做出的各种等同替换和修改，均应涵盖在本发明的范围之内。

Claims (6)

1.一种基于足底压力分布信息的左右脚动态识别方法，其特征在于具体实现为：

(1)利用柔性阵列压力传感器拼装成的数字化场地系统实时采集人在正常步态行走过程中足底压力数据；

(2)利用一种改进型的IMF滤波算法对(1)中获取的足底压力数据进行滤波处理；

(3)对滤波处理后的足底压力数据进行K-means聚类分析，聚类分析完成后，得到单个脚印的起止时间，即开始帧和结束帧，以及单个脚印在数字化场地系统中的坐标范围；

(4)利用步骤(3)中得到的单个脚印的起止时间和单个脚印在数字化场地系统中的坐标范围对单步足底压力数据Pre[i,j]进行提取，i、j分别表示行列坐标；将提取的单脚足底压力数据映射到脚印图像矩阵Mat(m,n)，并对脚印图像进行二值化处理，得到二值化脚印图像，映射按照下式进行：m，n表示映射过后的行列坐标，hoffset表示水平偏移量，voffset表示竖直偏移量；

$\left\{\begin{array}{c}m=i-\mathrm{top}+\mathrm{hoffset}\\ n=j-\mathrm{left}+\mathrm{voffset}\end{array}\right.$

(5)利用双线性插值对二值化脚印图像进行近邻插值放大，利用凸包算法计算放大后脚印图像的最小外接矩形，并以最小外接矩形两轴夹角进行旋转，旋转后，脚印长轴方向应为水平方向，短轴方向应为纵轴方向，并对旋转后图像进行平滑滤波处理；

(6)对图像进行形态学处理，对脚印凸出区域进行自适应去除，对脚印缺省区域进行自适应填充，腐蚀和膨胀操作分别利用下式进行：

腐蚀操作：

膨胀操作： $Y=E\⊕B=\{y:B\left(y\right)\∩E\≠\mathrm{\Φ}\}$

上式中，X、Y分别为经过腐蚀操作和膨胀操作的结果；⊙表示腐蚀操作运算符、表示膨胀操作运算符；B(x)和B(y)代表结构元素，E为工作空间；

(7)利用Canny算子边界提取算法提取脚印外轮廓，并利用平行线扫描方式计算脚印宽度以及上下轮廓点坐标，利用最小二乘法对脚印宽度、脚印轮廓进行曲线拟合；

(8)分析拟合的脚印宽度曲线和脚印上轮廓、脚印下轮廓曲线的极值分布情况，与脚印宽度曲线模型、脚印外轮廓曲线模型以及脚印内轮廓曲线模型的极值分布情况做比较，利用左右脚判定准则动态判断脚印是左脚脚印还是右脚脚印；

重复步骤(1)到步骤(8)，直到脚印序列中的所有脚印识别完成；所有脚印识别完成后，解算行走过程中的步态特征参数。

2.根据权利要求1所述的一种基于足底压力分布信息的左右脚动态识别方法，其特征在于：所述步骤(2)中的改进型IMF算法为：

在MTM算法和IMF算法的基础上，引入时间域，把滤波窗口扩展到三维时空，依据硬件数据采集的频率设定滤波时间窗的大小，在计算窗体中值时，采用中心加权算法，按权复制窗体中心元素，增强窗体中心的影响，取一定阈值限制与窗体中值偏离过大的元素的权值大小，并可自适应得调节三维时空滤波窗体的大小，改进型IMF算法具体步骤如下：

(a)以当前待处理压力点作为三维时空滤波窗体内的中心点元素，若该元素为边界元素，则进行边界镜像扩展，若该元素为起始时间或截止时间戳元素，则进行时间窗镜像扩展；

(b)以柔性阵列压力传感器的采样频率确定滤波窗体的时间窗大小；

(c)计算当前滤波窗体内的压力中值；

(d)统计并去除三维时空滤波窗体内最大、最小以及负值压力数据；

(e)计算三维时空滤波窗体的方差均值，并计算三维时空滤波窗体内各点的权值，重复(a)到(e)过程，直至所有压力数据处理完成。

3.根据权利要求1所述的一种基于足底压力分布信息的左右脚动态识别方法，其特征在于：所述步骤(3)中K-means聚类分析包括以下几个步骤：

(a)依次扫描每一帧数据，并将压力数据映射到图像矩阵中，并对图像矩阵进行二值化处理；

(b)采用8-邻域连通区域标记算法对二值矩阵进行标记分类，将每一帧的足底压力数据分为不同的类别，计算各个类别的几何中心，并记录每一个类别的脚印开始时间；

(c)根据各个类别的几何中心和设定的相关阈值参数，对所有的类别进行聚类和迭代，最终分离出每一脚印特征；

所述相关阈值参数包括脚长，脚宽以及(b)中得到的类别时间间隔；

所述每一脚印的特征包括每一步的起止时间，即开始帧和结束帧，以及脚印在数字化场地系统中的坐标范围。

4.根据权利要求1所述的一种基于足底压力分布信息的左右脚动态识别方法，其特征在于：所述步骤(8)中的脚印宽度曲线模型为马鞍形曲线，马鞍形曲线较大极大值的位置对应前脚掌位置，较小极大值的位置对应脚印足跟位置，极小值位置对应足弓位置。

5.根据权利要求所述1的一种基于足底压力分布信息的左右脚动态识别方法，其特征在于：所述步骤(8)中的脚印外轮廓和脚印内轮廓分别对应足外弓一侧和足内弓一侧，所述脚印外轮廓曲线模型和脚印内轮廓曲线模型分别对应类凹形抛物线曲线和类马鞍形曲线。

6.根据权利要求1所述的一种基于足底压力分布信息的左右脚动态识别方法，其特征在于：所述步骤(8)中的利用左右脚判定准则判断左右脚是指：首先利用脚印宽度曲线确定脚印方向，然后分析脚印图像上轮廓和下轮廓的极值个数，其中极值个数为1的曲线为外轮廓曲线，极值个数为3的曲线为内轮廓曲线。脚印判定共分为4种情况：

(1)若当前脚印方向向右，如果上轮廓拟合曲线拥有3个极值点，下轮廓拟合曲线拥有1个极值点，则脚印判定为右脚；

(2)若当前脚印方向向右，如果下轮廓拟合曲线拥有3个极值点，上轮廓拟合曲线拥有1个极值点，则脚印判定为左脚；

(3)若当前脚印方向向左，如果上轮廓拟合曲线拥有3个极值点，下轮廓拟合曲线拥有1个极值点，则脚印判定为左脚；

(4)若当前脚印方向向左，如果上轮廓拟合曲线拥有1个极值点，下轮廓拟合曲线拥有3个极值点，则脚印判定为右脚。