[发明专利]一种无标记颈椎运动检测方法

权利要求书

1.一种无标记颈椎运动检测方法，其特征在于：所述方法通过以下步骤实现：

步骤一、通过采集含有颈部的视频，获得连续的含有颈部的图像帧；

步骤二、将L-K光流法与最大类间方差图像分割法相结合的方法，检测图像中的颈部区域目标；

步骤三、建立颈部模型，检测颈部边缘，提取颈部轮廓部分信息；将提取出的颈部边缘图像的质心作为坐标原点，建立坐标系，把图像在四个象限的质心分别和原点进行连线，计算每条连线和横轴的夹角的正切值，得出特征向量；从而进行颈部特征提取；

步骤四、采用BP神经网络进行颈部姿态识别；

首先采集向前、向后、向左、向右四种颈部姿态图像做样本，提取样本特征数据计算训练参数，根据提取的特征参数训练分类器；之后将待检测的颈部图像进行检测，识别检测结果；

其中，在采集含有颈部的视频的步骤之前需要先对摄像头进行标定；其中，L-K光流法的全称为Lucas-Kanade光流法。

2.根据权利要求1所述一种无标记颈椎运动检测方法，其特征在于：

步骤二所述的将L-K光流法与最大类间方差图像分割法相结合的方法，检测图像中的颈部区域目标，具体为：

第一，获取连续的两帧图像，对图像进行灰度化处理，得到其灰度图像；

第二，对连续的两帧图像进行Lucas-Kanade光流算法计算，得到光流场；

第三，在光流场中进行最大类间方差图像分割，将光流连续的区域视为背景目标，将光流不连续的区域视为运动目标；

第四，通过OTSU算法运算得到最佳阈值，对其进行二值化处理，得到二值图像；

第五，通过进行形态学处理使颈部目标进一步完整，从而检测出颈部目标区域；

其中，L-K光流法的全称为Lucas-Kanade光流法；

本步骤中，是将Lucas-Kanade光流法和最大类间方差分割法相结合用于颈部目标的检测，从而得到一种改进的算法。

3.根据权利要求2所述一种无标记颈椎运动检测方法，其特征在于：所述的在光流场中进行最大类间方差图像分割的步骤中，最佳阈值的运算过程为：

通过OTSU算法将图像分成背景区域和前景区域两类，用方差来判断背景区域和前景区域的差别，当两者之间的类间方差达到最大的时候，可确定最佳阈值，即为此时类间方差最大的灰度级；

对于图像I(x,y)，前景和背景的分割阈值记为T，属于前景的像素点数占整幅图像的比例记为P_a，平均灰度为w_a；背景像素点数占整幅图像的比例为P_b，平均灰度为w_b；整幅图像的平均灰度记为w₀；设图像的灰度级为L，大小为M*N，图像中灰度级为i的像素总个数为N_i，则计算灰度级i的概率为：

根据OTSU算法，最佳阈值求解公式为：

其中，

4.根据权利要求1、2或3所述一种无标记颈椎运动检测方法，其特征在于：步骤三所述的颈部特征提取的步骤中，检测颈部边缘的步骤具体为：

依靠算法来提取图像灰度发生变化的区域边界的步骤如下：

第一，图像平滑，即降低图像混杂的随机噪声；

第二，图像增强，即将邻域灰度显著变化的点增强显示；

第三，图像检测，即通过边缘检测算子完成图像边缘的检测；

第四，图像定位，即修改图像检测中检测出的图像边缘，提高定位精度。

5.根据权利要求4所述一种无标记颈椎运动检测方法，其特征在于：步骤三所述的颈部特征提取的步骤中，得出特征向量的步骤具体为：

分析颈部的向前、向后、向左、向右的姿态特征，提取4种特征量，建立颈部姿态特征模型；所述的特征量以特征角度为主，以颈部目标边缘图像的质心为原点建立二维直角坐标系，直角坐标系分割为四个象限，确定颈部边缘图像在四个象限的质心分别与原点的连线，并计算连线与X轴的夹角，分别记为∠1、∠2、∠3、∠4，计算四个夹角的正切值，分别表示针对一、二、三、四象限的四个姿态特征角；将四个象限的正切值作为特征向量，通过这些特征向量表征颈部的特征。

6.根据权利要求1、2、3或5所述一种无标记颈椎运动检测方法，其特征在于：步骤四所述的采用BP神经网络进行颈部姿态识别的步骤中，选用基于动量改进的BP算法作为学习函数，选用LMS算法作为训练函数；根据样本图像所提供的特征向量，运用BP神经网络，对颈部向前、向后、向左、向右四种姿态进行BP神经网络训练，建立BP神经网络模型，运用BP神经网络模型识别检测的颈部姿态；其中，通过动量改进的BP算法找到全局最优解，避免解出局部最优解；

具体包括：

第一，形成基于动量的改进BP算法；

基于动量改进的BP算法调整权值，将本次误差计算所得的权值变化量与上次权值变化量进行融合作为本次实际权值变化量：

ΔW(n)＝-ηΔE(n)+αΔW(n-1)

式中，α是动量系数，通常0α0.9，η是学习率，取值范围在0.001～10之间；

第二，自适应调整学习速率；

第三，将L-M学习规则的权值调整改为：

Δw＝(J^TJ+μI)^-1.J^Te

其中，e是误差向量；J是网络误差对权值倒数的Jacobian矩阵；μ是标量。