基于人的侧面步态视频的异常步态检测方法技术

本发明专利技术公开了一种基于人的侧面步态视频的异常步态检测方法，通过常见的普通相机或手机采集侧面步态视频，从中提取人的步幅变化特征、身体前倾特征，并使用正常步态的特征信息训练单分类支持向量机模型，可快速有效检测对应步态为正常或异常。本发明专利技术无需专用检测设备，无需在特定的场所进行步态检测，灵活度高。本发明专利技术在通过步态视频提取步态特征时考虑身体前倾特点，并能有效避免异常步态检测模型的检测能力受异常训练数据影响，提高检测准确率。本发明专利技术仅需要采用正常步态信息的特征训练单分类支持向量机模型，训练样本少，能够快速准确地检测步态正常/异常，从而协助医生进行异常步态的诊断，提高医生的工作效率。

Abnormal gait detection method based on human side gait video

The invention discloses an abnormal gait detection method based on human side gait video. The abnormal gait video is captured by common common cameras or mobile phones, from which the characteristics of human step change and body tilt are extracted, and the feature information of normal gait is used to train a single classification support vector machine model, which is fast and effective. The corresponding gait was normal or abnormal. The invention does not need special detection equipment, and does not need to carry out gait detection in specific places, and has high flexibility. The invention considers the forward leaning feature when extracting gait features from gait video, and can effectively avoid the influence of abnormal training data on the detection ability of abnormal gait detection model and improve the detection accuracy. The invention only needs the feature of normal gait information to train the single classification support vector machine model. The training sample is small, and the gait normal/abnormal can be detected quickly and accurately, so as to assist doctors in the diagnosis of abnormal gait and improve the work efficiency of doctors.

【技术实现步骤摘要】
基于人的侧面步态视频的异常步态检测方法
本专利技术涉及步态识别领域，具体涉及一种从人的侧面步态视频中提取特征并结合异常步态检测模型实现异常步态检测的方法。
技术介绍
步态即人行走的姿态，异常步态则是当一个人身体出现异常时出现的非正常行走姿态。常见的导致步态异常的原因包括疼痛、中枢神经系统异常和骨骼肌肉系统损伤。异常步态的种类繁多，典型的异常步态包括痉挛性偏瘫步态、痉挛性截瘫步态、感觉性共济失调步态、慌张步态、肌病步态、跨阈步态、癔症步态等。部分典型步态的出现反映了特点疾病的存在，通过对异常步态进行观察分析，可以对患者进行症状诊断，如帕金森病患者常见的慌张步态、冻结步态等。因此，异常步态的检测是医生诊断的重要依据。虽然目前已有关于人的步态的研究，但都集中在使用步态进行身份识别上，在异常步态检测上的研究较少，并且这些方法都是基于正常人的步态进行身份识别分类，并不适用于通用的异常步态检测。在临床医学上，对患者的异常步态检测常采用直接观察或基于肌电图等客观采集数据的定量分析。对异常步态的采集与分析通常使用外置硬件仪器进行，如使用角度测量装置综合采集主要关节的运动轨迹，分析人的步态周期规律；或通过穿戴式步态采集器采集足底压力，根据足底压力数据的变化分析踮脚走、后跟走、外八字和内八字等类别的异常步态。这些方法基于硬件设备对患者的步态进行分析，对设备要求较高，需要在特定场所进行，灵活度较低，不利于日常生活的异常步态检测。个别研究(如申请号为2017107435559的专利技术专利《异常步态检测方法及异常步态检测系统》)通过人体轮廓提取特征进行正常异常分类，但仅考虑了下半身步幅上变化的特点，未考虑一些异常步态如慌张步态中的上半身身体前倾的特点，同时所使用的训练模型容易受训练数据中的异常步态数据影响，不能有效检测丰富多样的异常步态。因此，需要对现有技术进行改进。
技术实现思路
本专利技术要解决的技术问题是提出一种无需专业检测设备的基于人的侧面步态视频的异常步态检测方法。为解决上述问题，本专利技术提出一种基于人的侧面步态视频的异常步态检测方法，包括以下步骤：步骤1、获取侧面步态视频，并从侧面步态视频中提取侧影轮廓图像序列；步骤2、根据步骤1中所得的侧影轮廓图像序列，构建步宽与身高比的参数序列A、头部与两足中心的x轴水平距离与身高比前倾参数序列B，并由参数序列A和参数序列B提取描述步态信息的特征；步骤3、收集正常步态的侧面步态视频作为训练样本；所述训练样本依次通过步骤1和步骤2提取其步态信息的特征，并将所提取的特征输入单分类支持向量机进行训练，构建异常步态检测模型；步骤4、获取待检测的侧面步态视频，依次通过步骤1和步骤2提取其步态信息的特征，并将该特征输入步骤3所构建的异常步态检测模型中进行检测。作为基于人的侧面步态视频的异常步态检测方法的改进：所述步骤2包括以下步骤：2.1、将步骤1所得的侧影轮廓图像序列中每一帧侧影轮廓图像中根据各点像素值分割获得人体区域图像；2.2、根据步骤2.1分割得到的人体区域图像提取身高h，头部顶点x轴坐标x1；2.3、按照从上到下的方向截取步骤2.1所获得的人体区域图像的4/5h到h高度的足部区域图像，获取实际步长宽度w及两足中心点x轴坐标x2；2.4、根据步骤2.3和步骤2.4计算所得的参数计算参数α和β：计算步宽与身高比参数α，计算公式为计算头部水平前倾距离与身高比参数β，计算公式为2.5、将每一帧侧影轮廓图像提取的参数α、β分别添加在参数序列A与参数序列B中，直至侧影轮廓图像序列中所有侧影轮廓图像处理完毕，获得参数序列A和参数序列B；即，参数α依次添加在参数序列A中，参数β依次添加在参数序列B中。2.6、从步骤2.5所获得的参数序列A绘制的曲线中提取步态的周期、前半周期、后半周期、波峰幅值、波谷幅值、波峰方差、波谷到波峰的过渡时间和波峰到波谷的过渡时间8个特征；2.7、从步骤2.5所获得的参数序列B中提取表示身体前倾特征的均值、方差、最大值和最小值4个特征；2.8、综合步骤2.6和2.7提取的特征构成最终的特征G。作为基于人的侧面步态视频的异常步态检测方法的进一步改进：所述步骤3包括以下步骤：3.1、收集正常步态的侧面步态视频构建训练样本；3.2、将步骤3.1构建的训练样本依次通过步骤1和步骤2提取其步态信息的特征获得特征参数训练集；3.3、采用步骤3.2所得特征参数训练集进行异常检测模型的训练，构建异常步态检测模型。作为基于人的侧面步态视频的异常步态检测方法的进一步改进：所述异常步态检测模型为单分类支持向量机。作为基于人的侧面步态视频的异常步态检测方法的进一步改进：所述单分类支持向量机模型的优化目标是求一个中心为o，半径为R的最小球面，公式如下：并满足条件：其中，u为输入数据，i＝1,…,N，N为输入数据的个数，C为惩罚因子，ξ为松弛因子。采用拉格朗日乘子法并对约束条件进行简化，可将优化问题转换为：约束条件为：其中，i＝1,…,N，j＝1,…,N，N为输入数据的个数，λ为拉格朗日乘子。本模型的核函数采用RBF径向基函数：K(ui，uj)＝exp(-γ|ui-uj|2)，其中，γ为核参数，本模型取值为0.083。与现有技术相比，本专利技术的技术优势在于：1、本专利技术从行人轮廓中提取步宽与身高比参数(即，参数α)、身体前倾参数(即，参数β)作为步态特征，有效描述了步态特点，其中步宽的提取截取了人的足部区域，在一定程度上减少了大衣等服饰对于步宽提取的干扰；通过提取身体前倾特征，更好地描述了行走过程中是否存在身体前倾的现象，有助于异常步态的检测。2、本专利技术根据所选的步态特征，使用正常步态数据采用单分类支持向量机进行模型训练，建立异常步态检测模型，不需要各类异常步态作为训练数据，即可有效区分正常步态及各类异常步态，检测待测步态为异常还是正常。附图说明下面结合附图对本专利技术的具体实施方式作进一步详细说明。图1为本专利技术基于人的侧面步态视频的异常步态检测方法的模型建立框图；图2为图1中提取特征步骤的流程示意图；图3为实施例1中从人体轮廓提取参数h和x1的示意图；图4为实施例1中从人体轮廓提取参数w和x2的示意图；图5为正常步态和异常步态的特征参数α变化曲线图；图6为正常步态和异常步态的特征参数β变化曲线图。具体实施方式下面结合具体实施例对本专利技术进行进一步描述，但本专利技术的保护范围并不仅限于此。实施例1、基于人的侧面步态视频的异常步态检测方法，如图1-6所示，通过采集侧面步态视频，并有效提取步态参数进行描述人的步速、步幅、是否前倾等特征，从而对异常步态做出检测。如图1所示，具体包括以下步骤：步骤1、使用常见的普通相机或手机拍摄人的侧面步态视频，拍摄视频时需使用三脚架固定拍摄设备，视频格式可为MP4或AVI，拍摄人的侧面，至少包括两个步态周期。一个完整的步态周期指人从一侧的足跟着地开始，到同侧的足跟再次着地的过程。再基于背景差分法(已有的前景提取算法)从侧面步态视频中提取侧影轮廓图像序列。步骤2、如图2所示，根据侧影轮廓图像序列，分别构建步宽与身高比的参数序列A、头部与两足中心的x轴水平距离与身高比前倾的参数序列B，由参数序列A和参数序列B提取12个特征描述步态信息。本特征提取方法具有有效反映人在行走过程中在步速时间、距本文档来自技高网...

【技术保护点】
1.基于人的侧面步态视频的异常步态检测方法，其特征包括以下步骤：步骤1、获取侧面步态视频，并从侧面步态视频中提取侧影轮廓图像序列；步骤2、根据步骤1中所得的侧影轮廓图像序列，构建步宽与身高比的参数序列A、头部与两足中心的x轴水平距离与身高比前倾参数序列B，并由参数序列A和参数序列B提取描述步态信息的特征；步骤3、收集正常步态的侧面步态视频作为训练样本；所述训练样本依次通过步骤1和步骤2提取其步态信息的特征，并将所提取的特征输入单分类支持向量机进行训练，构建异常步态检测模型；步骤4、获取待检测的侧面步态视频，依次通过步骤1和步骤2提取其步态信息的特征，并将该特征输入步骤3所构建的异常步态检测模型中进行检测。

【技术特征摘要】
1.基于人的侧面步态视频的异常步态检测方法，其特征包括以下步骤：步骤1、获取侧面步态视频，并从侧面步态视频中提取侧影轮廓图像序列；步骤2、根据步骤1中所得的侧影轮廓图像序列，构建步宽与身高比的参数序列A、头部与两足中心的x轴水平距离与身高比前倾参数序列B，并由参数序列A和参数序列B提取描述步态信息的特征；步骤3、收集正常步态的侧面步态视频作为训练样本；所述训练样本依次通过步骤1和步骤2提取其步态信息的特征，并将所提取的特征输入单分类支持向量机进行训练，构建异常步态检测模型；步骤4、获取待检测的侧面步态视频，依次通过步骤1和步骤2提取其步态信息的特征，并将该特征输入步骤3所构建的异常步态检测模型中进行检测。2.根据权利要求1所述的基于人的侧面步态视频的异常步态检测方法，其特征在于：所述步骤2包括以下步骤：2.1、将步骤1所得的侧影轮廓图像序列中每一帧侧影轮廓图像中根据各点像素值分割获得人体区域图像；2.2、根据步骤2.1分割得到的人体区域图像提取身高h，头部顶点x轴坐标x1；2.3、按照从上到下的方向截取步骤2.1所获得的人体区域图像的4/5h到h高度的足部区域图像，获取实际步长宽度w及两足中心点x轴坐标x2；2.4、根据步骤2.3和步骤2.4计算所得的参数计算参数α和β：计算步宽与身高比参数α，计算公式为计算头部水平前倾距离与身高比参数β，计算公式为2.5、将每一帧侧影轮廓图像提取的参数α、β分别添加在参数序列A与参数序列B中，直至侧影轮廓图像序列中所有侧影轮廓图像处理完毕，获得参数序列A和参数...

【专利技术属性】
技术研发人员：金心宇，张琳，孙斌，
申请(专利权)人：浙江大学，
类型：发明
国别省市：浙江,33