CN111046848A - 一种基于动物跑台的步态监测方法及系统 - Google Patents

Abstract

本发明公开了一种基于动物跑台的步态监测方法，包括：采集动物步态图像，并对动物步态图像进行预处理，得到预处理图像；建立步态识别模型，并通过步态识别模型对预处理图像中动物的骨架点进行识别，将识别得到的骨架点进行映射得到空间射线并对空间射线进行匹配；在匹配完成后，建立世界坐标系并根据每个动物的骨架点在世界坐标系中的位置进行计算得到每个动物的空间平均坐标，将空间平均坐标设置为跟踪点；通过跟踪方法对跟踪点在世界坐标系中的路径信息进行实时记录，得到步态监测数据；本发明通过将步态图像中给的动物骨架点进行识别并通过空间射线构造跟踪点，对动物的步态进行准确识别并记录，实现提高实验结果数据的准确率。

Description

一种基于动物跑台的步态监测方法及系统

技术领域

本发明涉及步态监测领域，尤其涉及一种基于动物跑台的步态监测方法及系统。

背景技术

动物试验跑台(平板跑步机)主要用于白鼠类做跑步运动训练，可取代传统的有用训练，使训练强度指标更加准确，是体能、耐力、运动损伤、营养、药物生理和病理等试验的必要手段之一。

现有的动物试验跑台仪，仅仅对动物跑步的路程、速度和时间的计量，并通过对动物在行走过程中，肢体在时间和空间上的协调情况进行肉眼观察，对动物的实验情况进行评估。但是由于动物的体型较小，并且动物跑步的速度过快，通过人工的方式对动物的步态进行观察得到结果的准确性不高，导致实验结果数据的错误率大大提升。

发明内容

本发明提供了一种基于动物跑台的步态监测方法及系统，通过对动物步态图像的采集，将步态图像中给的动物骨架点进行识别并通过空间射线构造跟踪点，对跟踪点在世界坐标系中的运行轨迹进行记录，以解决现有技术中通过人工的方式对动物的步态进行观察得到结果的准确性不高的技术问题，从而对动物的步态进行准确识别并记录，以提高对动物步态的观察准确性，进而实现提高实验结果数据的准确率。

为了解决上述技术问题，本发明实施例提供了一种基于动物跑台的步态监测方法，包括：

采集动物步态图像，并对所述动物步态图像进行预处理，得到预处理图像；

建立步态识别模型，并通过所述步态识别模型对所述预处理图像中动物的骨架点进行识别，将识别得到的骨架点进行映射得到空间射线并对所述空间射线进行匹配；

在匹配完成后，建立世界坐标系并根据每个动物的骨架点在所述世界坐标系中的位置进行计算得到每个动物的空间平均坐标，将所述空间平均坐标设置为跟踪点；

通过跟踪方法对所述跟踪点在所述世界坐标系中的路径信息进行实时记录，得到步态监测数据。

作为优选方案，所述对所述动物步态图像进行预处理，得到预处理图像，具体包括：

对所述动物步态图像进行灰度化处理，得到灰度图像；

对所述灰度图像进行高斯滤波处理，得到滤波图像；

对所述滤波图像进行二值化处理，得到预处理图像。

作为优选方案，所述对所述空间射线进行匹配的步骤，具体包括：

设置空间损失阈值，并计算同一个动物中每两个骨架点之间的空间距离；

判断所述空间距离与所述空间损失阈值的数值大小，当所述空间距离大于所述空间损失阈值时，将所述空间距离的值增大两倍后作为实际距离值；当所述空间距离不大于所述空间损失阈值时，将所述空间距离的值作为实际距离值；

将所述实际距离值输入匹配算法进行计算，得到匹配数据。

作为优选方案，所述匹配算法为匈牙利最大匹配算法。

作为优选方案，所述跟踪方法为欧式距离跟踪方法。

作为优选方案，所述步态识别模型的建立过程，具体包括：

获取动物图像并对所述动物图像中的骨架点进行标注，将标注后的动物图像作为初始图像，集合为初始图像集；

对所述初始图像集进行复制，得到训练图像集和测试图像集；

通过第三方模型软件建立初始化识别模型；

将所述训练图像集输入所述初始化识别模型进行模型训练，直到训练次数达到预设的训练次数阈值或训练准确度达到预设的训练准确度阈值时，停止模型训练，得到识别训练模型；

将所述测试图像集输入所述识别训练模型进行模型测试，直到测试次数达到预设的测试次数阈值或测试准确度达到预设的测试准确度阈值时，停止模型测试，得到步态识别模型。

作为优选方案，所述训练次数阈值为30万次，训练准确阈值为95％；所述测试次数阈值为20万次，测试准确阈值为98％。

本发明实施例还提供了一种基于动物跑台的步态监测系统，包括：

预处理模块，用于采集动物步态图像，并对所述动物步态图像进行预处理，得到预处理图像；

识别匹配模块，用于建立步态识别模型，并通过所述步态识别模型对所述预处理图像中动物的骨架点进行识别，将识别得到的骨架点进行映射得到空间射线并对所述空间射线进行匹配；

坐标建立模块，用于在匹配完成后，建立世界坐标系并根据每个动物的骨架点在所述世界坐标系中的位置进行计算得到每个动物的空间平均坐标，将所述空间平均坐标设置为跟踪点；

路径记录模块，用于通过跟踪方法对所述跟踪点在所述世界坐标系中的路径信息进行实时记录，得到步态监测数据。

作为优选方案，所述预处理模块用于对所述动物步态图像进行预处理，得到预处理图像的步骤，具体包括：

对所述动物步态图像进行灰度化处理，得到灰度图像；

对所述灰度图像进行高斯滤波处理，得到滤波图像；

对所述滤波图像进行二值化处理，得到预处理图像。

作为优选方案，所述识别匹配模块用于对所述空间射线进行匹配的步骤，具体包括：

设置空间损失阈值，并计算同一个动物中每两个骨架点之间的空间距离；

判断所述空间距离与所述空间损失阈值的数值大小，当所述空间距离大于所述空间损失阈值时，将所述空间距离的值增大两倍后作为实际距离值；当所述空间距离不大于所述空间损失阈值时，将所述空间距离的值作为实际距离值；

将所述实际距离值输入匹配算法进行计算，得到匹配数据。

作为优选方案，所述识别匹配模块用于对所述空间射线进行匹配的匹配算法为匈牙利最大匹配算法。

作为优选方案，所述路径记录模块用于进行实时记录的跟踪方法为欧式距离跟踪方法。

作为优选方案，所述识别匹配模块用于建立步态识别模型的过程，具体包括：

获取动物图像并对所述动物图像中的骨架点进行标注，将标注后的动物图像作为初始图像，集合为初始图像集；

对所述初始图像集进行复制，得到训练图像集和测试图像集；

通过第三方模型软件建立初始化识别模型；

将所述训练图像集输入所述初始化识别模型进行模型训练，直到训练次数达到预设的训练次数阈值或训练准确度达到预设的训练准确度阈值时，停止模型训练，得到识别训练模型；

将所述测试图像集输入所述识别训练模型进行模型测试，直到测试次数达到预设的测试次数阈值或测试准确度达到预设的测试准确度阈值时，停止模型测试，得到步态识别模型。

作为优选方案，所述识别匹配模块用于建立步态识别模型的过程中，训练次数阈值为30万次，训练准确阈值为95％；所述测试次数阈值为20万次，测试准确阈值为98％。

本发明实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质包括存储的计算机程序；其中，所述计算机程序在运行时控制所述计算机可读存储介质所在的设备执行如上述任一项所述的基于动物跑台的步态监测方法。

本发明实施例还提供了一种终端设备，包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所述处理器在执行所述计算机程序时实现如上述任一项所述的基于动物跑台的步态监测方法。

相比于现有技术，本发明实施例具有如下有益效果：

本发明通过对动物步态图像的采集，将步态图像中给的动物骨架点进行识别并通过空间射线构造跟踪点，对跟踪点在世界坐标系中的运行轨迹进行记录，以解决现有技术中通过人工的方式对动物的步态进行观察得到结果的准确性不高的技术问题，从而对动物的步态进行准确识别并记录，以提高对动物步态的观察准确性，进而实现提高实验结果数据的准确率。

附图说明

图1：为本发明中基于动物跑台的步态监测方法的步骤流程图；

图2：为本发明中基于动物跑台的步态监测系统的结构示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

请参照图1，本发明优选实施例提供了一种基于动物跑台的步态监测方法，包括：

S1，采集动物步态图像，并对所述动物步态图像进行预处理，得到预处理图像；在本实施例中，所述步骤S1中对所述动物步态图像进行预处理，得到预处理图像，具体包括：S11，对所述动物步态图像进行灰度化处理，得到灰度图像；S12，对所述灰度图像进行高斯滤波处理，得到滤波图像；S13，对所述滤波图像进行二值化处理，得到预处理图像。

具体地，原始彩色数字图像的各像素点可由三个字节表示，其数值分别对应着R、G、B三个分量，其中任何一个分量值与其他分量值不同均表现为彩色图像，通过计算将彩色图像三个分量值修改为相同值，就可以得到与之对应的灰度图像。本发明采用准确度最高的灰度化算法：Gray(i，j)＝0.299×R(i，j)+0.587×G(i，j)+0.114×B(i，j)来处理输入原始图像，得到新的灰度图像。

即上述步骤S11中，对图像帧文件进行灰度化处理，得到灰度图像，具体通过以下过程实现：逐个处理所述图像帧文件中所有的像素点，从而得到灰度图像，其中，对于所述原始彩色数字图像中的任一个像素点，先计算该像素点的灰度值Gray(i，j)，再将灰度值Gray(i，j)赋予该像素点的R分量、G分量和B分量，灰度值的计算公式为：Gray(i，j)＝0.299×R(i，j)+0.587×G(i，j)+0.114×B(i，j)，其中，R(i，j)、G(i，j)和B(i，j)分别代表所述原始彩色数字图像中一个像素点(i，j)的R分量值、G分量值和B分量值，(i，j)代表一个像素点在原始彩色数字图像中的坐标。

高斯滤波是一种线性平滑滤波，适用于消除高斯噪声，广泛应用于图像处理的减噪过程。通俗的讲，高斯滤波就是对整幅图像进行加权平均的过程，每一个像素点的值，都由其本身和邻域内的其他像素值经过加权平均后得到。高斯滤波的具体操作是：用一个模板(或称卷积、掩模)扫描图像中的每一个像素，用模板确定的邻域内像素的加权平均灰度值去替代模板中心像素点的值。对灰度图像进行高斯滤波处理对于抑制服从正态分布的噪声非常有效。

确定二值化阈值是二值化处理中最首要以及最关键的部分，本发明使用OTSU算法自动获取灰度图像的二值化阈值。OTSU算法是首先设定一个值，从而将灰度图像分为背景与目标两个类别，计算两类的方差数，在类内最小方差数而类间最大方差数对应的值即为灰度图像的最优阈值。

灰度图像二值化处理过程中，二值化是指以阈值为标志，将灰度图像的各像素点二值化处理，最终使图像呈现黑白两色(颜色值表示为：0或255)，使图像轮廓对比更清晰，线条更明显，从而字符形状更突出，达到更好的OCR识别效果。

S2，建立步态识别模型，并通过所述步态识别模型对所述预处理图像中动物的骨架点进行识别，将识别得到的骨架点进行映射得到空间射线并对所述空间射线进行匹配；

在本实施例中，所述步骤S2中步态识别模型的建立过程，具体包括：S211，获取动物图像并对所述动物图像中的骨架点进行标注，将标注后的动物图像作为初始图像，集合为初始图像集；S212，对所述初始图像集进行复制，得到训练图像集和测试图像集；S213，通过第三方模型软件建立初始化识别模型；S214，将所述训练图像集输入所述初始化识别模型进行模型训练，直到训练次数达到预设的训练次数阈值或训练准确度达到预设的训练准确度阈值时，停止模型训练，得到识别训练模型；S215，将所述测试图像集输入所述识别训练模型进行模型测试，直到测试次数达到预设的测试次数阈值或测试准确度达到预设的测试准确度阈值时，停止模型测试，得到步态识别模型。在本实施例中，所述训练次数阈值为30万次，训练准确阈值为95％；所述测试次数阈值为20万次，测试准确阈值为98％。

在本实施例中，所述步骤S2中对所述空间射线进行匹配的步骤，具体包括：S221，设置空间损失阈值，并计算同一个动物中每两个骨架点之间的空间距离；S222，判断所述空间距离与所述空间损失阈值的数值大小，当所述空间距离大于所述空间损失阈值时，将所述空间距离的值增大两倍后作为实际距离值；当所述空间距离不大于所述空间损失阈值时，将所述空间距离的值作为实际距离值；S223，将所述实际距离值输入匹配算法进行计算，得到匹配数据。在本实施例中，所述匹配算法为匈牙利最大匹配算法。

S3，在匹配完成后，建立世界坐标系并根据每个动物的骨架点在所述世界坐标系中的位置进行计算得到每个动物的空间平均坐标，将所述空间平均坐标设置为跟踪点。

具体地，世界坐标系是系统的绝对坐标系，在没有建立用户坐标系之前画面上所有点的坐标都是以该坐标系的原点来确定各自的位置的。由于摄像机可安放在环境中的任意位置，在环境中选择一个基准坐标系来描述摄像机的位置，并用它描述环境中任何物体的位置，该坐标系称为世界坐标系。摄像机坐标系与世界坐标系之间的关系可以用旋转矩阵与平移向量来描述。

S4，通过跟踪方法对所述跟踪点在所述世界坐标系中的路径信息进行实时记录，得到步态监测数据。在本实施例中，所述跟踪方法为欧式距离跟踪方法。

本发明通过对动物步态图像的采集，将步态图像中给的动物骨架点进行识别并通过空间射线构造跟踪点，对跟踪点在世界坐标系中的运行轨迹进行记录，以解决现有技术中通过人工的方式对动物的步态进行观察得到结果的准确性不高的技术问题，从而对动物的步态进行准确识别并记录，以提高对动物步态的观察准确性，进而实现提高实验结果数据的准确率。

请参照图2，相应地，本发明实施例还提供了一种基于动物跑台的步态监测系统，包括：

预处理模块，用于采集动物步态图像，并对所述动物步态图像进行预处理，得到预处理图像；在本实施例中，所述预处理模块用于对所述动物步态图像进行预处理，得到预处理图像的步骤，具体包括：对所述动物步态图像进行灰度化处理，得到灰度图像；对所述灰度图像进行高斯滤波处理，得到滤波图像；对所述滤波图像进行二值化处理，得到预处理图像。

识别匹配模块，用于建立步态识别模型，并通过所述步态识别模型对所述预处理图像中动物的骨架点进行识别，将识别得到的骨架点进行映射得到空间射线并对所述空间射线进行匹配；

在本实施例中，所述识别匹配模块用于建立步态识别模型的过程，具体包括：获取动物图像并对所述动物图像中的骨架点进行标注，将标注后的动物图像作为初始图像，集合为初始图像集；对所述初始图像集进行复制，得到训练图像集和测试图像集；通过第三方模型软件建立初始化识别模型；将所述训练图像集输入所述初始化识别模型进行模型训练，直到训练次数达到预设的训练次数阈值或训练准确度达到预设的训练准确度阈值时，停止模型训练，得到识别训练模型；将所述测试图像集输入所述识别训练模型进行模型测试，直到测试次数达到预设的测试次数阈值或测试准确度达到预设的测试准确度阈值时，停止模型测试，得到步态识别模型。在本实施例中，所述识别匹配模块用于建立步态识别模型的过程中，训练次数阈值为30万次，训练准确阈值为95％；所述测试次数阈值为20万次，测试准确阈值为98％。

在本实施例中，所述识别匹配模块用于对所述空间射线进行匹配的步骤，具体包括：设置空间损失阈值，并计算同一个动物中每两个骨架点之间的空间距离；判断所述空间距离与所述空间损失阈值的数值大小，当所述空间距离大于所述空间损失阈值时，将所述空间距离的值增大两倍后作为实际距离值；当所述空间距离不大于所述空间损失阈值时，将所述空间距离的值作为实际距离值；将所述实际距离值输入匹配算法进行计算，得到匹配数据。在本实施例中，所述识别匹配模块用于对所述空间射线进行匹配的匹配算法为匈牙利最大匹配算法。

坐标建立模块，用于在匹配完成后，建立世界坐标系并根据每个动物的骨架点在所述世界坐标系中的位置进行计算得到每个动物的空间平均坐标，将所述空间平均坐标设置为跟踪点。

路径记录模块，用于通过跟踪方法对所述跟踪点在所述世界坐标系中的路径信息进行实时记录，得到步态监测数据。在本实施例中，所述路径记录模块用于进行实时记录的跟踪方法为欧式距离跟踪方法。

本发明实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质包括存储的计算机程序；其中，所述计算机程序在运行时控制所述计算机可读存储介质所在的设备执行上述任一实施例所述的基于动物跑台的步态监测方法。

本发明实施例还提供了一种终端设备，所述终端设备包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所述处理器在执行所述计算机程序时实现上述任一实施例所述的基于动物跑台的步态监测方法。

优选地，所述计算机程序可以被分割成一个或多个模块/单元(如计算机程序、计算机程序)，所述一个或者多个模块/单元被存储在所述存储器中，并由所述处理器执行，以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序在所述终端设备中的执行过程。

所述处理器可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等，通用处理器可以是微处理器，或者所述处理器也可以是任何常规的处理器，所述处理器是所述终端设备的控制中心，利用各种接口和线路连接所述终端设备的各个部分。

所述存储器主要包括程序存储区和数据存储区，其中，程序存储区可存储操作系统、至少一个功能所需的应用程序等，数据存储区可存储相关数据等。此外，所述存储器可以是高速随机存取存储器，还可以是非易失性存储器，例如插接式硬盘，智能存储卡(SmartMedia Card，SMC)、安全数字(Secure Digital，SD)卡和闪存卡(Flash Card)等，或所述存储器也可以是其他易失性固态存储器件。

需要说明的是，上述终端设备可包括，但不仅限于，处理器、存储器，本领域技术人员可以理解，上述终端设备仅仅是示例，并不构成对终端设备的限定，可以包括更多或更少的部件，或者组合某些部件，或者不同的部件。

以上所述的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步的详细说明，应当理解，以上所述仅为本发明的具体实施例而已，并不用于限定本发明的保护范围。特别指出，对于本领域技术人员来说，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种基于动物跑台的步态监测方法，其特征在于，包括：

采集动物步态图像，并对所述动物步态图像进行预处理，得到预处理图像；

建立步态识别模型，并通过所述步态识别模型对所述预处理图像中动物的骨架点进行识别，将识别得到的骨架点进行映射得到空间射线并对所述空间射线进行匹配；

在匹配完成后，建立世界坐标系并根据每个动物的骨架点在所述世界坐标系中的位置进行计算得到每个动物的空间平均坐标，将所述空间平均坐标设置为跟踪点；

通过跟踪方法对所述跟踪点在所述世界坐标系中的路径信息进行实时记录，得到步态监测数据。

2.如权利要求1所述的基于动物跑台的步态监测方法，其特征在于，所述对所述动物步态图像进行预处理，得到预处理图像，具体包括：

对所述动物步态图像进行灰度化处理，得到灰度图像；

对所述灰度图像进行高斯滤波处理，得到滤波图像；

对所述滤波图像进行二值化处理，得到预处理图像。

3.如权利要求1所述的基于动物跑台的步态监测方法，其特征在于，所述对所述空间射线进行匹配的步骤，具体包括：

设置空间损失阈值，并计算同一个动物中每两个骨架点之间的空间距离；

判断所述空间距离与所述空间损失阈值的数值大小，当所述空间距离大于所述空间损失阈值时，将所述空间距离的值增大两倍后作为实际距离值；当所述空间距离不大于所述空间损失阈值时，将所述空间距离的值作为实际距离值；

将所述实际距离值输入匹配算法进行计算，得到匹配数据。

4.如权利要求3所述的基于动物跑台的步态监测方法，其特征在于，所述匹配算法为匈牙利最大匹配算法。

5.如权利要求1所述的基于动物跑台的步态监测方法，其特征在于，所述跟踪方法为欧式距离跟踪方法。

6.如权利要求1所述的基于动物跑台的步态监测方法，其特征在于，所述步态识别模型的建立过程，具体包括：

获取动物图像并对所述动物图像中的骨架点进行标注，将标注后的动物图像作为初始图像，集合为初始图像集；

对所述初始图像集进行复制，得到训练图像集和测试图像集；

通过第三方模型软件建立初始化识别模型；

将所述训练图像集输入所述初始化识别模型进行模型训练，直到训练次数达到预设的训练次数阈值或训练准确度达到预设的训练准确度阈值时，停止模型训练，得到识别训练模型；

将所述测试图像集输入所述识别训练模型进行模型测试，直到测试次数达到预设的测试次数阈值或测试准确度达到预设的测试准确度阈值时，停止模型测试，得到步态识别模型。

7.如权利要求6所述的基于动物跑台的步态监测方法，其特征在于，所述训练次数阈值为30万次，训练准确阈值为95％；所述测试次数阈值为20万次，测试准确阈值为98％。

8.一种基于动物跑台的步态监测系统，其特征在于，包括：

预处理模块，用于采集动物步态图像，并对所述动物步态图像进行预处理，得到预处理图像；

识别匹配模块，用于建立步态识别模型，并通过所述步态识别模型对所述预处理图像中动物的骨架点进行识别，将识别得到的骨架点进行映射得到空间射线并对所述空间射线进行匹配；

坐标建立模块，用于在匹配完成后，建立世界坐标系并根据每个动物的骨架点在所述世界坐标系中的位置进行计算得到每个动物的空间平均坐标，将所述空间平均坐标设置为跟踪点；

路径记录模块，用于通过跟踪方法对所述跟踪点在所述世界坐标系中的路径信息进行实时记录，得到步态监测数据。

9.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质包括存储的计算机程序；其中，所述计算机程序在运行时控制所述计算机可读存储介质所在的设备执行如权利要求1～7任一项所述的基于动物跑台的步态监测方法。

10.一种终端设备，其特征在于，包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所述处理器在执行所述计算机程序时实现如权利要求1～7任一项所述的基于动物跑台的步态监测方法。

Images