CN109325479B - 步伐检测方法及装置 - Google Patents
步伐检测方法及装置 Download PDFInfo
- Publication number
- CN109325479B CN109325479B CN201811436744.2A CN201811436744A CN109325479B CN 109325479 B CN109325479 B CN 109325479B CN 201811436744 A CN201811436744 A CN 201811436744A CN 109325479 B CN109325479 B CN 109325479B
- Authority
- CN
- China
- Prior art keywords
- video frame
- key point
- value
- ith
- frame group
- 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.)
- Active
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 31
- 238000000034 method Methods 0.000 claims abstract description 47
- 238000012512 characterization method Methods 0.000 claims abstract description 19
- 210000003423 ankle Anatomy 0.000 claims description 56
- 238000012545 processing Methods 0.000 claims description 27
- 238000004590 computer program Methods 0.000 claims description 11
- 230000001629 suppression Effects 0.000 claims description 4
- 238000001914 filtration Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 16
- 210000002683 foot Anatomy 0.000 description 16
- 238000004891 communication Methods 0.000 description 10
- 208000018737 Parkinson disease Diseases 0.000 description 8
- 230000006870 function Effects 0.000 description 7
- 238000012360 testing method Methods 0.000 description 7
- 238000004364 calculation method Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 6
- 230000005021 gait Effects 0.000 description 6
- 230000033001 locomotion Effects 0.000 description 6
- 230000003287 optical effect Effects 0.000 description 5
- 230000009471 action Effects 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 4
- 230000005236 sound signal Effects 0.000 description 4
- 238000003745 diagnosis Methods 0.000 description 3
- 230000037230 mobility Effects 0.000 description 3
- 206010017577 Gait disturbance Diseases 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000001902 propagating effect Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 229910052802 copper Inorganic materials 0.000 description 1
- 239000010949 copper Substances 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000008014 freezing Effects 0.000 description 1
- 238000007710 freezing Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000000653 nervous system Anatomy 0.000 description 1
- 208000015122 neurodegenerative disease Diseases 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 239000013598 vector Substances 0.000 description 1
Images
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)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Psychiatry (AREA)
- Social Psychology (AREA)
- Human Computer Interaction (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本公开涉及一种步伐检测方法及装置。该方法包括：获取包含对象的视频的多个视频帧；对多个视频帧进行检测，获取对象的多个关键点在每个视频帧中的坐标信息；根据多个关键点的坐标信息，确定多个关键点中的第一关键点和第二关键点在每个视频帧组中的速度表征值差值；根据多个速度表征值差值，确定对象在视频中的步伐信息。本公开实施例所提供的步伐检测方法，能够快速地获取到对象的步伐信息，所获得的步伐信息的精度高、鲁棒性好。
Description
技术领域
本公开涉及计算机技术领域，尤其涉及一种步伐检测方法及装置。
背景技术
帕金森病(Parkinson’s Disease，简称PD)是常见于中老年人的一种神经系统退行性疾病。步态障碍是帕金森病主要的特异性临床表现之一。中晚期PD患者的步态特征较常人明显不同，行走时一般采取身体前倾姿势，步伐呈小碎步且随时间加快，呈现出慌张步态，在启步时偶尔发生步态冻结(Freezing of gait,FOG)，即突然中止步伐的现象。
在短时间内获取PD患者步态相关参数能够帮助医生缩小诊断范围，提出更有效的诊断措施。传统的PD患者步态障碍评估主要依靠医生的主观感受，根据评价量表进行定性评价，指标包括牵拉-放松测验(Pull-Relax Test)、平衡自信量表、Tinetti运动测验、Berg平衡量表等，在统一帕金森病评分量表(Unified Parkinson’s Disease Rating Scale,UPDRS)中的日常生活活动和运动检查项目也包含对行走和腿部灵活性的评分标准。但依靠医生进行定性评价的方法需耗费大量人力物力，且人为评估的主观性会对诊断结果引入误差。
为减少医生的负担，相关技术中，利用惯性传感器获取步伐信息。但利用惯性传感器需要将其穿戴在测试者的身上，并且需要专家对惯性传感器进行安装校准，对试验环境的要求较高，且穿戴在身上也给测试者的运动带来较大负担。
发明内容
有鉴于此，本公开提出了一种步伐检测方法及装置，以获取对象的步伐信息。
根据本公开的一方面，提供了一种步伐检测方法，所述方法包括：
获取包含对象的视频的多个视频帧；
对所述多个视频帧进行检测，获取所述对象的多个关键点在每个视频帧中的坐标信息；
根据所述多个关键点的坐标信息，确定所述多个关键点中的第一关键点和第二关键点在每个视频帧组中的速度表征值差值，每个视频帧组包括连续且相邻的多个视频帧；
根据多个速度表征值差值，确定所述对象在所述视频中的步伐信息。
对于上述方法，在一种可能的实现方式中，根据所述多个关键点的坐标信息，确定所述多个关键点中的第一关键点和第二关键点在每个视频帧组中的速度表征值差值，包括：
根据所述多个关键点在当前视频帧组的多个视频帧中的坐标信息，确定所述第一关键点在所述当前视频帧组中的速度表征值；
根据所述多个关键点在当前视频帧组的多个视频帧中的坐标信息，确定所述第二关键点在所述当前视频帧组中的速度表征值；
根据所述第一关键点在所述当前视频帧组中的速度表征值和所述第二关键点在所述当前视频帧组中的速度表征值，确定所述第一关键点和所述第二关键点在所述当前视频帧组中的速度表征值差值。
对于上述方法，在一种可能的实现方式中，根据多个速度表征值差值，确定所述对象在所述视频中的步伐信息，包括：
确定第一数量的视频帧所对应的多个速度表征值差值的极值；
根据所述极值和所述第一数量的视频帧组所对应的播放时间中的至少一项，确定所述步伐信息。
对于上述方法，在一种可能的实现方式中，确定第一数量的视频帧组所对应的多个速度表征值差值的极值，包括：
采用非极大抑制法确定第一数量的视频帧组中的所述多个速度表征值差值的极值。
对于上述方法，在一种可能的实现方式中，所述方法还包括：
在确定所述速度表征值差值之前，对所述坐标信息进行归一化处理。
对于上述方法，在一种可能的实现方式中，所述方法还包括：
在确定步伐信息之前，对所述速度表征值差值进行低通滤波处理。
对于上述方法，在一种可能的实现方式中，所述步伐信息包括步幅、步速和步频中的至少一种。
对于上述方法，在一种可能的实现方式中，所述对象的多个关键点至少包括：所述对象的脖颈关键点、左臀关键点、右臀关键点、左踝关键点和右踝关键点。
对于上述方法，在一种可能的实现方式中，所述第一关键点为左踝关键点，所述第二关键点为右踝关键点，
通过式1计算左踝关键点x8在第i个视频帧组中的速度表征值，通过式2计算右踝关键点x9在第i个视频帧组中的速度表征值，以及通过式3计算左踝关键点x8和右踝关键点x9在第i个视频帧组中的速度表征值差值，
Di＝L(SDlankle(i)-SDrankle(i))式3，
其中，SDlankle(i)表示左踝关键点在第i个视频帧组中的速度表征值，W表示与所选取的第i个视频帧组中视频帧的数量，第i个视频帧组所包括的多个视频帧为第i个视频帧、…、第i+W个视频帧，
表示在第i个视频帧中脖颈关键点的坐标信息，
表示在第i个视频帧中左臀关键点的坐标信息，
表示在第i个视频帧中脖颈关键点与左臀关键点之间的距离，
表示左踝关键点在第k个视频帧中的坐标信息，k大于等于i且小于等于i+W，
表示左踝关键点在第i个视频帧以及与第i个视频帧相邻的W个视频帧中的坐标平均值，
其中，SDrankle(i)表示右踝关键点在第i个视频帧组中的速度表征值，
表示在第i个视频帧中右臀关键点的坐标信息，
表示在第i个视频帧中脖颈关键点与右左臀关键点之间的距离，
表示右踝关键点在第k个视频帧中的坐标信息，
表示右踝关键点在第i个视频帧以及与第i个视频帧相邻的W个视频帧中的坐标平均值，
其中，Di表示左踝关键点和右踝关键点在第i个视频帧组中的速度表征值差值，L表示差值系数。
根据本公开的另一方面，提供了一种步伐检测装置，包括：处理器；用于存储处理器可执行指令的存储器；其中，所述处理器被配置为执行上述方法。
根据本公开的另一方面，提供了一种非易失性计算机可读存储介质，其上存储有计算机程序指令，其中，所述计算机程序指令被处理器执行时实现上述方法。
本公开实施例所提供的步伐检测方法及装置，获取包含对象的视频的多个视频帧；对多个视频帧进行检测，获取对象的多个关键点在每个视频帧中的坐标信息；根据多个关键点的坐标信息，确定多个关键点中的第一关键点和第二关键点在每个视频帧组中的速度表征值差值；根据多个速度表征值差值，确定对象在视频中的步伐信息。该方法能够快速地获取到对象的步伐信息，所获得的步伐信息的精度高、鲁棒性好。
根据下面参考附图对示例性实施例的详细说明，本公开的其它特征及方面将变得清楚。
附图说明
包含在说明书中并且构成说明书的一部分的附图与说明书一起示出了本公开的示例性实施例、特征和方面，并且用于解释本公开的原理。
图1示出根据本公开一实施例的步伐检测方法的流程图。
图2示出根据本公开一实施例的步伐检测方法的流程图。
图3示出根据本公开一实施例的步伐检测方法的流程图。
图4示出根据本公开一实施例的步伐检测方法中步骤S13的流程图。
图5示出根据本公开一实施例的步伐检测方法中步骤S14的流程图。
图6示出根据本公开一实施例的步伐检测装置的框图。
图7示出根据本公开一实施例的步伐检测装置的框图。
具体实施方式
以下将参考附图详细说明本公开的各种示例性实施例、特征和方面。附图中相同的附图标记表示功能相同或相似的元件。尽管在附图中示出了实施例的各种方面，但是除非特别指出，不必按比例绘制附图。
在这里专用的词“示例性”意为“用作例子、实施例或说明性”。这里作为“示例性”所说明的任何实施例不必解释为优于或好于其它实施例。
另外，为了更好的说明本公开，在下文的具体实施方式中给出了众多的具体细节。本领域技术人员应当理解，没有某些具体细节，本公开同样可以实施。在一些实例中，对于本领域技术人员熟知的方法、手段、元件和电路未作详细描述，以便于凸显本公开的主旨。
图1示出根据本公开一实施例的步伐检测方法的流程图。如图1所示，该方法可以应用于手机、平板电脑等终端中，也可以应用于服务器中。该方法包括步骤S11至步骤S14。
在步骤S11中，获取包含对象的视频的多个视频帧。
在一种可能的实现方式中，在包含对象的视频中，对象可以按照起立-行走计时(TUG)测试进行运动。其中，TUG测试是广泛被接受的、用于评估对象(例如老年人)的行动能力的测试，它通常包括对象从坐在椅子上、起身、向前走、转身、向回走到坐回椅子上的整个过程，具体涉及“坐”、“坐到站”、“走”、“转身”、“走回”和“坐回”这几个不同运动状态的运动阶段。这样，可以提高根据所获得的步伐信息的准确性，进而可以提高根据步伐信息所确定的对象的行动能力的准确性。
在步骤S12中，对多个视频帧进行检测，获取对象的多个关键点在每个视频帧中的坐标信息。
在一种可能的实现方式中，对象的多个关键点至少包括：对象的脖颈关键点、左臀关键点、右臀关键点、左踝关键点和右踝关键点。还可以包括左肩关键点、右肩关键点等位于对象身体上、能够表征对象运动状态的关键点，本公开对此不作限制。
在该实现方式中，可以利用OpenPose人体姿态估计器确定对象的多个关键点在每个视频帧中的坐标信息。其中，OpenPose是一个用于实时对人身体关键点检测的计算库，输入常规的RGB图像后可定位到图像中的每个人，并在人体的对应位置生成关键点，分析得到关键点的坐标信息。该计算库的关键是使用一个级联型的深度卷积神经网络(Convolutional Neural Network，CNN)，结合相应条件约束的偶匹配算法，用于联合预测部分人体关节位置的置信图(Part Confidence Maps，PAM)和一系列部分亲和字段(PartAffinity Fields，PAF)的二维向量，从而计算不同身体部位之间的关联程度。
在步骤S13中，根据多个关键点的坐标信息，确定多个关键点中的第一关键点和第二关键点在每个视频帧组中的速度表征值差值。每个视频帧组包括连续且相邻的多个视频帧。
在本实施例中，获取的包含对象的视频的多个视频帧可以被划分为多个视频帧组，每个视频帧组包括连续且相邻的多个视频帧。例如，获取的包含对象的视频的多个视频帧为视频帧1、2、…、20，可以将视频帧1、2、…、20划分成4个视频帧组1、6、11、16，其中，视频帧组1中包括视频帧1、2、3、4、5，视频帧组6包括视频帧6、7、8、9、10，视频帧组11中包括视频帧11、12、13、14、15，视频帧组16包括视频帧16、17、18、19、20。
在本实施例中，速度表征值差值可以是第一关键点的速度表征值与第二关键点的速度表征值之间的差值。第一关键点(或第二关键点)在一个视频帧组中的速度表征值，可以是表示第一关键点(或第二关键点)在视频帧组的多个视频帧中的移动速度的快慢的值，表征移动速度的值可以是第一关键点(或第二关键点)坐标在视频帧组中的方差、标准差等值。可以根据需要对每个视频帧组所包括的连续且相邻的多个视频帧的数量进行设置，例如，每个视频帧组可以包括5个相邻且连续的视频帧。速度表征值越大，对应的第一关键点或第二关键点的移动速度越大。
举例来说，若计算第一关键点在视频帧组3中的速度表征值，可以选择第一关键点在视频帧组3中的相邻且连续的视频帧32、视频帧33、视频帧34、视频帧35和视频帧36中的坐标信息作为计算依据。根据第一关键点在视频帧32、视频帧33、视频帧34、视频帧35和视频帧36中的坐标信息，确定第一关键点在视频帧32、视频帧33、视频帧34、视频帧35和视频帧36中的坐标的标准差，并将该标准差确定为第一关键点在视频帧组3中的速度表征值σ1。同理，计算第二关键点在视频帧组3中的速度表征值，也同样选择第二关键点在视频帧组3中的相邻且连续的视频帧32、视频帧33、视频帧34、视频帧35和视频帧36中的坐标信息作为计算依据。根据第二关键点在视频帧32、视频帧33、视频帧34、视频帧35和视频帧36中的坐标信息，确定第二关键点在视频帧32、视频帧33、视频帧34、视频帧35和视频帧36中的坐标的标准差，并将该标准差确定为第二关键点在视频帧组3的速度表征值σ2。进而第一关键点和第二关键点在视频帧组3的速度表征值差值可以为σ1-σ2。
需要说明的是，计算第一关键点和第二关键点相对于每个视频帧的速度表征值差值的方式并不仅限于上述方式，本领域技术人员可以根据需要进行设置，本公开对此不作限制。
在步骤S14中，根据多个速度表征值差值，确定对象在视频中的步伐信息。
在一种可能的实现方式中，步伐信息可以包括步幅、步速和步频中的至少一种。
在本实施例中，由于对象在正常运动过程中，步伐具有一定的规律性，以第一关键点和第二关键点分别为左踝关键点和右踝关键点为例，第一关键点和第二关键点在视频帧组的速度表征值差值越大，表明在该视频帧组中对象的左右脚之间的移动速度差值越大、左右脚之间的距离越大。多个速度表征值差值的极值所对应的视频帧组中，对象可以是左脚在前或者右脚在前的迈出一步，其中，若极大值(或极小值)对应为左脚在前，则极小值(或极大值)可以对应为右脚在前。
举例来说，可以获取多个速度表征值差值中的任意两个相邻的极值。该极值所对应的视频帧组中该对象产生新的步伐迈出了一步、且左右脚之间的距离最大。根据极值所对应的视频帧组中左踝关键点和右踝关键点的坐标信息，可以计算出左右脚之间的距离(也即步幅)。根据相邻的两个极值所对应的视频帧组之间的播放时间差可以确定对象迈出一步的时间，进而确定步频。基于步幅和确定的对象迈出一步的时间可以计算出步速。
在本实施例中，可以根据对象的步伐信息，结合已有的PD患者等行动能力受限患者的步伐特点，对对象的步伐进行分析，确定对象的行动能力。
本公开实施例所提供的步伐检测方法，获取包含对象的视频的多个视频帧；对多个视频帧进行检测，获取对象的多个关键点在每个视频帧中的坐标信息；根据多个关键点的坐标信息，确定多个关键点中的第一关键点和第二关键点在每个视频帧组中的速度表征值差值；根据多个速度表征值差值，确定对象在视频中的步伐信息。该方法能够快速地获取到对象的步伐信息，所获得的步伐信息的精度高、鲁棒性好，且对步伐的检测可以不受视频中对象所处环境的影响，不会为对象的行动带来任何不便，并为判断对象的行动能力提供了有力的依据。
图2示出根据本公开一实施例的步伐检测方法的流程图。在一种可能的实现方式中，如图2所示，该方法还可以包括步骤S15。
在步骤S15中，在确定速度表征值差值之前，对坐标信息进行归一化处理。
在该实现方式中，由于对象在视频中处于运动状态，在不同的视频帧中所呈现的对象身体的大小可能存在一定的差异。为保证步伐信息的准确性，需要对坐标信息进行归一化处理，可以以某一视频帧中对象的某部位的大小或者不同部位之间的距离等为基准，对多个视频帧各关键点的坐标信息分别进行适当的缩放，使得关键点的坐标信息能够与基准对应。
图3示出根据本公开一实施例的步伐检测方法的流程图。在一种可能的实现方式中，如图3所示，该方法还可以包括步骤S16。
在步骤S16中，在确定步伐信息之前，对速度表征值差值进行低通滤波处理。
在该实现方式中，对速度表征值差值进行低通滤波处理，可以减少速度表征值差值的噪声，提高步伐信息的准确性。
图4示出根据本公开一实施例的步伐检测方法中步骤S13的流程图。在一种可能的实现方式中，如图4所示，步骤S13可以包括步骤S131至步骤S133。
在步骤S131中，根据多个关键点在当前视频帧组的多个视频帧中的坐标信息，确定第一关键点在当前视频帧组中的速度表征值。
在步骤S132中，根据多个关键点在当前视频帧组的多个视频帧中的坐标信息，确定第二关键点在当前视频帧组中的速度表征值。
在步骤S133中，根据第一关键点在当前视频帧组中的速度表征值和第二关键点在当前视频帧组中的速度表征值，确定第一关键点和第二关键点在当前视频帧组中的速度表征值差值。
在该实现方式中，可以根据相邻两个视频帧之间的播放时间差、步伐信息的检测需求等，对确定第一关键点的速度表征值、以及第二关键点的速度表征值所利用的每个视频帧组中视频帧的数量进行设置。例如，视频帧组中的视频帧的数量可以是5个。
在该实现方式中，步骤S131也可以在步骤S132之后、或者二者同时执行，本公开对步骤S131和步骤S132的执行顺序不作限制。
在一种可能的实现方式中，第一关键点为左踝关键点，第二关键点为右踝关键点。可以通过式1计算左踝关键点x8在第i个视频帧组中的速度表征值，通过式2计算右踝关键点x9在第i个视频帧组中的速度表征值，以及通过式3计算左踝关键点x8和右踝关键点x9在第i个视频帧组中的速度表征值差值，
Di＝L(SDlankle(i)-SDrankle(i)) 式3，
其中，SDlankle(i)表示左踝关键点在第i个视频帧组中的速度表征值，W表示与所选取的第i个视频帧组中视频帧的数量，第i个视频帧组所包括的多个视频帧为第i个视频帧、…、第i+W个视频帧，
表示在第i个视频帧中脖颈关键点的坐标信息，
表示在第i个视频帧中左臀关键点的坐标信息，
表示在第i个视频帧中脖颈关键点与左臀关键点之间的距离，
表示左踝关键点在第k个视频帧中的坐标信息，k大于等于i且小于等于i+W，
表示左踝关键点在第i个视频帧以及与第i个视频帧相邻的W个视频帧中的坐标平均值。
其中，SDrankle(i)表示右踝关键点在第i个视频帧组中的速度表征值，
表示在第i个视频帧中右臀关键点的坐标信息，
表示在第i个视频帧中脖颈关键点与右左臀关键点之间的距离，
表示右踝关键点在第k个视频帧中的坐标信息，
表示右踝关键点在第i个视频帧以及与第i个视频帧相邻的W个视频帧中的坐标平均值。
其中，Di表示左踝关键点和右踝关键点在第i个视频帧组中的速度表征值差值，L表示差值系数。
需要说明的是，通过式1-式3计算左踝关键点和右踝关键点在视频帧组的速度表征值差值仅仅是本公开给出的一种方式示例，还可以采用其他方式进行计算，本公开对此不作限制。
图5示出根据本公开一实施例的步伐检测方法中步骤S14的流程图。在一种可能的实现方式中，如图5所示，步骤S14可以包括步骤S141和步骤S142。
在步骤S141中，确定第一数量的视频帧组所对应的多个速度表征值差值的极值。
在该实现方式中，第一数量的视频帧组所对应的多个速度表征值差值可以为，第一关键点和第二关键点在第一数量的视频帧组中的每一个视频帧组的速度表征值差值的集合。例如，若第一数量可以为20，可以分别获取第一关键点和第二关键点相对于视频帧组Pi-10至视频帧组Pi+9的速度表征值差值Di-10、…、Di+9，从20个速度表征值差值Di-10、…、Di+9中确定出极值。多个速度表征值差值的极值可以包括多个速度表征值差值中的最大值和最小值。可以根据步伐信息的检测需求、相邻两个视频帧组之间的播放时间差等对第一数量进行设置，以使得根据极值可以确定对象的运动产生的步伐，进而保证所确定的极值能够作为确定步伐信息依据。
在一种可能的实现方式中，确定第一数量的视频帧组所对应的多个速度表征值差值的极值，可以包括：采用非极大抑制法(Non-maximum suppression)确定第一数量的视频帧组中多个速度表征值差值的极值。
在步骤S142中，根据极值和第一数量的视频帧组所对应的播放时间中的至少一项，确定步伐信息。
在该实现方式中，根据极值可以确定对象的运动产生了一个新的步伐。且如按照上述方式计算速度表征值差值，则极值中极大值和极小值可以分别对应对象所迈出的左脚和右脚。
在该实现方式中，在确定了对象所产生的新步伐之后，可以根据极值所对应的视频帧组中第一关键点和第二关键点(假定第一关键点为左踝关键点，第二关键点为右踝关键点)的坐标信息，计算出对象左右脚之间的距离(即为步幅)。可以根据相邻的极大值和极小值所对应的视频帧组之间的播放时间差确定对象走出一步所用的时间T，进而根据走出一步所用的时间T可以确定出对象的步频。基于步幅和走出一步所用的时间T，可以计算出对象的步速。本领域技术人员可以根据实际需要对步伐信息的计算方式进行设置，本公开对此不作限制。
需要说明的是，尽管以上述实施例作为示例介绍了步伐检测方法如上，但本领域技术人员能够理解，本公开应不限于此。事实上，用户完全可根据个人喜好和/或实际应用场景灵活设定各步骤，只要符合本公开的技术方案即可。
图6示出根据本公开一实施例的步伐检测装置的框图。例如，装置800可以是移动电话，计算机，数字广播终端，消息收发设备，游戏控制台，平板设备，医疗设备，健身设备，个人数字助理等。
参照图6，装置800可以包括以下一个或多个组件：处理组件802，存储器804，电源组件806，多媒体组件808，音频组件810，输入/输出(I/O)的接口812，传感器组件814，以及通信组件816。
处理组件802通常控制装置800的整体操作，诸如与显示，电话呼叫，数据通信，相机操作和记录操作相关联的操作。处理组件802可以包括一个或多个处理器820来执行指令，以完成上述的方法的全部或部分步骤。此外，处理组件802可以包括一个或多个模块，便于处理组件802和其他组件之间的交互。例如，处理组件802可以包括多媒体模块，以方便多媒体组件808和处理组件802之间的交互。
存储器804被配置为存储各种类型的数据以支持在装置800的操作。这些数据的示例包括用于在装置800上操作的任何应用程序或方法的指令，联系人数据，电话簿数据，消息，图片，视频等。存储器804可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器(SRAM)，电可擦除可编程只读存储器(EEPROM)，可擦除可编程只读存储器(EPROM)，可编程只读存储器(PROM)，只读存储器(ROM)，磁存储器，快闪存储器，磁盘或光盘。
电源组件806为装置800的各种组件提供电力。电源组件806可以包括电源管理系统，一个或多个电源，及其他与为装置800生成、管理和分配电力相关联的组件。
多媒体组件808包括在所述装置800和用户之间的提供一个输出接口的屏幕。在一些实施例中，屏幕可以包括液晶显示器(LCD)和触摸面板(TP)。如果屏幕包括触摸面板，屏幕可以被实现为触摸屏，以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。所述触摸传感器可以不仅感测触摸或滑动动作的边界，而且还检测与所述触摸或滑动操作相关的持续时间和压力。在一些实施例中，多媒体组件808包括一个前置摄像头和/或后置摄像头。当装置800处于操作模式，如拍摄模式或视频模式时，前置摄像头和/或后置摄像头可以接收外部的多媒体数据。每个前置摄像头和后置摄像头可以是一个固定的光学透镜系统或具有焦距和光学变焦能力。
音频组件810被配置为输出和/或输入音频信号。例如，音频组件810包括一个麦克风(MIC)，当装置800处于操作模式，如呼叫模式、记录模式和语音识别模式时，麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器804或经由通信组件816发送。在一些实施例中，音频组件810还包括一个扬声器，用于输出音频信号。
I/O接口812为处理组件802和外围接口模块之间提供接口，上述外围接口模块可以是键盘，点击轮，按钮等。这些按钮可包括但不限于：主页按钮、音量按钮、启动按钮和锁定按钮。
传感器组件814包括一个或多个传感器，用于为装置800提供各个方面的状态评估。例如，传感器组件814可以检测到装置800的打开/关闭状态，组件的相对定位，例如所述组件为装置800的显示器和小键盘，传感器组件814还可以检测装置800或装置800一个组件的位置改变，用户与装置800接触的存在或不存在，装置800方位或加速/减速和装置800的温度变化。传感器组件814可以包括接近传感器，被配置用来在没有任何的物理接触时检测附近物体的存在。传感器组件814还可以包括光传感器，如CMOS或CCD图像传感器，用于在成像应用中使用。在一些实施例中，该传感器组件814还可以包括加速度传感器，陀螺仪传感器，磁传感器，压力传感器或温度传感器。
通信组件816被配置为便于装置800和其他设备之间有线或无线方式的通信。装置800可以接入基于通信标准的无线网络，如WiFi，2G或3G，或它们的组合。在一个示例性实施例中，通信组件816经由广播信道接收来自外部广播管理系统的广播信号或广播相关信息。在一个示例性实施例中，所述通信组件816还包括近场通信(NFC)模块，以促进短程通信。例如，在NFC模块可基于射频识别(RFID)技术，红外数据协会(IrDA)技术，超宽带(UWB)技术，蓝牙(BT)技术和其他技术来实现。
在示例性实施例中，装置800可以被一个或多个应用专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述方法。
在示例性实施例中，还提供了一种非易失性计算机可读存储介质，例如包括计算机程序指令的存储器804，上述计算机程序指令可由装置800的处理器820执行以完成上述方法。
图7示出根据本公开一实施例的步伐检测装置的框图。例如，装置1900可以被提供为一服务器。参照图7，装置1900包括处理组件1922，其进一步包括一个或多个处理器，以及由存储器1932所代表的存储器资源，用于存储可由处理组件1922的执行的指令，例如应用程序。存储器1932中存储的应用程序可以包括一个或一个以上的每一个对应于一组指令的模块。此外，处理组件1922被配置为执行指令，以执行上述方法。
装置1900还可以包括一个电源组件1926被配置为执行装置1900的电源管理，一个有线或无线网络接口1950被配置为将装置1900连接到网络，和一个输入输出(I/O)接口1958。装置1900可以操作基于存储在存储器1932的操作系统，例如Windows ServerTM，MacOS XTM，UnixTM,LinuxTM，FreeBSDTM或类似。
在示例性实施例中，还提供了一种非易失性计算机可读存储介质，例如包括计算机程序指令的存储器1932，上述计算机程序指令可由装置1900的处理组件1922执行以完成上述方法。
本公开可以是系统、方法和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质，其上载有用于使处理器实现本公开的各个方面的计算机可读程序指令。
计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是――但不限于――电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、静态随机存取存储器(SRAM)、便携式压缩盘只读存储器(CD-ROM)、数字多功能盘(DVD)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身，诸如无线电波或者其他自由传播的电磁波、通过波导或其他传输媒介传播的电磁波(例如，通过光纤电缆的光脉冲)、或者通过电线传输的电信号。
这里所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备，或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令，并转发该计算机可读程序指令，以供存储在各个计算/处理设备中的计算机可读存储介质中。
用于执行本公开操作的计算机程序指令可以是汇编指令、指令集架构(ISA)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码，所述编程语言包括面向对象的编程语言—诸如Smalltalk、C++等，以及常规的过程式编程语言—诸如“C”语言或类似的编程语言。计算机可读程序指令可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络—包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。在一些实施例中，通过利用计算机可读程序指令的状态信息来个性化定制电子电路，例如可编程逻辑电路、现场可编程门阵列(FPGA)或可编程逻辑阵列(PLA)，该电子电路可以执行计算机可读程序指令，从而实现本公开的各个方面。
这里参照根据本公开实施例的方法、装置(系统)和计算机程序产品的流程图和/或框图描述了本公开的各个方面。应当理解，流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合，都可以由计算机可读程序指令实现。
这些计算机可读程序指令可以提供给通用计算机、专用计算机或其它可编程数据处理装置的处理器，从而生产出一种机器，使得这些指令在通过计算机或其它可编程数据处理装置的处理器执行时，产生了实现流程图和/或框图中的一个或多个方框中规定的功能/动作的装置。也可以把这些计算机可读程序指令存储在计算机可读存储介质中，这些指令使得计算机、可编程数据处理装置和/或其他设备以特定方式工作，从而，存储有指令的计算机可读介质则包括一个制造品，其包括实现流程图和/或框图中的一个或多个方框中规定的功能/动作的各个方面的指令。
也可以把计算机可读程序指令加载到计算机、其它可编程数据处理装置、或其它设备上，使得在计算机、其它可编程数据处理装置或其它设备上执行一系列操作步骤，以产生计算机实现的过程，从而使得在计算机、其它可编程数据处理装置、或其它设备上执行的指令实现流程图和/或框图中的一个或多个方框中规定的功能/动作。
附图中的流程图和框图显示了根据本公开的多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或指令的一部分，所述模块、程序段或指令的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
以上已经描述了本公开的各实施例，上述说明是示例性的，并非穷尽性的，并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择，旨在最好地解释各实施例的原理、实际应用或对市场中的技术的技术改进，或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。
Claims (9)
1.一种步伐检测方法，其特征在于，所述方法包括：
获取包含对象的视频的多个视频帧；
对所述多个视频帧进行检测，获取所述对象的多个关键点在每个视频帧中的坐标信息；
根据所述多个关键点的坐标信息，确定所述多个关键点中的第一关键点和第二关键点在每个视频帧组中的速度表征值差值，每个视频帧组包括连续且相邻的多个视频帧；
根据多个速度表征值差值，确定所述对象在所述视频中的步伐信息，
其中，所述对象的多个关键点至少包括：所述对象的脖颈关键点、左臀关键点、右臀关键点、左踝关键点和右踝关键点，
所述第一关键点为左踝关键点，所述第二关键点为右踝关键点，
通过式1计算左踝关键点x8在第i个视频帧组中的速度表征值，通过式2计算右踝关键点x9在第i个视频帧组中的速度表征值，以及通过式3计算左踝关键点x8和右踝关键点x9在第i个视频帧组中的速度表征值差值，
Di＝L(SDlankle(i)-SDrankle(i)) 式3，
其中，SDlankle(i)表示左踝关键点在第i个视频帧组中的速度表征值，W表示与所选取的第i个视频帧组中视频帧的数量，第i个视频帧组所包括的多个视频帧为第i个视频帧、…、第i+W个视频帧，
表示在第i个视频帧中脖颈关键点的坐标信息，
表示在第i个视频帧中左臀关键点的坐标信息，
表示在第i个视频帧中脖颈关键点与左臀关键点之间的距离，
表示左踝关键点在第k个视频帧中的坐标信息，k大于等于i且小于等于i+W，
表示左踝关键点在第i个视频帧以及与第i个视频帧相邻的W个视频帧中的坐标平均值，
其中，SDrankle(i)表示右踝关键点在第i个视频帧组中的速度表征值，
表示在第i个视频帧中右臀关键点的坐标信息，
表示在第i个视频帧中脖颈关键点与右左臀关键点之间的距离，
表示右踝关键点在第k个视频帧中的坐标信息，
表示右踝关键点在第i个视频帧以及与第i个视频帧相邻的W个视频帧中的坐标平均值，
其中，Di表示左踝关键点和右踝关键点在第i个视频帧组中的速度表征值差值，L表示差值系数。
2.根据权利要求1所述的方法，其特征在于，根据所述多个关键点的坐标信息，确定所述多个关键点中的第一关键点和第二关键点在每个视频帧组中的速度表征值差值，包括：
根据所述多个关键点在当前视频帧组的多个视频帧中的坐标信息，确定所述第一关键点在所述当前视频帧组中的速度表征值；
根据所述多个关键点在当前视频帧组的多个视频帧中的坐标信息，确定所述第二关键点在所述当前视频帧组中的速度表征值；
根据所述第一关键点在所述当前视频帧组中的速度表征值和所述第二关键点在所述当前视频帧组中的速度表征值，确定所述第一关键点和所述第二关键点在所述当前视频帧组中的速度表征值差值。
3.根据权利要求1所述的方法，其特征在于，根据多个速度表征值差值，确定所述对象在所述视频中的步伐信息，包括：
确定第一数量的视频帧组所对应的多个速度表征值差值的极值；
根据所述极值和所述第一数量的视频帧组所对应的播放时间中的至少一项，确定所述步伐信息。
4.根据权利要求3所述的方法，其特征在于，确定第一数量的视频帧组所对应的多个速度表征值差值的极值，包括：
采用非极大抑制法确定第一数量的视频帧组中的所述多个速度表征值差值的极值。
5.根据权利要求1所述的方法，其特征在于，所述方法还包括：
在确定所述速度表征值差值之前，对所述坐标信息进行归一化处理。
6.根据权利要求1所述的方法，其特征在于，所述方法还包括：
在确定步伐信息之前，对所述速度表征值差值进行低通滤波处理。
7.根据权利要求1-6任一项所述的方法，其特征在于，所述步伐信息包括步幅、步速和步频中的至少一种。
8.一种步伐检测装置，其特征在于，包括：
处理器；
用于存储处理器可执行指令的存储器；
其中，所述处理器被配置为执行权利要求1至7中任意一项所述的方法。
9.一种非易失性计算机可读存储介质，其上存储有计算机程序指令，其特征在于，所述计算机程序指令被处理器执行时实现权利要求1至7中任意一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811436744.2A CN109325479B (zh) | 2018-11-28 | 2018-11-28 | 步伐检测方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811436744.2A CN109325479B (zh) | 2018-11-28 | 2018-11-28 | 步伐检测方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109325479A CN109325479A (zh) | 2019-02-12 |
| CN109325479B true CN109325479B (zh) | 2020-10-16 |
Family
ID=65259377
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811436744.2A Active CN109325479B (zh) | 2018-11-28 | 2018-11-28 | 步伐检测方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109325479B (zh) |
Families Citing this family (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111860057A (zh) * | 2019-04-29 | 2020-10-30 | 北京眼神智能科技有限公司 | 人脸图像模糊和活体检测方法、装置、存储介质及设备 |
| CN110801233B (zh) * | 2019-11-05 | 2022-06-07 | 上海电气集团股份有限公司 | 一种人体步态监测方法及装置 |
| CN112597903B (zh) * | 2020-12-24 | 2021-08-13 | 珠高电气检测有限公司 | 基于步幅测量的电力人员安全状态智能识别方法及介质 |
| CN113569696B (zh) * | 2021-07-22 | 2023-06-06 | 福建师范大学 | 基于视频的人体微小震颤信号提取的方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107480651A (zh) * | 2017-08-25 | 2017-12-15 | 清华大学深圳研究生院 | 异常步态检测方法及异常步态检测系统 |
| CN107766819A (zh) * | 2017-10-18 | 2018-03-06 | 陕西国际商贸学院 | 一种视频监控系统及其实时步态识别方法 |
| CN107930048A (zh) * | 2017-03-20 | 2018-04-20 | 深圳市太空科技南方研究院 | 一种太空体感识别运动分析系统及运动分析方法 |
| CN108244744A (zh) * | 2016-12-29 | 2018-07-06 | 中国移动通信有限公司研究院 | 一种运动状态识别的方法、鞋底及鞋 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102378018B1 (ko) * | 2014-07-29 | 2022-03-24 | 삼성전자주식회사 | 보행 동작 인식 장치 및 그 방법 |
| US20160042227A1 (en) * | 2014-08-06 | 2016-02-11 | BAE Systems Information and Electronic Systems Integraton Inc. | System and method for determining view invariant spatial-temporal descriptors for motion detection and analysis |
-
2018
- 2018-11-28 CN CN201811436744.2A patent/CN109325479B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108244744A (zh) * | 2016-12-29 | 2018-07-06 | 中国移动通信有限公司研究院 | 一种运动状态识别的方法、鞋底及鞋 |
| CN107930048A (zh) * | 2017-03-20 | 2018-04-20 | 深圳市太空科技南方研究院 | 一种太空体感识别运动分析系统及运动分析方法 |
| CN107480651A (zh) * | 2017-08-25 | 2017-12-15 | 清华大学深圳研究生院 | 异常步态检测方法及异常步态检测系统 |
| CN107766819A (zh) * | 2017-10-18 | 2018-03-06 | 陕西国际商贸学院 | 一种视频监控系统及其实时步态识别方法 |
Non-Patent Citations (4)
| Title |
|---|
| Average Gait Differential Image Based Human Recognition;Jinyan Chen等;《The Scientific World Journal》;20140506;第2014卷;第1-8页 * |
| Human Identification by Gait Using Time Delay Neural Networks;Eman Mashagba;《ResearchGate》;20151124;第56-63页 * |
| 一种使用自适应小波去噪和SIFT描述符的步态识别研究;涂斌斌等;《小型微型计算机系统》;20180630;第39卷(第6期);第1372-1376页 * |
| 基于MEMS加速度传感器的步态识别;涂斌斌等;《惯性系统研究与分析》;20170630;第25卷(第3期);第304-308、359页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109325479A (zh) | 2019-02-12 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109325479B (zh) | 步伐检测方法及装置 | |
| CN109614876B (zh) | 关键点检测方法及装置、电子设备和存储介质 | |
| US20210326587A1 (en) | Human face and hand association detecting method and a device, and storage medium | |
| CN107692997B (zh) | 心率检测方法及装置 | |
| JP6134446B2 (ja) | 画像分割方法、画像分割装置、画像分割デバイス、プログラム及び記録媒体 | |
| JP6101399B2 (ja) | クラスタリング方法、クラスタリング装置、端末装置、プログラム及び記録媒体 | |
| CN110598504B (zh) | 图像识别方法及装置、电子设备和存储介质 | |
| CN109410276B (zh) | 关键点位置确定方法、装置及电子设备 | |
| CN105809704A (zh) | 识别图像清晰度的方法及装置 | |
| CN109840939B (zh) | 三维重建方法、装置、电子设备及存储介质 | |
| CN110956061A (zh) | 动作识别方法及装置、驾驶员状态分析方法及装置 | |
| CN107944367B (zh) | 人脸关键点检测方法及装置 | |
| CN110580688B (zh) | 一种图像处理方法、装置、电子设备及存储介质 | |
| CN113887474B (zh) | 呼吸率检测方法及装置、电子设备和存储介质 | |
| CN110555794B (zh) | 图像处理方法及装置、电子设备和存储介质 | |
| CN112115894B (zh) | 手部关键点检测模型的训练方法、装置及电子设备 | |
| EP3113071A1 (en) | Method and device for acquiring iris image | |
| CN109241875B (zh) | 姿态检测方法及装置、电子设备和存储介质 | |
| CN110059547B (zh) | 目标检测方法及装置 | |
| EP3040912A1 (en) | Method and device for classifying pictures | |
| CN113576451A (zh) | 呼吸率检测方法、装置、存储介质及电子设备 | |
| CN112188091B (zh) | 人脸信息识别方法、装置、电子设备及存储介质 | |
| CN113591701A (zh) | 呼吸检测区域确定方法、装置、存储介质及电子设备 | |
| CN111178298A (zh) | 人体关键点检测方法、装置、电子设备及存储介质 | |
| CN112990056A (zh) | 年龄识别方法及装置、电子设备和存储介质 |
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 |