[发明专利]一种基于Kinect的人体坐姿行为识别方法和系统

说明书

本发明公开了一种基于Kinect的人体坐姿行为识别方法，包括：从人体姿态行为数据集获取骨架图像序列，根据骨架图像序列中每一帧图像及其前一帧和后一帧图像获取图像的特征序列，使用K‑means对获得的帧图像的特征序列进行聚类处理，以得到多个聚类处理结果，使用PCA方法对得到的多个聚类处理结果进行处理，以得到多个按照主元信息的重要性从高到低排列的局部特征，使用特征编码算法对局部特征进行处理，以得到图像特征描述符，根据帧图像与骨架图像序列中其他帧图像的图像特征描述符构建全局损失函数，使用基于随机梯度下降算法对全局损失函数进行求解。本发明能够解决传统的健康坐姿检测方法在对“非正坐”状态进行坐姿行为检测时识别准确率低的技术问题。

技术领域

本发明属于计算机视觉技术领域，更具体地，涉及一种基于Kinect的人体坐姿行为识别方法和系统。

背景技术

近年来，在医疗领域，人体姿态行为分析的应用变得越来越广泛，在疾病诊断、康复评估以及老年人日常监测等均有所涉及。具体来说，目前大多数的社会工作者都是在办公室进行工作，对于他们来说，坐姿是最为长久的工作姿态。医学研究表明，久坐与不良坐姿将会导致多种职业性肌肉骨骼疾病如腰椎间盘突出、颈椎病等。如今，已经有不少关于健康坐姿检测的方法，但这些方法针对坐姿不良的监测中，通常只考虑到了对人体骨骼信息进行角度分析，然后仅仅根据这一角度标准来判断人体坐姿行为是否健康。

然而，在实际生活场景中，当人在处于“坐”的姿态时，除了正常的敲击键盘或书写这两种常规的姿态之外，更多的时候还可能会出现挥手、喝水、接听电话、拍手等其他坐姿状态(也可以被称为“非正坐”状态)下的生活动作，处于这些行为状态中的对象的骨骼信息角度可能也会发生改变，甚至不符合单纯的骨骼角度信息的检测框架，如果此时，仍然应用传统的健康坐姿检测方法对这些“非正坐”状态进行坐姿行为检测，则会导致检测结果出现相当大的偏差，实际场景应用性不高。

发明内容

针对现有技术的以上缺陷或改进需求，本发明提供了一种基于Kinect 的人体坐姿行为识别方法和系统，其目的在于，解决传统的健康坐姿检测方法在对“非正坐”状态进行坐姿行为检测时，检测结果偏差较大、识别准确率低的技术问题。

为实现上述目的，按照本发明的一个方面，提供了一种基于Kinect的人体坐姿行为识别方法，包括以下步骤：

(1)从人体姿态行为数据集获取骨架图像序列，根据骨架图像序列中每一帧图像及其前一帧和后一帧图像获取该帧图像的时间局部特征，并根据骨架图像序列中每一帧图像获取该帧图像的空间局部特征，时间局部特征和空间局部特征共同构成特征序列f_n,s，其中n∈[1,7]，s是骨架图像序列中的图像帧；

(2)使用K-means对步骤(1)中获得的帧图像的特征序列进行聚类处理，以得到多个聚类处理结果；

(3)使用PCA方法对步骤(2)得到的多个聚类处理结果进行处理，以得到多个按照主元信息的重要性从高到低排列的局部特征。

(4)使用特征编码算法对步骤(3)得到的局部特征进行处理，以得到图像特征描述符；

(5)根据帧图像与骨架图像序列中其他帧图像的图像特征描述符构建全局损失函数，使用基于随机梯度下降算法对全局损失函数进行求解，以得到使全局损失函数最小化的最佳线性变换函数；

(6)使用得到的最佳线性变换函数对帧图像与骨架图像序列中其他帧图像的图像特征描述符进行处理，以得到帧图像与骨架图像序列中其他帧图像的相似度。

(7)利用非参数K-近邻算法对步骤(6)中得到的帧图像与骨架图像序列中其他帧图像的相似度进行处理，以对所有图像进行行为分类。

优选地，根据骨架图像序列中每一帧图像及其前一帧和后一帧图像获取该帧图像的时间局部特征具体为：