CN108073861A - 一种新的异常步态分析方法及系统 - Google Patents

一种新的异常步态分析方法及系统 Download PDF

Info

Publication number
CN108073861A
CN108073861A CN201611007666.5A CN201611007666A CN108073861A CN 108073861 A CN108073861 A CN 108073861A CN 201611007666 A CN201611007666 A CN 201611007666A CN 108073861 A CN108073861 A CN 108073861A
Authority
CN
China
Prior art keywords
mrow
msubsup
image
ratio
adjacent
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
CN201611007666.5A
Other languages
English (en)
Other versions
CN108073861B (zh
Inventor
才溪
韩光
汪晋宽
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.)
Northeastern University Qinhuangdao Branch
Original Assignee
Northeastern University Qinhuangdao Branch
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 Northeastern University Qinhuangdao Branch filed Critical Northeastern University Qinhuangdao Branch
Priority to CN201611007666.5A priority Critical patent/CN108073861B/zh
Publication of CN108073861A publication Critical patent/CN108073861A/zh
Application granted granted Critical
Publication of CN108073861B publication Critical patent/CN108073861B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G—PHYSICS
    • G08—SIGNALLING
    • G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
    • G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
    • G08B21/02—Alarms for ensuring the safety of persons
    • G08B21/04—Alarms for ensuring the safety of persons responsive to non-activity, e.g. of elderly persons
    • G08B21/0438—Sensor means for detecting
    • G08B21/0476—Cameras to detect unsafe condition, e.g. video cameras

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Multimedia (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Business, Economics & Management (AREA)
  • Emergency Management (AREA)
  • Psychiatry (AREA)
  • Social Psychology (AREA)
  • Human Computer Interaction (AREA)
  • Gerontology & Geriatric Medicine (AREA)
  • Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
  • Image Processing (AREA)

Abstract

本发明公开了一种新的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，并对图像中连续三步的足印进行修正，得到一条直线上修正后的足印的图像像素位置S2，根据修正后的足印的图像像素位置计算相邻两个修正足印在图像中的观测距离及相邻两步之间修正后的观测步长之比A和B；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；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。本发明适用范围更宽，适用于一般直行情况，且本发明相比于不修正的步态分析方法及MGM系统，相邻步长比估计的准确率更高，降低了误差。

Description

一种新的异常步态分析方法及系统
技术领域
本发明涉及一种新的异常步态分析方法及系统，属于健康监护技术领域。
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。
步态监测方式包括侵入式(携带传感器)和非侵入式(摄像机)。多摄像机价格昂贵、布线复杂，使用单摄像机经济、简单，但大多单摄像机在监测步态时都要求摄像机拍摄方向与监护对象行走方向相垂直，这在日常居家监护中对任意行走步态的监护具有局限性。
公开号为“CN104346606A”的专利申请文件中，公开了一种异常步态分析方法及系统，当被监护人员行走连续三步在一条直线上时，可以不受拍摄方向与行走方向角度的限制，监测得到相应的相邻步长比用于异常步态分析。但是该方案中，要求连续三步必须落在同一条直线上时才适用，这一条件较为理想，因为在实际应用中，大部分情况下，被监护人员连续行走的三步并不能严格保证都在一条直线上，因而该技术的应用局限性较大；而且即使在实际应用中，认为连续三步落在同一条直线上的情况，所获得的相邻步长比及最终的异常步态分析结果的准确率也仍有待提高。
发明内容
本发明的目的在于，提供一种新的异常步态分析方法及系统，它可以解决当前技术中存在的问题，特别是要求连续三步必须落在同一条直线上时才适用，这一条件较为理想，该技术的应用局限性较大；以及即使在实际应用中，认为连续三步落在同一条直线上的情况，所获得的相邻步长比及最终的异常步态分析结果的准确率也仍有待提高的问题。
为解决上述技术问题，本发明采用如下的技术方案：一种新的异常步态分析方法，包括一下步骤：
S1，跟踪运动人体目标，并对图像中连续三步的足印进行修正，得到一条直线上修正后的足印的图像像素位置
S2，根据修正后的足印的图像像素位置计算相邻两个修正足印在图像中的观测距离及相邻两步之间修正后的观测步长之比A和B；
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。
优选的，步骤S1包括以下步骤：
S11，跟踪运动人体目标，获取人体剪影；
S12，分割人体剪影，并根据剪影对人体双脚进行定位，得到图像中连续三步的足印的图像像素位置(ui,vi)；
S13，对所述的图像中连续三步的足印的图像像素位置(ui,vi)进行修正，得到一条直线上修正后的足印的图像像素位置
进一步优选的，步骤S11中，采用Camshift算法跟踪运动人体目标，从而可以更准确的实现人体目标跟踪。
进一步优选的，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。
上述的新的异常步态分析方法中，步骤S12中，采用凸点检测的方法对人体双脚进行定位；具体包括以下步骤：
对人体剪影由下至上的25％的区域进行凸点检测；
对检测到的凸点进行二分类的聚类分析，找到二分类的聚类中心；所述的聚类中心的位置即为人体双脚的位置。
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。
本发明中，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分类的聚类分析。
前述的新的异常步态分析方法，步骤S13中所述的修正后的足印的图像像素位置为：
其中：
所述的参数通过以下方式获得：对行走过程中两脚的足印分别进行直线拟合，得到足印所形成的原始直线p1和p2在图像中的映射直线和
由此得到参数
其中，u，v表示像素坐标，(u0,v0)为图像中心像素坐标，fp为摄像机的像素焦距。
上述的一种新的异常步态分析方法中，步骤S2中所述的计算相邻两个修正足印在图像中的观测距离及相邻两步之间修正后的观测步长之比A和B，包括以下步骤：若相邻两个修正足印在图像中的观测距离，分别记为和则相邻两步之间修正后的观测步长之比A和B分别为：
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。
实现前述方法的一种新的异常步态分析系统，包括：
跟踪模块，用于跟踪运动人体目标；
步态修正模块，用于对图像中连续三步的足印进行修正，得到一条直线上修正后的足印的图像像素位置
观测距离计算模块，用于根据修正后的足印的图像像素位置计算相邻两个修正足印在图像中的观测距离；
观测步长之比计算模块：用于计算相邻两步之间修正后的观测步长之比A和B；
实际步长之比计算模块：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。
与现有技术相比，本发明具有以下优点：
1、适用范围更宽。本发明可适用于一般直行情况，不再要求被监护人员连续三步必须都落在一条直线上，同时对摄像机的拍摄方向与被监护人的行走方向依然没有要求和限制，从而可以更好地实现日常居家无约束的步态监测分析，从而提高了分析效率，扩展了应用的范围；
2、本发明由于对一般的直行情况均适用，且计算步长比时仅需连续三步的数据即可，因而能够在居家监护中获得大量的可用监测数据用于对监护对象进行步态监测和分析，进而可获得更准确的监测结果；
3、即使在实际应用中，认为连续三步落在同一条直线上的情况，本发明相比于不修正的步态分析方法(即公开号为CN104346606A的专利申请)及目前公认的单摄像机步态测量(Monocular Gait Measurement,MGM)系统，相邻步长比估计的准确率更高，降低了误差，且能够在不同视角上都得到最小的MAPE(即Mean Absolute Percentage Error，平均绝对百分比误差)值，且随着视角的减小，其相较于未经修正的方法能够得到更好的结果。本发明经过修正的方法相对于不修正的步态分析方法及MGM系统，在侧视视角时(也就是90度视角时)，相对于正常行走的情况，对于异常行走情况的监控效果更好，MAPE值降幅更大。
4、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)。
本发明的主要难度在于足印修正的推导过程及结论的获得，特别是不需坐标变换，直接在数字图像的像素平面坐标系内直接计算步长比。
为了验证上述效果，发明人进行了以下实验研究：
假设实验者沿着铺好的直线沙道进行行走，且连续三步都落在沙道上。发明人分别对90度视角(即侧视视角)、45度视角、30度视角下，被测对象正常行走和异常行走(一只腿无法弯曲)时的相邻步长比的实测数据以及观测数据(这里步长比均给出大于1.0的比值)进行了试验对比。其中，实测数据是根据沙道上被测对象留下的足印测量得到的，观测数据则分别由本发明修正后的方法、未经修正的方法(即公开号为CN104346606A的专利申请)以及一个目前公认的单摄像机步态测量(Monocular Gait Measurement,MGM)系统观测、计算得到的。对比结果如表1和表2所示：
表1正常行走时，相邻步长比的实测数据及观测数据对比
表2异常行走时，相邻步长比的实测数据及观测数据
表3给出了正常行走和异常行走时步长比的观测数据与实测数据之间的平均绝对百分比误差(Mean Absolute Percentage Error,MAPE)：
表3正常行走和异常行走时，步长比估计MAPE
由表1～表3可知，MGM系统只能监测侧视视角(即90度视角)的步态，MGM系统能够从侧视步态数据中估计到令人满意的步长比，然而，它的MAPE并不是最小的，这是因为摄像机光轴通常很难非常准确地垂直于被测对象的侧视平面。而本发明经过修正的方法相对于不修正的步态分析方法及MGM系统，能够在三个视角上都得到最小的MAPE值，且随着视角的减小，其相较于未经修正的方法能够得到更好的结果，大幅度降低了步长比估计误差，提高了步长比估计的准确率，说明了足印修正对步长比监测的重要性；也说明了即使在实际应用中，认为连续三步落在同一条直线上的情况，采用现有技术所获得的相邻步长比及最终的异常步态分析结果的准确率也仍有待提高。本发明经过修正的方法相对于不修正的步态分析方法及MGM系统，在侧视视角时(也就是90度视角时)，相对于正常行走的情况，对于异常行走情况的监控效果更好，MAPE值降幅更大。
表4 15个受试者正常行走及异常行走的步长比估计的平均MAPE值
表4给出了利用本发明修正后的方法对15个受试者正常行走及异常行走的步长比估计的平均MAPE值(将正常行走的MAPE值和异常行走的MAPE值进行了综合平均)，对于侧视视角的正常和异常行走步态的步长比估计，平均MAPE值达到1.9547％；对于45度视角的正常和异常行走步态的步长比估计，平均MAPE值达到了2.4026％；对于30度视角的正常和异常行走步态的步长比估计，平均MAPE值达到了3.9721％，这一效果远好于目前公认的单摄像机步态测量(Monocular Gait Measurement,MGM)系统，所述的MGM系统仅适用于侧视视角的步态，且侧视视角的正常和异常行走步态的步长比估计平均MAPE仅为3.5538％。
附图说明
图1是本发明的对行走过程中两脚的足印进行直线拟合的示意图；
图2是本发明的方法流程示意图。
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：一种新的异常步态分析方法，如图2所示，包括以下步骤：
S1，跟踪运动人体目标，并对图像中连续三步的足印进行修正，得到一条直线上修正后的足印的图像像素位置具体可包括以下步骤：
S11，跟踪运动人体目标(如可采用Camshift算法)，获取人体剪影(如可采用ViBe目标检测方法)；
S12，分割人体剪影，并根据剪影对人体双脚进行定位，得到图像中连续三步的足印的图像像素位置(ui,vi)；
其中，可采用凸点检测的方法对人体双脚进行定位；具体包括以下步骤：
对人体剪影由下至上的25％的区域进行凸点检测；
对检测到的凸点进行二分类的聚类分析，找到二分类的聚类中心；所述的聚类中心的位置即为人体双脚的位置；其中，可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分类的聚类分析；
S13，对所述的图像中连续三步的足印的图像像素位置(ui,vi)进行修正，得到一条直线上修正后的足印的图像像素位置
其中，所述的修正后的足印的图像像素位置为：
其中：
所述的参数通过以下方式获得：对行走过程中两脚的足印分别进行直线拟合，得到足印所形成的原始直线p1和p2在图像中的映射直线和
由此得到参数
其中，u，v表示像素坐标，(u0,v0)为图像中心像素坐标，fp为摄像机的像素焦距；S2，根据修正后的足印的图像像素位置计算相邻两个修正足印在图像中的观测距离及相邻两步之间修正后的观测步长之比A和B；若相邻两个修正足印在图像中的观测距离，分别记为和则相邻两步之间修正后的观测步长之比A和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；其中，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。
实现上述方法的一种新的异常步态分析系统，包括：
跟踪模块，用于跟踪运动人体目标；
步态修正模块，用于对图像中连续三步的足印进行修正，得到一条直线上修正后的足印的图像像素位置
观测距离计算模块，用于根据修正后的足印的图像像素位置计算相邻两个修正足印在图像中的观测距离；
观测步长之比计算模块：用于计算相邻两步之间修正后的观测步长之比A和B；
实际步长之比计算模块：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。
本发明中所述的对所述的图像中连续三步的足印的图像像素位置(ui,vi)进行修正，得到一条直线上修正后的足印的图像像素位置具体的推导过程如下：
一、成像平面内
通常情况下，人直行时双脚同时落在一条直线的情况比较理想。不过，一般直行情况下，人两只脚的轨迹可以大概看成是两条平行的直线，即如图1所示的p1和p2，图1中，实心足印为真实足印，空心足印为修正后的足印(p3与p⊥i的交点)。
接下来，通过推导找到各个足印在p1和p2中心线(即p3)上的投影，并确定这些投影在成像平面上的位置，以便于修正步态分析方法，从而适用于通常的直行情况。
在地平面坐标系中，如图1所示，若
p1:AX′+BZ′+C1＝0, (1)
p2:AX′+BZ′+C2＝0, (2)
其中，A,B,C1,C2为常数，则中心线为：
p3:AX′+BZ′+(C1+C2)/2＝0, (3)
且垂直于p3并通过各个足印的直线(如图1中的p⊥1,p⊥2)可被表示为：
p⊥i:BX′-AZ′+M＝0, (4)
这里M也是常数，p3与p⊥i的交点即为一个足印在直线p3上的投影，把它称为修正足印。
设直线p1,p2,p3,p⊥i在成像平面上的投影分别为根据投影几何理论，在成像平面坐标系内，有：
通常，从监控视频中可以根据两脚足迹(即)很容易得到而与交点将是第i个修正足印在成像平面上的位置。
为获得设通过的第i个足印在成像平面坐标系内坐标为(xi,yi)，则可重写公式(8)为：
若A,B≠0，则式(9)又可写为：
在式(10)中，成像平面内第i个足印的位置可以由监测视频观测得到，Af/B的数值可以由方程中的Bf/A得到，即Af/B＝(Bf/A)-1f2。
尽管理论上有可能A＝0或者B＝0，但实际在现实环境下很少有情况能够满足这些条件。即使当受试者被特殊要求沿着垂直于光轴或平行于光轴的方向行走，根据他们足印拟合出的曲线仍然都有非零的A和B值。因此，这里仅考虑当A和B都不为零时的情况。
也就是说，只要能够获得和的方程，就可以确定第i个修正足印在成像平面的位置这样，通过修正的足印刚好都落在一条直线上，从而可以直接获得相邻两部的步长比。
二、像素平面内
由于从数字视频中提取的信息都以像素为单位，仍需推导像素坐标系内步长比的获取方式。这时，最重要的是推导数字视频中像素坐标系内的修正足印位置。因为，一旦获得像素坐标系内的修正足印位置，则可根据专利号为CN104346606A的公开文件中的方法直接计算获得相邻步长比。
设u-v表示左上角为原点的像素坐标系。成像平面坐标(x,y)与数字图像像素坐标(u,v)的关系为：
x＝(u0-u)·dx,
y＝(v0-v)·dy,(11)
其中，(u0,v0)表示数字图像的中心点像素坐标，dx、dy分别表示摄像机感光器件上的像素宽度和高度(通常dx≈dy)。
对于一个监测视频，在检测行人、定位双脚后，可以得到他双脚落地的像素坐标位置，可记为(u1,v1),(u2,v2),…。这里，(ui,vi)表示该人第i个足印在数字视频中的像素坐标。根据这些足印坐标，可以获得像素坐标系内的双脚轨迹拟合直线方程：
其中，都是常数。相应地，在成像平面内的直线分别为：
那么可得到成像平面内的方程为
其中，
同时，还可得到Bf/A的值为
简便起见，设
则可计算Af/B的值为：
其中，fp表示像素焦距。然后，可以得到通过第i个足印的直线的方程为：
由此，直线与的交点(即第i个修正足印在成像平面的坐标)为：
其中，
根据公式(11)，第i个修正足印在数字图像平面的像素坐标为：
显然，第i个修正足印在数字图像的像素坐标系内的位置与摄像机感光器件的尺寸(即dx、dy)无关。
在获得修正足印的像素坐标之后，可以不需要坐标转换，而是计算像素坐标系内的相邻两步之间修正后的观测步长之比A和B。

Claims (10)

1.一种新的异常步态分析方法，其特征在于，包括以下步骤：
S1，跟踪运动人体目标，并对图像中连续三步的足印进行修正，得到一条直线上修正后的足印的图像像素位置
S2，根据修正后的足印的图像像素位置计算相邻两个修正足印在图像中的观测距离及相邻两步之间修正后的观测步长之比A和B；
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：
<mrow> <msubsup> <mi>L</mi> <mn>2</mn> <mrow> <mi>Re</mi> <mi>a</mi> <mi>l</mi> </mrow> </msubsup> <mo>/</mo> <msubsup> <mi>L</mi> <mn>1</mn> <mrow> <mi>Re</mi> <mi>a</mi> <mi>l</mi> </mrow> </msubsup> <mo>=</mo> <msqrt> <mfrac> <mrow> <mi>A</mi> <mo>&amp;times;</mo> <mi>B</mi> <mo>+</mo> <mi>A</mi> <mo>+</mo> <mi>B</mi> <mo>+</mo> <mn>1</mn> </mrow> <mi>A</mi> </mfrac> </msqrt> <mo>-</mo> <mn>1</mn> <mo>;</mo> </mrow>
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所述的一种新的异常步态分析方法，其特征在于，步骤S1包括以下步骤：
S11，跟踪运动人体目标，获取人体剪影；
S12，分割人体剪影，并根据剪影对人体双脚进行定位，得到图像中连续三步的足印的图像像素位置(ui,vi)；
S13，对所述的图像中连续三步的足印的图像像素位置(ui,vi)进行修正，得到一条直线上修正后的足印的图像像素位置
3.根据权利要求2所述的一种新的异常步态分析方法，其特征在于，步骤S11中，采用Camshift算法跟踪运动人体目标。
4.根据权利要求2所述的一种新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4所述的一种新的异常步态分析方法，其特征在于，步骤S12中，采用凸点检测的方法对人体双脚进行定位；具体包括以下步骤：
对人体剪影由下至上的25％的区域进行凸点检测；
对检测到的凸点进行二分类的聚类分析，找到二分类的聚类中心；所述的聚类中心的位置即为人体双脚的位置。
6.根据权利要求5所述的一种新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分类的聚类分析。
7.根据权利要求2所述的一种新的异常步态分析方法，其特征在于，步骤S13中所述的修正后的足印的图像像素位置为：
<mrow> <mfenced open = "{" close = ""> <mtable> <mtr> <mtd> <mrow> <msubsup> <mi>u</mi> <mi>i</mi> <mi>M</mi> </msubsup> <mo>=</mo> <msub> <mi>u</mi> <mn>0</mn> </msub> <mo>-</mo> <mi>Q</mi> <mo>+</mo> <mrow> <mo>(</mo> <mi>Q</mi> <mo>+</mo> <msubsup> <mi>f</mi> <mi>p</mi> <mn>2</mn> </msubsup> <mo>/</mo> <mi>Q</mi> <mo>)</mo> </mrow> <msup> <mover> <mi>s</mi> <mo>&amp;OverBar;</mo> </mover> <mrow> <mi>u</mi> <mi>v</mi> </mrow> </msup> <mo>/</mo> <mrow> <mo>(</mo> <msup> <mover> <mi>s</mi> <mo>&amp;OverBar;</mo> </mover> <mrow> <mi>u</mi> <mi>v</mi> </mrow> </msup> <mo>+</mo> <mi>R</mi> <mo>)</mo> </mrow> <mo>,</mo> </mrow> </mtd> </mtr> <mtr> <mtd> <mrow> <msubsup> <mi>v</mi> <mi>i</mi> <mi>M</mi> </msubsup> <mo>=</mo> <msub> <mi>v</mi> <mn>0</mn> </msub> <mo>-</mo> <mrow> <mo>(</mo> <mi>Q</mi> <mo>+</mo> <msubsup> <mi>f</mi> <mi>p</mi> <mn>2</mn> </msubsup> <mo>/</mo> <mi>Q</mi> <mo>)</mo> </mrow> <mo>/</mo> <mrow> <mo>(</mo> <msup> <mover> <mi>s</mi> <mo>&amp;OverBar;</mo> </mover> <mrow> <mi>u</mi> <mi>v</mi> </mrow> </msup> <mo>+</mo> <mi>R</mi> <mo>)</mo> </mrow> <mo>.</mo> </mrow> </mtd> </mtr> </mtable> </mfenced> <mo>;</mo> </mrow>
其中：
<mrow> <mi>Q</mi> <mo>=</mo> <msub> <mi>u</mi> <mn>0</mn> </msub> <mo>+</mo> <msup> <mover> <mi>s</mi> <mo>&amp;OverBar;</mo> </mover> <mrow> <mi>u</mi> <mi>v</mi> </mrow> </msup> <msub> <mi>v</mi> <mn>0</mn> </msub> <mo>+</mo> <msup> <mover> <mi>d</mi> <mo>&amp;OverBar;</mo> </mover> <mrow> <mi>u</mi> <mi>v</mi> </mrow> </msup> <mo>,</mo> </mrow>
<mrow> <mi>R</mi> <mo>=</mo> <mrow> <mo>(</mo> <msub> <mi>u</mi> <mn>0</mn> </msub> <mo>-</mo> <msub> <mi>u</mi> <mi>i</mi> </msub> <mo>+</mo> <msubsup> <mi>f</mi> <mi>p</mi> <mn>2</mn> </msubsup> <mo>/</mo> <mi>Q</mi> <mo>)</mo> </mrow> <mo>/</mo> <mrow> <mo>(</mo> <msub> <mi>v</mi> <mn>0</mn> </msub> <mo>-</mo> <msub> <mi>v</mi> <mi>i</mi> </msub> <mo>)</mo> </mrow> </mrow>
<mrow> <msup> <mover> <mi>s</mi> <mo>&amp;OverBar;</mo> </mover> <mrow> <mi>u</mi> <mi>v</mi> </mrow> </msup> <mo>=</mo> <mrow> <mo>(</mo> <msubsup> <mi>s</mi> <mn>1</mn> <mrow> <mi>u</mi> <mi>v</mi> </mrow> </msubsup> <mo>+</mo> <msubsup> <mi>s</mi> <mn>2</mn> <mrow> <mi>u</mi> <mi>v</mi> </mrow> </msubsup> <mo>)</mo> </mrow> <mo>/</mo> <mn>2</mn> <mo>,</mo> </mrow>
<mrow> <msup> <mover> <mi>d</mi> <mo>&amp;OverBar;</mo> </mover> <mrow> <mi>u</mi> <mi>v</mi> </mrow> </msup> <mo>=</mo> <mrow> <mo>(</mo> <msubsup> <mi>d</mi> <mn>1</mn> <mrow> <mi>u</mi> <mi>v</mi> </mrow> </msubsup> <mo>+</mo> <msubsup> <mi>d</mi> <mn>2</mn> <mrow> <mi>u</mi> <mi>v</mi> </mrow> </msubsup> <mo>)</mo> </mrow> <mo>/</mo> <mn>2</mn> <mo>,</mo> </mrow>
所述的参数通过以下方式获得：对行走过程中两脚的足印分别进行直线拟合，得到足印所形成的原始直线p1和p2在图像中的映射直线和
<mrow> <msubsup> <mi>p</mi> <mn>1</mn> <mrow> <mi>u</mi> <mi>v</mi> </mrow> </msubsup> <mo>:</mo> <mi>u</mi> <mo>+</mo> <msubsup> <mi>s</mi> <mn>1</mn> <mrow> <mi>u</mi> <mi>v</mi> </mrow> </msubsup> <mi>v</mi> <mo>+</mo> <msubsup> <mi>d</mi> <mn>1</mn> <mrow> <mi>u</mi> <mi>v</mi> </mrow> </msubsup> <mo>=</mo> <mn>0</mn> <mo>,</mo> </mrow>
<mrow> <msubsup> <mi>p</mi> <mn>2</mn> <mrow> <mi>u</mi> <mi>v</mi> </mrow> </msubsup> <mo>:</mo> <mi>u</mi> <mo>+</mo> <msubsup> <mi>s</mi> <mn>2</mn> <mrow> <mi>u</mi> <mi>v</mi> </mrow> </msubsup> <mi>v</mi> <mo>+</mo> <msubsup> <mi>d</mi> <mn>2</mn> <mrow> <mi>u</mi> <mi>v</mi> </mrow> </msubsup> <mo>=</mo> <mn>0</mn> <mo>,</mo> </mrow>
由此得到参数
其中，u，v表示像素坐标，(u0,v0)为图像中心像素坐标，fp为摄像机的像素焦距。
8.根据权利要求1所述的一种新的异常步态分析方法，其特征在于，步骤S2中所述的计算相邻两个修正足印在图像中的观测距离及相邻两步之间修正后的观测步长之比A和B，包括以下步骤：若相邻两个修正足印在图像中的观测距离，分别记为和则相邻两步之间修正后的观测步长之比A和B分别为：
<mrow> <mi>A</mi> <mo>=</mo> <msubsup> <mi>L</mi> <mn>1</mn> <mrow> <mi>o</mi> <mi>b</mi> <mi>s</mi> <mi>e</mi> <mi>r</mi> <mi>v</mi> <mi>e</mi> <mi>d</mi> </mrow> </msubsup> <mo>/</mo> <msubsup> <mi>L</mi> <mn>2</mn> <mrow> <mi>o</mi> <mi>b</mi> <mi>s</mi> <mi>e</mi> <mi>r</mi> <mi>v</mi> <mi>e</mi> <mi>d</mi> </mrow> </msubsup> <mo>,</mo> </mrow>
<mrow> <mi>B</mi> <mo>=</mo> <msubsup> <mi>L</mi> <mn>2</mn> <mrow> <mi>o</mi> <mi>b</mi> <mi>s</mi> <mi>e</mi> <mi>r</mi> <mi>v</mi> <mi>e</mi> <mi>d</mi> </mrow> </msubsup> <mo>/</mo> <msubsup> <mi>L</mi> <mn>3</mn> <mrow> <mi>o</mi> <mi>b</mi> <mi>s</mi> <mi>e</mi> <mi>r</mi> <mi>v</mi> <mi>e</mi> <mi>d</mi> </mrow> </msubsup> <mo>.</mo> </mrow>
9.根据权利要求1所述的一种新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所述方法的一种新的异常步态分析系统，其特征在于，包括：跟踪模块，用于跟踪运动人体目标；
步态修正模块，用于对图像中连续三步的足印进行修正，得到一条直线上修正后的足印的图像像素位置
观测距离计算模块，用于根据修正后的足印的图像像素位置计算相邻两个修正足印在图像中的观测距离；
观测步长之比计算模块：用于计算相邻两步之间修正后的观测步长之比A和B；
实际步长之比计算模块：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：
<mrow> <msubsup> <mi>L</mi> <mn>2</mn> <mrow> <mi>Re</mi> <mi>a</mi> <mi>l</mi> </mrow> </msubsup> <mo>/</mo> <msubsup> <mi>L</mi> <mn>1</mn> <mrow> <mi>Re</mi> <mi>a</mi> <mi>l</mi> </mrow> </msubsup> <mo>=</mo> <msqrt> <mfrac> <mrow> <mi>A</mi> <mo>&amp;times;</mo> <mi>B</mi> <mo>+</mo> <mi>A</mi> <mo>+</mo> <mi>B</mi> <mo>+</mo> <mn>1</mn> </mrow> <mi>A</mi> </mfrac> </msqrt> <mo>-</mo> <mn>1</mn> <mo>;</mo> </mrow>
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。
CN201611007666.5A 2016-11-16 2016-11-16 一种新的异常步态分析方法及系统 Active CN108073861B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201611007666.5A CN108073861B (zh) 2016-11-16 2016-11-16 一种新的异常步态分析方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201611007666.5A CN108073861B (zh) 2016-11-16 2016-11-16 一种新的异常步态分析方法及系统

Publications (2)

Publication Number Publication Date
CN108073861A true CN108073861A (zh) 2018-05-25
CN108073861B CN108073861B (zh) 2020-05-15

Family

ID=62163261

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201611007666.5A Active CN108073861B (zh) 2016-11-16 2016-11-16 一种新的异常步态分析方法及系统

Country Status (1)

Country Link
CN (1) CN108073861B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111000567A (zh) * 2019-12-26 2020-04-14 浙江福祉医疗器械有限公司 一种用于可穿戴式设备的人体行走状态识别方法及该设备
CN111539365A (zh) * 2020-04-29 2020-08-14 兰州大学 一种动物行为分析方法、装置及电子设备
CN112823319A (zh) * 2018-09-18 2021-05-18 西门子股份公司 用于对异常识别方法进行参数化的方法和辅助系统
CN113034608A (zh) * 2021-03-11 2021-06-25 东北大学秦皇岛分校 一种角膜表面形态测量装置及方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20040228503A1 (en) * 2003-05-15 2004-11-18 Microsoft Corporation Video-based gait recognition
CN103488971A (zh) * 2013-09-06 2014-01-01 电子科技大学 生物礁储层的几何形态识别方法
CN104346606A (zh) * 2014-10-30 2015-02-11 东北大学 异常步态分析方法及系统
CN102902945B (zh) * 2012-09-28 2015-04-15 南京汇兴博业数字设备有限公司 基于快速响应矩阵码外轮廓的畸变校正方法
CN104616335A (zh) * 2015-02-17 2015-05-13 北京科艺有容科技有限责任公司 一种三维角色循环动画的自动累积方法
US20160307031A1 (en) * 2013-10-22 2016-10-20 Bae Systems Information And Electronic Systems Integration Inc. Rotation and pace independent mobile gait analysis

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20040228503A1 (en) * 2003-05-15 2004-11-18 Microsoft Corporation Video-based gait recognition
CN102902945B (zh) * 2012-09-28 2015-04-15 南京汇兴博业数字设备有限公司 基于快速响应矩阵码外轮廓的畸变校正方法
CN103488971A (zh) * 2013-09-06 2014-01-01 电子科技大学 生物礁储层的几何形态识别方法
US20160307031A1 (en) * 2013-10-22 2016-10-20 Bae Systems Information And Electronic Systems Integration Inc. Rotation and pace independent mobile gait analysis
CN104346606A (zh) * 2014-10-30 2015-02-11 东北大学 异常步态分析方法及系统
CN104616335A (zh) * 2015-02-17 2015-05-13 北京科艺有容科技有限责任公司 一种三维角色循环动画的自动累积方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
JANE COURTNEY等: "A Monocular Marker-Free Gait Measurement System", 《IEEE TRANSACTIONS ON NEURAL SYSTEMS AND REHABILITATION ENGINEERING》 *
XI CAI等: "Assessment of gait parameters during unconstrained straight-line walking using a single camera", 《2015 IEEE 7TH INTERNATIONAL CONFERENCE ON AWARENESS SCIENCE AND TECHNOLOGY (ICAST)》 *
孙忠胜等: "单人行走运动参数估计方法", 《北京航空航天大学学报》 *

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112823319A (zh) * 2018-09-18 2021-05-18 西门子股份公司 用于对异常识别方法进行参数化的方法和辅助系统
CN112823319B (zh) * 2018-09-18 2022-07-19 西门子股份公司 用于对异常识别方法进行参数化的方法和辅助系统
US12001516B2 (en) 2018-09-18 2024-06-04 Siemens Aktiengesellschaft Method and assistance system for parameterizing an anomaly detection method
CN111000567A (zh) * 2019-12-26 2020-04-14 浙江福祉医疗器械有限公司 一种用于可穿戴式设备的人体行走状态识别方法及该设备
CN111000567B (zh) * 2019-12-26 2021-07-20 浙江福祉科创有限公司 一种用于可穿戴式设备的人体行走状态识别方法及该设备
CN111539365A (zh) * 2020-04-29 2020-08-14 兰州大学 一种动物行为分析方法、装置及电子设备
CN111539365B (zh) * 2020-04-29 2022-08-23 兰州大学 一种动物行为分析方法、装置及电子设备
CN113034608A (zh) * 2021-03-11 2021-06-25 东北大学秦皇岛分校 一种角膜表面形态测量装置及方法

Also Published As

Publication number Publication date
CN108073861B (zh) 2020-05-15

Similar Documents

Publication Publication Date Title
CN108073861B (zh) 一种新的异常步态分析方法及系统
Milford et al. Mapping a suburb with a single camera using a biologically inspired SLAM system
CN103597514B (zh) 物体检测框显示装置和物体检测框显示方法
CN103099623B (zh) 一种人体运动学参数的提取方法
US20090304231A1 (en) Method of automatically detecting and tracking successive frames in a region of interesting by an electronic imaging device
US9781336B2 (en) Optimum camera setting device and optimum camera setting method
Chakraborty et al. Accuracy of image data stream of a markerless motion capture system in determining the local dynamic stability and joint kinematics of human gait
Sivalingam et al. A multi-sensor visual tracking system for behavior monitoring of at-risk children
CN104954747B (zh) 视频监视方法和装置
Yang et al. Fall detection for multiple pedestrians using depth image processing technique
Staranowicz et al. Easy-to-use, general, and accurate multi-Kinect calibration and its application to gait monitoring for fall prediction
CN112568898A (zh) 一种基于视觉图像对人体运动动作自动进行伤病风险评估及动作矫正的方法、装置及设备
JP7439353B2 (ja) 認知機能評価方法、認知機能評価装置及び認知機能評価プログラム
Cai et al. Single-camera-based method for step length symmetry measurement in unconstrained elderly home monitoring
US20170287145A1 (en) Running sensing method and system
US20160156839A1 (en) Position detection device
WO2023283866A1 (zh) 呼吸运动模型的构建方法和无标记呼吸运动预测方法
CN112396600B (zh) 基于热成像和深度图的脱敏状态下面部神经麻痹检测系统
Martinez et al. “BAM!” depth-based body analysis in critical care
JP7197011B2 (ja) 身長推定装置、身長推定方法及びプログラム
CN108577849A (zh) 一种基于雾计算模型的生理机能检测方法
CN104346606B (zh) 异常步态分析方法及系统
Tsai et al. Validation of Gait Measurements on Short-Distance Walkways Using Azure Kinect DK in Patients Receiving Chronic Hemodialysis
Nandy et al. Modern methods for affordable clinical gait analysis: theories and applications in healthcare systems
Sessner et al. Robust Obstacle Mapping for Visually Impaired Jogger on Less Structured Paths

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant