基于金字塔匹配直方图交叉核的人体睡眠姿态检测方法技术

本发明专利技术公开了基于金字塔匹配直方图交叉核的人体睡眠姿态检测方法，采用Artec和Kinect采集数据；建立出每个模型其自己的协调的系统；建立投影坐标系统，提取深度图像；通过SIFT算法提取出每一幅深度图像的尺度和旋转不变特征包；将得到的SIFT特征编码成可见的visual words并进行聚类，得到dictionary；通过统计属于每个质心的SIFT特征数目得到的bag of words代入到基于金字塔匹配直方图交叉核的人体睡眠姿态检测方法中识别出输入的每个3维人体睡眠模型的每一种睡眠姿态。本发明专利技术人为误差较小且不易产生分类灾难，对视角变化、仿射变换、噪声保持稳定性,实现了输入的每个3维人体睡眠模型的每一种具体的睡眠姿态的精确判断。

【技术实现步骤摘要】

本专利技术属于生物医学信息
，尤其设及基于金字塔匹配直方图交叉核的人 体睡眠姿态检测方法。
技术介绍
在日常生活中，由于错误睡姿使得局部组织遭受严重压力，让人们患上稱疮，尤其 是邸床不起的病人。而且错误的睡姿可能引起屯、脏疾病和颈椎疾病等。所W研究不同的睡 眠姿势对监视，健康护理，老年看护是重要的。所W人体睡眠姿态识别是一个重要研究方 向，它的最终目的是输出一个人的整体或者局部肢体的结构参数。睡眠姿态识别的研究方 法应该说，设及了生物医学工程、生物医学信息学等。W往有些基于运方面研究的方法都是 基于普通光学图像，比如常见的RGB图像，运类图像容易受光照、阴影等外界变化的影响，或 者基于ECG信号，并且由于人体关节自由度大，及人的体型、着装较大差异性，常导致睡眠姿 态识别系统识别不准确。随着光电技术的快速发展，深度传感设备的成本逐渐降低，人们获 取深度图像的方法也越来越多。该方向的研究也越来越成为计算机视觉领域的研究趋势。 具体原因包括:一方面，深度传感设备不仅操作简单，并且极大简化了普通照相机的标定过 程;另一方面，得到的深度图像由于直接包含了人体的深度信息，能够有效的克服普通光学 图像遇到的上述问题。从深度图像中进行姿态识别不仅具有研究意义，更重要的是人体睡 眠姿态识别具有广阔的应用前景与商业价值，W下是它几个典型的应用领域：1)智能监控 系统（参见：VinczeM，ZillichM，PonweiserW，et al. Integrated vision system for the semantic interpretationof activities where aperson handles objects， ComputerVision and ImageUnderstanding，2009，113(6) :682-692) ;2)高级人机交互；3) 远程医疗。基于普通光学图像的睡眠姿态估计主要有基于模型和基于无模型两类，对于前 者的方法而言，要将预先构造的人体模型与图像中人体构造的各部分的形状、色彩、轮廓等 特征对应起来，W求解人体模型的各种参数，运种方法不需要庞大的样本库和稳定的估计 算法，但由于该方法被复杂模型所限制不被通用，并且也不适合目前普遍具有海量数据的 实际应用领域;基于无模型方法不需要事先构造人体模型，而是W-种学习的方式来构造 人体特征与人体睡眠姿态之间的映射关系。无模型方法通过学习方法改善人体睡眠姿态识 别效果，适合当前的应用需求。然而，运些方法都是从图像中提取色彩、轮廓、形状、边缘等 特征，由于普通光学图像容易受光照、阴影等变化因数的影响，所W所提取的该类特征的鲁 棒性及有效性较差。与普通光学图像相比，深度图像包含了更为丰富的空间信息，从中既可 W提取物体轮廓、形状区域特征，还可W提取出模型外观的立体特征，而且深度图像像素记 录的因为是距离信息，具有颜色无关性，所W运在一定程度上克服了普通光学图像遇到的 上述问题，随着光电技术的发展，很多研究学者结合深度图像性质把很多经典算法应用在 该类图像上。比如Lu Xia(参照：Xia L，畑enCC，Agga;rwal J.K.Human detection using depth information by Kinect，CVPRW，2011.)等人结合像素深度信息利用(^inny算子 从图像中提取边缘特征，通过距离变换和模型匹配，进行部位检测的方法来识别姿态;尽管 上述方法在一定程度上弥补了普通光学图像的缺点，但碍于一般传感设备不适用任何环境 等因素，基于深度图像的人体睡眠姿态识别一直没有突破性的进展。
技术实现思路
本专利技术的目的在于提供一种新的基于金字塔匹配直方图交叉核的人体睡眠姿态 检测方法，旨在解决现有的人体睡眠姿态检测方法单一和准确率低的问题。 本专利技术是运样实现的，， 所述包括：[000引采用Artec和Kinect采集数据； 通过平移和缩放坐标系统的尺度将每个3维人体睡眠模型从模型的中屯、移动到 坐标系统的原点，坐标轴的最大值变为1，建立出每个模型其自己的协调的系统； 通过建立投影坐标系统，从位于大的球体表面的照相机位置提取深度图像，每个3 维人体睡眠模型用了十套内接于相同球体而旋转角度不同的十二面体，照相机位置位于规 则正十二面体的20个顶点，每个视角的照相机朝向规则正十二面体的中屯、，每套正十二面 体从运二十个不同的角度提取出10幅图像，一共提取出一百幅图像； 通过SIFT算法提取出每一幅深度图像的尺度和旋转不变特征包，每一幅图像大约 有Ξ十到四十个SIFT特征，每个特征为128维向量，得到一个3维人体睡眠模型的3000到 5000个SIFT特征； 通过K-means算法将得到的SIFT特征编码成可见的visual words并进行聚类，得 到dictionary; 通过统计属于每个质屯、(dietionary中的每个visual word)的SIFT特征数目得到 的bag of words代入到中得到输 入的每个3维人体睡眠模型的每一种睡眠姿态。 进一步，所述通过建立投影坐标系统包括： 将3维人体睡眠模型从模型的中屯、移动到坐标系统的原点，定义平移公式： MaxCoori和MinCoori是各自坐标轴上的最大和最小坐标值，缩放是各向同性的， 根据距离模型的X，y，Z轴上的最大值来进行标准化，公式为： 进一步，所述通过SIFT算法提取出每一幅深度图像的尺度和旋转不变特征包具体 包括： 构建尺度空间中，高斯卷积核是实现尺度变换的唯一线性核，于是一幅二维图像 的尺度空间定义为L(x，y，曰）： L(x,y ,σ) =G(x,y ,〇)*I(x,y) ； 其中G(x，y，〇)是尺度可变高斯函数，（x，y)是空间坐标，是尺度坐标，ο大小决定图 像的平滑程度，大尺度对应图像的概貌特征，小尺度对应图像的细节特征，大的σ值对应粗 糖尺度，反之，对应精细尺度，利用不同尺度的高斯差分核与图像卷积生成： D(x,y,〇) = (G(x,y,k〇)-G(x,y,〇))*I(x,y) ； =L(x,y,k〇)-L(x,y,〇) 为每个特征点计算一个方向，利用关键点邻域像素的梯度方向分布特性为每个关 键点指定方向参数，使算子具备旋转不变性：;[002引目（x，y)=atan2(化（x，y+l)-L(x，y-l))AL(x+l，y)-L(x-l，y))) 为(x，y)处梯度的模值和方向公式，其中L所用的尺度为每个关键点各自所在的尺 度。 进一步，所述通过K-means算法将得到的SIFT特征编码成可见的visual words并 进行聚类具体包括： 对于每一个样例Kvisual word)，根据公式计算其应该属于哪个质屯、： 对于每一个类j，重新计算该类的质屯、，由此构建dictiona巧：进一步，所述通过统计属于每个质屯、（dictionary中的每个visual word)的SIFT 特征数目得到的bag of words代入到基于金字塔匹配直方图交叉核的人体睡眠姿态检测 方法中得到输入的每个3维人体睡眠模型的每一种睡眠姿态包括： -个线性判别函数是指X的各个分量的线性组合而成的函数： g(x)=w本文档来自技高网...

【技术保护点】
基于金字塔匹配直方图交叉核的人体睡眠姿态检测方法，其特征在于，所述基于金字塔匹配直方图交叉核的人体睡眠姿态检测方法包括：采用Artec和Kinect采集数据；通过平移和缩放坐标系统的尺度将每个3维人体睡眠模型从模型的中心移动到坐标系统的原点，坐标轴的最大值变为1，建立出每个模型其自己的协调的系统；通过建立投影坐标系统，从位于大的球体表面的照相机位置提取深度图像，每个3维人体睡眠模型用了十套内接于相同球体而旋转角度不同的十二面体，照相机位置位于规则正十二面体的20个顶点，每个视角的照相机朝向规则正十二面体的中心，每套正十二面体从这二十个不同的角度提取出10幅图像，一共提取出一百幅图像；通过SIFT算法提取出每一幅深度图像的尺度和旋转不变特征包，每一幅图像有三十到四十个SIFT特征，每个特征为128维向量，得到一个3维人体睡眠模型的3000到5000个SIFT特征；通过K‑means算法将得到的SIFT特征编码成可见的visual words并进行聚类，得到dictionary；通过统计属于每个质心(dictionary中的每个visual word)的SIFT特征数目得到的得到的bag of words代入到基于金字塔匹配直方图交叉核的人体睡眠姿态检测方法中得到输入的每个3维人体睡眠模型的每一种睡眠姿态。...

【技术特征摘要】

【专利技术属性】
技术研发人员：任爱锋，董彬彬，杨晓东，吕翔宇，
申请(专利权)人：西安电子科技大学，
类型：发明
国别省市：陕西;61