CN109558797B - 基于视觉刺激下的重心面积模型区分人体平衡障碍的方法 - Google Patents

Abstract

本发明公开的基于视觉刺激下的重心面积模型区分人体平衡障碍的方法，包括如下步骤：首先按照与人体行走时正面呈90°的角度拍摄正常人和非正常人在搭建好的模拟现实的场景中的人体行走姿态视频；然后，将采集到的正常人和非正常人的行走姿态视频分别提取成图片，然后将提取的图片分别进行处理得到正常人和非正常人的上中下重心坐标数据；最后，结合重心面积数据、三角形面积均方差、速度和轨迹路线图，判断并分类出平衡能力障碍人群。本发明的方法利用不倒翁原理解释通过重心面积偏移模型区分出具有平衡障碍能力的人群，使得对自己或他人的平衡能力产生客观的判断，通过多个步骤对视频及图像进行处理，并保证最终分类的准确率在86％以上。

Description

基于视觉刺激下的重心面积模型区分人体平衡障碍的方法

技术领域

本发明属于数字图像处理技术练领域，涉及一种基于视觉刺激下的重心 面积模型区分人体平衡障碍的方法。

背景技术

人体平衡能力是身体素质的一种，是指抵抗破坏平衡的外力，以保持全 身处于稳定状态的能力，是一切静态与动态活动的基础能力。包括维持某种 姿态的能力或受外作用力时调控机体保持平衡的能力，是人体重要的生理机 能之一。影响平衡能力的主要因素有支撑面积、重心高度、体重等因素，同 时也受到视觉、身体器官、感受系统等因素的影响。当人体出现平衡障碍时， 会出现肌力和耐力的低下、关节的灵活度和软组织的柔韧度下降、中枢神经 系统功能的障碍、视觉、前庭功能、本体感受效率下降、触觉的输入和敏感 度降低、空间感知能力减弱等现象。拥有良好的平衡能力，有利于提高运动 器官的功能和前庭器官的机能，改善中枢神经系统对肌肉组织与内脏器官的 调节功能，从而保证身体活动的顺利进行，提高适应复杂环境的能力和自我 保护的能力。

传统的主观人体平衡能力观察方法主要有强化Romberg氏检测法、闭目 直立检查法和单腿直立检测法(OLST)。传统的主观观察法虽然操作较为简 单，但是过于粗略和主观，缺乏客观性和统一的标准，不能清楚直观的判断 平衡障碍的程度，只能用于临床上对疑似平衡能力障碍患者的初步测试。其 他的方法如量表测评法，包括Berg平衡量表、Tinetti步态和平衡量表、活 动平衡信心量表、Brunel平衡量表等，需要通过复杂的设备。目前，基于虚 拟现实的VR系统得到了很大的利用，其涉及计算机图形学、人机交互技术、传感技术、人工智能等技术，有望产生巨大的经济效益和社会效益。利用计 算机，生成逼真的三维视、听、嗅觉等感觉，使参与者自然地对虚拟世界进 行体验和交互作用，通过精确的3D世界影像产生身临其境的感觉。通过VR 系统模拟出的不同虚拟场景，使参与者根据相应的场景做出反应与交互，同 时计算机根据所做出的反应得到的数据，通过科学的依据与数据测量计算方 法，就可以快速判定出人体平衡能力的好坏。具有更高的准确性和可靠性，以及更高的效率。但是，目前采用VR技术和图像处理技术分析人体平衡时， 不管是平衡能力好的人群还是平衡能力有障碍的人群都会产生眩晕感，因为 VR带来的画面无法真正欺骗我们的大脑，从而引发不适感。目前主要存在 问题有前庭系统、延迟问题、场景得移动问题、视觉辐辏。

发明内容

本发明的目的是提供一种基于视觉刺激下的重心面积模型区分人体平 衡障碍的方法，解决了现有方法操作复杂、造成测试者身体不适以及成本较 高的问题。

本发明所采用的技术方案是，基于视觉刺激下的重心面积模型区分人体 平衡障碍的方法，具体操作过程包括如下步骤：

步骤1.按照与人体行走时正面呈90°的角度拍摄正常人和非正常人在 搭建好的模拟现实的场景中的人体行走姿态视频；

步骤2.将采集到的正常人和非正常人的行走姿态视频分别提取成图 片，然后将提取的图片分别进行处理得到正常人和非正常人的上中下重心坐 标数据；

步骤3.根据得到的正常人和非正常人的上中下重心坐标数据，提取由 上中下重心组成的三角形面积、重心三角形面积的均方差、以及人体行走的 速度和路程轨迹图；通过SVM分类器将提取到的重心面积数据分类后，结 合重心面积数据、三角形面积均方差、速度和轨迹路线图，判断并分类出平 衡能力障碍人群。

本发明的其他特点还在于，

步骤2的具体过程如下：

步骤2.1使用cvLoadImage函数读取采集到的正常人和非正常人的姿态 视频，设定读入视频的开始时间和结束时间，如果capture函数没有读取到 含有人像的视频，则重新设定视频的开始时间和结束时间，重复步骤2.1， 如果capture函数读取到含有人像的视频，则进行步骤2.2；

步骤2.2通过OpenCV中的CvCapture函数将提取的正常人和非正常人 的视频分别拆帧，首先分别提取出两组视频中的空白场景进行图片保存，然 后将拍摄的人体姿态视频每两秒取一帧保存为图片；

步骤2.3将保存的正常人和非正常人的姿态图片分别与空白场景进行 差分处理，得到只有人体姿态的图片，差分的具体过程为：

首先，将保存的正常人和非正常人的包含有人体姿态的图片与空白场景 图做差分处理，设第k时刻提取到的含有人体的图像为I_p，空白场景的图像 为I_e，对两张图像进行差分，得到差分图像为I_dif：I_dif＝I_p-I_e；

步骤2.4将差分后的图片用双边滤波算法进行图像去噪；

步骤2.5将去噪后的图片进一步进行图像腐蚀，最终得到只有人体图像 的灰度图像；

步骤2.6将腐蚀后得到的图像进行边缘提取，利用Canny边缘检测算子 对腐蚀后的图像进行处理得到图像的连通区域，首先使用高斯滤波器与图像 进行卷积，以减少边缘检测器上明显的噪声影响；然后，计算图像中每个像 素点的梯度强度和方向，并应用非极大值抑制，以消除边缘检测带来的杂散 响应；最后，使用双阈值检测来确定真实的和潜在的边缘，并通过抑制孤立 的弱边缘最终完成边缘检测，使用findContours函数提取出人体轮廓图像。

步骤2.7我们将人体分为上中下三部分，分别计算人体轮廓图像的矩， 通过轮廓图像的矩计算人体上中下重心坐标。

步骤2.4的具体过程如下：采用双边滤波算法对差分处理后的图像进行 滤波，双边滤波是基于采用加权平均的方法，使用周边像素亮度值的加权平 均代表某个像素的强度，所用的加权平均基于高斯分布，令I_dif,

分别为 差分处理得图像和去噪处理后的图像，则双边滤波输出的结果为

其中，参数σ_s定义了用于过滤 像素的空间邻域的大小，σ_r控制了由于强度差异而使相邻像素下降的程度，

使权的和标准化。

步骤2.5中图像的腐蚀过程如下：对通过差分和去噪的图像进行腐蚀， 通过getStructuringElement函数定义腐蚀窗口的大小，选择矩形窗口 MORPH_RECT，腐蚀核的大小选择3×3，然后，通过腐蚀窗口 MORPH_RECT使用erode函数进行腐蚀操作，得到只含有人像的图片。

步骤2.7中人体重心坐标的计算方法如下：

首先，计算人体轮廓图像的矩，将图片中的人体作为一个平面物体，将 每个点的像素值作为该点的密度，该点的期望值就是该点的矩，采用图像的 一阶矩计算人体重心坐标，如公式1-3所示：

则人体图像重心的坐标为：

其中，V(i,j)表示人体图像在点(i,j)上的灰度值，当图像为二值图，V(i,j) 只有黑色和白色，即0和1两种值，则M₀₀表示为人体图像中白色区域的总 和，即二值图像的面积，M₁₀代表图像中白色区域横坐标值的累加；同理， M₀₁代表图像中白色区域纵坐标值的累加，x_c代表重心横坐标，y_c代表重心 纵坐标。

步骤3的具体过程如下：

步骤3.1根据获得的正常人和非正常人的上中下重心坐标数据求出的 重心三角形的面积作为输入数据，通过SVM分类器进行分类，得到带有标 记的正常人和非正常人重心坐标数据；

步骤3.2分别求出正常人和非正常人的上中下重心所组成的三角形面 积的均值和方差；

步骤3.3将整个模拟现实场景中，正常人和非正常人行走的路程均分前 半段路程和后半段路程，使用路程和行走的时间，根据公式V＝S/t分别计算 得到正常人在前半段路程和后半段路程中的速度值，以及非常人在前半段路 程和后半段路程中的速度值；

步骤3.4已知人体上中下三个重心的坐标数据，分别对其横坐标求平 均，对其纵坐标求和得到重心三角形的重心坐标，将每帧图片上的重心三角 形的重心的纵坐标依次连接起来画出人体行走轨迹路线图；

步骤3.5结合步骤3.1至3.4得到的人体上中下重心所组成的三角形面 积、面积均方差、速度和路程轨迹图，区分平衡能力障碍人群的方法是：

根据重心数据上的标记进行判断，若输出的平衡能力标记为“1”，则被 区分为正常人，说明平衡能力好；若输出的平衡能力标记为“-1”，则被区 分为非正常人，说明存在平衡能力障碍；重心三角形面积值小，平衡能力好， 重心三角形面积值大说明存在平衡能力障碍；面积均方差值相对大的说明人 体重心面积的波动越大、越不稳定，平衡能力越差；速度值大的说明平衡能 力好，速度值小的说明平衡能力差，肢体稳定性不好；路程轨迹趋势相对平 缓，平衡能力好；路程轨迹波动趋势相对大的，平衡能力差。

步骤3.1的具体操作过程如下：

面积提取过程为：通过计算出来的人体上中下三个重心坐标，先使用getDistance函数求出三个坐标点两两之间的距离a，b，c；然后再求出三边 总和的一半p；最后根据海伦公式

其中 p＝(a+b+c)/2；

SVM分类器分类的过程为：首先加载训练数据集和测试数据集，其中 包含了训练数据和训练标签以及测试数据和测试标签，即人体重心面积数据 及正确标签，将其分为训练数据和测试数据两部分，通过SVMcgForRegress 参数寻优函数获取当前数据的最优参数，使用得到的优化后的参数再通过 svmtrain函数训练数据，得到训练完成的model；最后使用svmpredict函数 进行测试，得到带有标记“1”或“-1”重心坐标数据。

步骤3.2的具体过程如下：

对人体行走视频每隔两秒提取一帧图片，共提取30帧图片，对经过计 算后提取出的上中下三个重心所组成的三角形的面积，利用公式4分别计算 均值以及方差：

其中，n为实验对象的个数，t∈[1，n]，

代表在t时刻上中下三重 心所组成的三角形面积大小，

代表上中下三重心所组成的三角形面积大 小的均值，AOA为重心三角形面积的均方差。

本发明的有益效果是，基于视觉刺激下的重心面积模型区分人体平衡障 碍的方法，解决了传统主观方法过于粗略以及量表测评方法过于复杂、有风 险和代价过高的问题。通过处理人体行走的视频获取人体上中下三重心所组 成的三角形的面积值、速度值、路程轨迹，不借助任何平衡测量仪器，利用 不倒翁原理解释通过重心面积偏移模型区分出具有平衡障碍能力的人群，使 得对自己或他人的平衡能力产生客观的判断，通过多个步骤对视频及图像进 行处理，并保证最终分类的准确率在86％以上。

附图说明

图1是本发明的基于视觉刺激下的重心面积模型区分人体平衡障碍的方 法的操作流程图；

图2是本发明的基于视觉刺激下的重心面积模型区分人体平衡障碍的方 法的整体过程流程图；

图3是本发明的基于视觉刺激下的重心面积模型区分人体平衡障碍的平 衡能力判断与分析流程图；

图4是不倒翁模型示意图和人体模型示意图，其中(a)为平衡的不倒 翁模型示意图；(b)为正常人体侧面姿态模型示意图；(c)为不平衡的不倒 翁模型示意图；(d)为非正常人体侧面姿态模型；

图5是差分图像，其中(a)是正常人的图像差分图，(b)是非正常人 的图像差分图；

图6是去噪图，其中(a)是正常人的图像去噪图；(b)非正常人的图 像去噪图；

图7是腐蚀图，其中(a)是正常人的图像腐蚀图；(b)非正常人的图 像腐蚀图；

图8是二值化图，其中(a)是正常人的图像二值化图；(b)非正常人 的图像二值化图；

图9是人体轮廓和重心坐标提取图，其中(a)是正常人人体轮廓和重 心坐标提取图；(b)是非正常人人体轮廓重心坐标提取图；

图10是人体上中下重心所组成的三角形面积大小的分析图；

图11是人体和上中下重心所组成的三角形面积方差分析图；

图12是正常人体和非正常人体行走过程中的路程轨迹；

图13是正常人和非正常人在行走过程中的速度值分布图。

具体实施方式

下面结合附图和具体实施方式对本发明进行详细说明。

本发明的基于视觉刺激下的重心面积模型区分人体平衡障碍的方法，如 图1和图2所示，具体操作过程包括如下步骤：

步骤1.按照与人体行走时正面呈90°的角度拍摄正常人和非正常人在 搭建好的模拟现实的场景中的人体行走姿态视频；

步骤2.将采集到的正常人和非正常人的行走姿态视频分别提取成图 片，然后将提取的图片分别进行处理得到正常人和非正常人的上中下重心坐 标数据；

步骤2的具体过程如下：

步骤2.1使用cvLoadImage函数读取采集到的正常人和非正常人的姿态 视频，设定读入视频的开始时间和结束时间，如果capture函数没有读取到 含有人像的视频，则重新设定视频的开始时间和结束时间，重复步骤2.1， 如果capture函数读取到含有人像的视频，则进行步骤2.2；

步骤2.2通过OpenCV中的CvCapture函数将提取的正常人和非正常人 的视频分别拆帧，首先分别提取出两组视频中的空白场景进行图片保存，然 后将拍摄的人体姿态视频每两秒取一帧保存为图片；

步骤2.3将保存的正常人和非正常人的姿态图片分别与空白场景进行 差分处理，得到只有人体姿态的图片，差分的具体过程为：

首先，将保存的正常人和非正常人的包含有人体姿态的图片与空白场景 图做差分处理，设第k时刻提取到的含有人体的图像为I_p，空白场景的图像 为I_e，对两张图像进行差分，得到差分图像为I_dif：I_dif＝I_p-I_e；

步骤2.4将差分后的图片用双边滤波算法进行图像去噪；使用双边滤波 算法对差分处理后的图像进行滤波，双边滤波采用加权平均的方法，用周边 像素亮度值的加权平均代表某个像素的强度，所用的加权平均基于高斯分 布，用双边滤波算法将差分处理后的图像中一点像素的强度用周边像素亮度 值的加权平均代表，令I_dif,

分别为差分处理得到图像和去噪处理后的图 像，则双边滤波输出的结果为

其中，参数σ_s定义了用于过滤像素的空间邻域的大小，σ_r控制了由于强度 差异而使相邻像素下降的程度，

使权的和标准化。

步骤2.5将去噪后的图片进一步进行图像腐蚀，最终得到只有人体图像 的灰度图像；具体过程如下：对通过差分和去噪的图像进行腐蚀，通过 getStructuringElement函数定义腐蚀窗口的大小，选择矩形窗口 MORPH_RECT，腐蚀核的大小选择3×3，然后，通过腐蚀窗口 MORPH_RECT使用erode函数进行腐蚀操作，得到只含有人像的图片。

步骤2.6将腐蚀后得到的图像进行边缘提取，利用Canny边缘检测算子 对腐蚀后的图像进行处理得到图像的连通区域，首先使用高斯滤波器与图像 进行卷积，以减少边缘检测器上明显的噪声影响；然后，计算图像中每个像 素点的梯度强度和方向，并应用非极大值抑制，以消除边缘检测带来的杂散 响应；最后，使用双阈值检测来确定真实的和潜在的边缘，并通过抑制孤立 的弱边缘最终完成边缘检测，使用findContours函数提取出人体轮廓图像。

步骤2.7我们将人体分为上中下三部分，分别计算人体轮廓图像的矩， 通过轮廓图像的矩计算人体上中下重心坐标。

步骤2.7中人体重心坐标的计算方法如下：

首先，计算人体轮廓图像的矩，将图片中的人体作为一个平面物体，将 每个点的像素值作为该点的密度，该点的期望值就是该点的矩，采用图像的 一阶矩计算人体重心坐标，如公式1-3所示：

则人体图像重心的坐标为：

其中，V(i,j)表示人体图像在点(i,j)上的灰度值，当图像为二值图，V(i,j) 只有黑色和白色，即0和1两种值，则M₀₀表示为人体图像中白色区域的总 和，即二值图像的面积，M₁₀代表图像中白色区域横坐标值的累加；同理， M₀₁代表图像中白色区域纵坐标值的累加，x_c代表重心横坐标，y_c代表重心 纵坐标。

步骤3.根据得到的正常人和非正常人的上中下重心坐标数据，提取由 上中下重心组成的三角形面积、重心三角形面积的均方差、以及人体行走的 速度和路程轨迹图；通过SVM分类器将提取到的重心面积数据分类后，结 合重心三角形面积数据、重心三角形面积均方差、速度和轨迹路线图，判断 并分类出平衡能力障碍人群。

步骤3的具体过程如下：

步骤3.1根据获得的正常人和非正常人的上中下重心坐标数据求出的 重心三角形的面积作为输入数据，通过SVM分类器进行分类，得到带有标 记的正常人和非正常人重心坐标数据；

步骤3.1的具体操作过程如下：

面积提取过程为：通过计算出来的人体上中下三个重心坐标，先使用getDistance函数求出三个坐标点两两之间的距离a，b，c；然后再求出三边 总和的一半p；最后根据海伦公式

其中 p＝(a+b+c)/2；

支持向量机(SVM)分类器分类的过程为：首先加载训练数据集和测试 数据集，其中包含了训练数据和训练标签以及测试数据和测试标签，即人体 重心面积数据及正确标签，将其分为训练数据和测试数据两部分，通过 SVMcgForRegress参数寻优函数获取当前数据的最优参数，使用得到的优化 后的参数再通过svmtrain函数训练数据，得到训练完成的model；最后使用 svmpredict函数进行测试，得到带有标记“1”或“-1”重心坐标数据。

步骤3.2分别求出正常人和非正常人的上中下重心所组成的三角形面 积的均值和方差；

步骤3.2的具体过程如下：

对人体行走视频每隔两秒提取一帧图片，共提取30帧图片，对经过计 算后提取出的上中下三个重心所组成的三角形的面积，利用公式4分别计算 均值以及方差：

其中，n为实验对象的个数，t∈[1，n]，

代表在t时刻上中下三重 心所组成的三角形面积大小，

代表上中下三重心所组成的三角形面积大 小的均值，AOA为重心面积的均方差。

步骤3.3将整个模拟现实场景中，正常人和非正常人行走的路程均分前 半段路程和后半段路程，使用路程和行走的时间，根据公式V＝S/t分别计算 得到正常人在半段路程和后半段路程中的速度值，以及非常人在半段路程和 后半段路程中的速度值；

步骤3.4已知人体上中下三个重心的坐标数据，分别对其横坐标求平 均，对其纵坐标求和得到重心三角形的重心坐标，将每帧图片上的重心三角 形的重心的纵坐标依次连接起来画出人体行走轨迹路线图；

步骤3.5结合步骤3.1至3.4得到的人体上中下重心所组成的三角形面 积、面积均方差、速度和路程轨迹图，区分平衡能力障碍人群的方法是：

如图3所示，根据重心数据上的标记进行判断，若输出的平衡能力标记 为“1”，则被区分为正常人，说明平衡能力好；若输出的平衡能力标记为“-1”， 则被区分为非正常人，说明存在平衡能力障碍；重心三角形面积值小，平衡 能力好，重心三角形面积值大说明存在平衡能力障碍；重心三角形面积方差 值相对大的说明人体重心面积的波动越大、越不稳定，平衡能力越差；速度 值大的说明平衡能力好，速度值小的说明平衡能力差，肢体稳定性不好；路 程轨迹趋势相对平缓，平衡能力好；路程轨迹波动趋势相对大的，平衡能力 差。

SVM分类器的基本原理如下：支持向量机是一种监督式学习的方法， 被广泛地应用于统计分类以及回归分析。在实验中，将人体重心坐标映射到 高维空间上，在高维空间上寻找一个最大间隔的超平面

将实验组 人体重心坐标x_i和对照组人体重心坐标x_i分隔开来。其中，W表示将实验组 人体重心坐标和对照组人体重心坐标特征向量隔离开的超平面法线，γ是为 了该方法的灵活性而增加的位移间隔。使对照组人体重心坐标特征向量满足

实验组人体重心坐标特征向量满足

当存在满足这样条件的W和γ时，称这样的特征向量是可分的。在实际 问题中可能无法对所有的特征向量都完整的分隔开来，此时选取最佳超平面 作为最优解。记1/ω为

与

的距离，则寻找最优超平面就转化 为最小化ω。数学表达式为

约束条件为y_i[wx_i+γ]＞1,i＝1,2,...,n。 利用凸二次规划的成熟理论，当人体重心坐标特征向量非完全可分时，可选 取相应的核函数K，将输入的人体重心坐标形成的特征空间隐式的映射到一 个高维空间，在高维空间中，输入的重心坐标是线性可分的。根据对偶条件， 该最优化问题可以转化为相应的对偶问题进行求解。

本发明的基于视觉刺激下的重心面积模型区分人体平衡障碍的方法，通 过人体重心组成的三角形的面积、重心三角形面积的均方差、速度值以及路 径轨迹图区分平衡障碍人群，重心面积是反应本体感觉的姿势控制能力，是 指人体在运动过程中上中下三个重心点之间组成的三角形的面积的大小。面 积相对小的说明平衡能力较好；面积相对大的，说明人体姿势控制能力越弱， 平衡能力越差；相对于传统方法，本申请的方法首先是判断准确率得到了提 高。仅凭肉眼在短时间内的观察判断不能说明一定的问题，本申请采用确切 的数据分析并判断人体平衡能力的好坏；其次是该方法安全性高，在测试过 程中没有过多复杂的动作，避免了危险的发生；本申请的方法没有对测试者 造成心理压力和自卑心态，让他们觉得自己只是在做游戏而已。相对于以往 采用重心夹角评判的方法，本申请方法基于不倒翁模型，有一定的理论判断 依据；结合速度值和测试者行走路程轨迹图，能够增加测试的准确率。

本发明基于不倒翁模型，如图4a和4c所示，不倒翁平衡在桌子上时， 受到两个外力的作用，一个是重力，另一个是支持力。根据物体的平衡条件， 只要这两个力的大小相等、方向相反、作用在一条直线上，物体就能保持平 衡的状态。当不倒翁处于倾斜状态时，除了受到重力和支持力外还受到外力 的作用，此时不倒翁不平衡。一般重心越低的物体越稳定。当不倒翁在竖立 状态处于平衡时，重心和接触点的距离最小，即重心最低，且重心点与接触 地面中心点的连线和到地面的垂线重合。当偏离平衡位置后，重心升高，重 心点与接触地面中心点的连线和到地面的垂线之间形成夹角且偏离过程中 夹角逐渐增大。

图4b和4d所示，P1、P2、P3为人的上中下三个重心点，如果正常人 的平衡能力好，那么三个重心组成的三角形的面积会比较小，此时的三重心 组成的三角形的重心点与接触地面中心点的连线和到地面的垂线所成的夹 角几乎为0。这个人的姿态会趋于一条线，我们判定这个人是正常人且平衡 能力较好。当三个重心组成的三角形的面积会比较大时，此时的三重心组成 的三角形的重心点与接触地面中心点的连线和到地面的垂线所成的夹角渐 渐增大。这个人的姿态会有波动，我们判定这个人是非正常人且平衡能力较 差。影响人体平衡的因素是重心组成的三角形面积的大小、三角形面积方差、 行走速度和轨迹弯曲程度。

下面通过从一组人体行走视频中提取重心面积、速度实例来说明基于视 觉刺激下的重心面积模型区分人体平衡障碍的方法的实现过程：

(1)首先，对空白场景、正常人物、非正常人物三种情况分别从摄像 机与目标为90°夹角的位置进行拍摄并从视频中提取图片；

(2)对图片进行差分，如图5所示；

(3)对差分后的图片进行双边滤波、腐蚀去噪，如图6至图8所示；

(4)提取人物重心坐标，计算三角形面积如图9所示；

(5)使用SVM对重心面积进行分类，将正常人的重心数据标记为1， 非正常人的重心数据标记为-1，标定正确标签和测试标签，如表1所示；

(6)计算12名正常人和12非正常人的重心面积并分析，我们只选取 一部分数据分析，如表3、表4为正常人的重心面积、非正常人的重心面积， 由表中可知，正常人的重心面积基本都小于2200个像素，非正常人的重心 面积相对较大一些；

表1二分类测试数据及标签

数据	387	326	382	297	362	351	310	390	281	353	376	398
													正确标签	1	1	1	1	1	1	1	1	1	1	1	1
测试标签	1	1	1	1	1	1	1	1	1	1	1	1
													数据	378	325	355	382	279	267	372	254	268	367	322	371
正确标签	-1	-1	-1	-1	-1	-1	-1	-1	-1	-1	-1	-1
													测试标签	-1	-1	-1	-1	-1	-1	-1	-1	-1	-1	1	-1

表2八名正常人视频分析的重心面积

表3八名特殊人视频分析的重心面积

序号	1	2	3	4	5	6	7	8
									面积(像素)	2509.5	4872	3502.5	4913	4557	3323	3601.5	4386
面积(像素)	4738.5	4582	3659.5	3859.5	3498	4568.5	4980.5	2991.5
									面积(像素)	4902	1023	3498	2654	2867	3182	2361	4489.5
面积(像素)	2924	3467	2721	2931	2347.5	4053	4260.5	4417
									面积(像素)	3709	2984	4569.5	4546	4588.5	3036	3417	2902.5
面积(像素)	4604	4281	4035	3582	3926	4514.5	4857.5	4240.5
									面积(像素)	4070	3051	2528.5	4137.5	3543.5	3806	2541	3410.5
面积(像素)	3429	3582	3210.5	3602	3296.5	4242.5	4177	2500

(7)分析比较重心面积、面积方差、路程轨迹、速度如图10、图11、 图12和图13所示。正常人重心面积方差比非正常人小，速度比非正常人的 速度大、路程轨迹比非正常人的路程轨迹缓慢说明正常人行走过程中身体晃 动不明显，平衡能力较好。

Claims (8)

1.基于视觉刺激下的重心面积模型区分人体平衡障碍的方法，其特征在于，具体操作过程包括如下步骤：

步骤1.按照与人体行走时正面呈90°的角度拍摄正常人和非正常人在搭建好的模拟现实的场景中的人体行走姿态视频；

步骤2.将采集到的正常人和非正常人的行走姿态视频分别提取成图片，然后将提取的图片分别进行处理得到正常人和非正常人的上中下重心坐标数据；

步骤3.根据得到的正常人和非正常人的上中下重心坐标数据，提取由上中下重心组成的三角形面积、重心三角形面积的均方差、以及人体行走的速度和路程轨迹图；通过SVM分类器将提取到的重心面积数据分类后，结合重心面积数据、三角形面积均方差、速度和轨迹路线图，判断并分类出平衡能力障碍人群。

2.如权利要求1所述的基于视觉刺激下的重心面积模型区分人体平衡障碍的方法，其特征在于，所述步骤2的具体过程如下：

步骤2.1使用cvLoadImage函数读取采集到的正常人和非正常人的姿态视频，设定读入视频的开始时间和结束时间，如果capture函数没有读取到含有人像的视频，则重新设定视频的开始时间和结束时间，重复步骤2.1，如果capture函数读取到含有人像的视频，则进行步骤2.2；

步骤2.2通过OpenCV中的CvCapture函数将提取的正常人和非正常人的视频分别拆帧，首先分别提取出两组视频中的空白场景进行图片保存，然后将拍摄的人体姿态视频每两秒取一帧保存为图片；

步骤2.3将保存的正常人和非正常人的姿态图片分别与空白场景进行差分处理，得到只有人体姿态的图片，差分的具体过程为：

首先，将保存的正常人和非正常人的包含有人体姿态的图片与空白场景图做差分处理，设第k时刻提取到的含有人体的图像为I_p，空白场景的图像为I_e，对两张图像进行差分，得到差分图像为I_dif：I_dif＝I_p-I_e；

步骤2.4将差分后的图片用双边滤波算法进行图像去噪；

步骤2.5将去噪后的图片进一步进行图像腐蚀，最终得到只有人体图像的灰度图像；

步骤2.6将腐蚀后得到的图像进行边缘提取，利用Canny边缘检测算子对腐蚀后的图像进行处理得到图像的连通区域，首先使用高斯滤波器与图像进行卷积，以减少边缘检测器上明显的噪声影响；然后，计算图像中每个像素点的梯度强度和方向，并应用非极大值抑制，以消除边缘检测带来的杂散响应；最后，使用双阈值检测来确定真实的和潜在的边缘，并通过抑制孤立的弱边缘最终完成边缘检测，使用findContours函数提取出人体轮廓图像；

步骤2.7我们将人体分为上中下三部分，分别计算人体轮廓图像的矩，通过轮廓图像的矩计算人体上中下重心坐标。

3.如权利要求2所述的基于视觉刺激下的重心面积模型区分人体平衡障碍的方法，其特征在于，所述步骤2.4的具体过程如下：使用双边滤波算法对差分处理后的图像进行滤波，双边滤波采用加权平均的方法，用周边像素亮度值的加权平均代表某个像素的强度，所用的加权平均基于高斯分布，用双边滤波算法将差分处理后的图像中一点像素的强度用周边像素亮度值的加权平均代表，令I_dif,

分别为差分处理得到的图像和去噪处理后的图像，则双边滤波输出的结果为

其中，参数σ_s定义了用于过滤像素的空间邻域的大小，σ_r控制了由于强度差异而使相邻像素下降的程度，

使权的和标准化。

4.如权利要求2所述的基于视觉刺激下的重心面积模型区分人体平衡障碍的方法，其特征在于，所述步骤2.5中图像的腐蚀过程如下：对通过差分和去噪的图像进行腐蚀，通过getStructuringElement函数定义腐蚀窗口的大小，选择矩形窗口MORPH_RECT，腐蚀核的大小选择3×3，然后，通过腐蚀窗口MORPH_RECT使用erode函数进行腐蚀操作，得到只含有人像的图片。

5.如权利要求2所述的基于视觉刺激下的重心面积模型区分人体平衡障碍的方法，其特征在于，所述步骤2.7中人体重心坐标的计算方法如下：

首先，计算人体轮廓图像的矩，将图片中的人体作为一个平面物体，将每个点的像素值作为该点的密度，该点的期望值就是该点的矩，采用图像的一阶矩计算人体重心坐标，如公式1-3所示：

则人体图像重心的坐标为：

其中，V(i,j)表示人体图像在点(i,j)上的灰度值，当图像为二值图，V(i,j)只有黑色和白色，即0和1两种值，则M₀₀表示为人体图像中白色区域的总和，即二值图像的面积，M₁₀代表图像中白色区域横坐标值的累加；同理，M₀₁代表图像中白色区域纵坐标值的累加，x_c代表重心横坐标，y_c代表重心纵坐标。

6.如权利要求1所述的基于视觉刺激下的重心面积模型区分人体平衡障碍的方法，其特征在于，所述步骤3的具体过程如下：

步骤3.1根据获得的正常人和非正常人的上中下重心坐标数据求出的重心三角形的面积作为输入数据，通过SVM分类器进行分类，得到带有标记的正常人和非正常人重心坐标数据；

步骤3.2分别求出正常人和非正常人的上中下重心所组成的三角形面积的均值和方差；

步骤3.3将整个模拟现实场景中，正常人和非正常人行走的路程均分前半段路程和后半段路程，使用路程和行走的时间，根据公式V＝S/t分别计算得到正常人在半段路程和后半段路程中的速度值，以及非常人在半段路程和后半段路程中的速度值；

步骤3.4已知人体上中下三个重心的坐标数据，分别对其横坐标求平均，对其纵坐标求和得到重心三角形的重心坐标，将每帧图片上的重心三角形的重心的纵坐标依次连接起来画出人体行走轨迹路线图；

步骤3.5结合步骤3.1至3.4得到的人体上中下重心所组成的三角形面积、面积均方差、速度和路程轨迹图，区分平衡能力障碍人群的方法是：

根据重心数据上的标记进行判断，若输出的平衡能力标记为“1”，则被区分为正常人，说明平衡能力好；若输出的平衡能力标记为“-1”，则被区分为非正常人，说明存在平衡能力障碍；重心三角形面积值小，平衡能力好，重心三角形面积值大说明存在平衡能力障碍；重心三角形面积均方差值相对大的说明人体重心面积的波动越大、越不稳定，平衡能力越差；速度值大的说明平衡能力好，速度值小的说明平衡能力差，肢体稳定性不好；路程轨迹趋势相对平缓，平衡能力好；路程轨迹波动趋势相对大的，平衡能力差。

7.如权利要求6所述的基于视觉刺激下的重心面积模型区分人体平衡障碍的方法，其特征在于，所述步骤3.1的具体操作过程如下：

面积提取过程为：通过计算出来的人体上中下三个重心坐标，先使用getDistance函数求出三个坐标点两两之间的距离a，b，c；然后再求出三边总和的一半p；最后根据海伦公式

其中p＝(a+b+c)/2；

SVM分类器分类的过程为：首先加载训练数据集和测试数据集，其中包含了训练数据和训练标签以及测试数据和测试标签，即人体重心面积数据及正确标签，将其分为训练数据和测试数据两部分，通过SVMcgForRegress参数寻优函数获取当前数据的最优参数，使用得到的优化后的参数再通过svmtrain函数训练数据，得到训练完成的model；最后使用svmpredict函数进行测试，得到带有标记“1”或“-1”重心坐标数据。

8.如权利要求6所述的基于视觉刺激下的重心面积模型区分人体平衡障碍的方法，其特征在于，所述步骤3.2的具体过程如下：

对人体行走视频每隔两秒提取一帧图片，共提取30帧图片，对经过计算后提取出的上中下三个重心所组成的三角形的面积，利用公式4分别计算均值以及方差：

其中，n为实验对象的个数，t∈[1，n]，

代表在t时刻上中下三重心所组成的三角形面积大小，

代表上中下三重心所组成的三角形面积大小的均值，AOA为重心面积的均方差。

Images