[发明专利]一种基于动态时间规划的人体步态监测算法

说明书

一种基于动态时间规划的人体步态监测算法，属于人体步态识别方法领域。现有步态识别方法存在的识别精度低。一种基于动态时间规划的人体步态监测算法，包括：利用视觉传感器进行人体步态视频采集，建立人体步态模型的步骤；采用传感器骨骼技术获取的骨骼运动信息的步骤；步态监测识别算法的训练步骤；动作识别的步骤；人体步态骨骼诊断评估的步骤。本发明方法进行的步态诊断评估，识别率最高可达98%。

技术领域

本发明涉及一种步态识别方法领域，特别涉及一种基于动态时间规划的人体步态监测算法。

背景技术

传统的异常步态诊断主要通过患者察觉自身姿态异常后就医，医生通过患者主诉并观察患者的临床表现及既往病史来判断，对异常步态无法精确地定量分析和定性诊断。缺乏对疾病的早期检测预警和康复指导。相关技术的现阶段发展情况如下：

随着骨骼数据提取技术发展，通过技术手段获取人体的运动参数，依据步态分析特征，如图1所示为行走姿态特征的分析，为人体步行功能提供精准的评估，提供疾病早期检测和康复解决方案。

如图2所示为影响采集建模分析图示。可穿戴设备进行的建模分析，采用基于深度卷积神经网络的骨骼数据定位提取特征技术，通过对人体步态的监测、评估实现对疾病极早期预警，对康复做规范指导，对提高全民健康水平，生活质量作用巨大。

传统的步态异常诊断需要医生依靠自身经验观察病人的临床表现及发病史来判断。因而，无法系统的、标准化的分析患者步态异常的原因，并形成有效的治疗方案。

目前，基于机器视觉的人体静态/半动态检测装置和基于传感器的全身可穿戴式检测装置等技术的步态评估产品已经处于测试应用阶段，可以初步对步态进行一定程度的识别判断。基于机器视觉的步态识别方法是通过提取人体轮廓，生成轮廓图，轮廓图是随着时间变化形成运动序列，再针对轮廓图进行特征分析而实现步态识别，人体静止态下准确率高，但运动态下误差多，精度差。

发明内容

本发明的目的是为了解决现有的步态识别方法存在的识别精度低的问题，而提出一种基于动态时间规划的人体步态监测算法。

一种基于动态时间规划的人体步态监测算法，所述算法通过以下步骤实现：

利用视觉传感器进行人体步态视频采集，建立人体步态模型的步骤；

基于视觉传感器采集的人体步态视频，通过深度卷积建立包含空间、时间、运动趋势的人体步态模型，获得人体正常步行时的骨骼节点；通过深度分析从这些骨骼节点中选取20个人体骨骼关键节点，并计算各步态关键骨骼节点的对应位置；对步行时人体骨骼数据节点运动、位置变化进行深度分析，提取人体步行姿态的特征参数，基于动态时间规整和步态参数相结合，分析出人体正常态下，单一行进周期内20个骨骼关键节点的运动曲线，建立人体步态的标准化模型；

采用传感器骨骼技术获取的骨骼运动信息的步骤；

基于传感器骨骼技术获取的骨骼运动信息，通过深度卷积神经网络建立包含空间、时间、运动趋势的人体步态模型，获得20个人体骨骼关键节点，并计算各节点的对应位置；

步态监测识别算法的训练步骤；

利用K-means聚类算法的思想，将采集到的多组静态样本，通过训练算法，得到目标静态模板；其中，每个步态定义九种动作姿态，实际采样时，根据每组动作的步态特征采集，训练样本为每组30次采集，为获取到训练后的模板，K-means聚类算法的实现过程如下：

1)从30组数据中，随机选取两组作为聚类中心；

2)其余组数据依次与聚类中心计算相似性，将最为相似的纳入到聚类结果所在的类里；

3)调整计算聚类中心，对聚类中的所有元素计算均值；若聚类中心不发生变化，则为最终的动作模板，若发生变化，则重复操作2和3，直到聚类中心不发生变化；