[发明专利]一种基于计算机视觉的老龄人身体姿态数据分析方法

说明书

本文提出了一种基于计算机视觉的老龄人身体姿态数据分析方法。首先，通过LW‑OpenPose框架得到人体2D关键点数据，然后对2D环境下人物的位置进行判断，获取人物深度信息，通过关节点融合与关节点约简，定义并计算“关节点动能”表征人体运动速度，通过对数据集进行正态化分布处理后统计分析，选取25％分位数作为缓慢阈值判断是否缓慢；其次，通过数据分析与数据挖掘，定义并计算“关节点势能”表征人体平衡状态，挖掘运动能力参数构造特征，进入分类模型，可得到人体的平衡结果。整个过程从相机捕捉人体运动到输出运动速度和平衡能力结果，无需人工干预。大量的实验证明，这种方法便捷有效，摆脱以往传感器穿戴设备的繁琐，并能够获取较为准确的实验结果。

技术领域

本发明主要涉及数据科学与大数据分析技术，具体涉及一种基于计算机视觉的老龄人身体姿态数据分析方法。

背景技术

身体姿态检测问题自2014年提出后就成为了一个热门的话题。以往的身体信息都是依赖可穿戴式的带有传感器设备捕获的，这样的设备只能提取某个方面身体信息，例如运动速度，心率，体温等等。但是可穿戴设备具有很大的局限性，一般都是一对一的穿戴，并且设备价格比较昂贵，许多人尤其是老人觉得嫌麻烦，因此也不愿意佩戴。姿态问题的研究为许多问题带来了极大的方便，只需一台相机设备，就可以完成人机交互。我们人眼可以观测到许多信息，并从中进行分析获取数据，同样的，计算机要想获取关于这个世界的信息，也需要借助一定的媒介：摄像头。

以往为了在监控视频中区分步行、奔跑以及闲逛等不同的人体运动状态，提出了首先基于块的背景提取方法获取背景图像，使用基于RGB的运动检测方法，再进行阴影检测去除背景，从而检测出运动对象，最后，将覆盖运动对象的最小矩形区域(动态区域)的时间信号用作特征，对时间信号进行离散傅里叶变换后，可以根据获得信号的最大幅度以及相应的频率对运动目标的运动状态做出判断。所提出的方法的思想是由于检测到的目标面积随不同类型运动而变化，比如：运动对象在跑步和走路过程中，运动的时间变化是不同的，因此对象区域的时间变化可以用于老人运动速度分析，信号的幅度越大，频率越高，代表速度越快，运动对象可能正在跑步，反之速度越慢。

也有基于关节点提取的老年人跌倒检测算法，为了提高检测率，输入视频帧，采用yolo检测识别老年人体所在位置，将检测到的老人图像位置信息传入OpenPose关键点检测，当关节点信息特征被提取后，就需要对这些关节点信息进行分类，判断图像帧中人体的运动状态，分为：正常、跌倒、平躺、其他四类运动状态。采用SVM分类器对获取到的关节点信息进行分类，用概率表示每个状态发生的可能性，取概率值最大的表示当前老人的运动状态。

发明内容

本发明的目的在于提出一种基于计算机视觉的老龄人身体姿态数据分析方法，通过对关键点数据进行进一步的数据分析和特征挖掘后，再进行深一步的建模，从而提高对老龄人运动速度估计和平衡能力判断的准确性。

本发明的技术方案如下：

步骤1，使用LW OpenPose框架对视频帧进行人体关键点提取，获得每一帧目标图像的关键点坐标位置。

步骤2，对2D环境下人物的位置进行判断，获取人物深度信息，通过头部关节点的融合与四肢关节点的约简。

步骤3，定义并计算“关节点动能”表征人体运动速度E_i,t＝k₁V_i,t²。

步骤4，通过定义的E，对跌倒数据集的静态数据计算E_all，进行数据正态化分布处理后，统计分析，选取数据集缓慢总关节点动能的25％分位数作为缓慢阈值。

步骤5，将步骤3和步骤4的结果相对比，如果E_allthreshold，则判断为运动缓慢，否则运动正常。

我们假设数据服从正态分布，根据3个标准差经验法则，去除大于总关节点动能大于μ+3σ的异常数据。