一种基于SURF算法的老年人护理需求识别方法技术

本发明专利技术公开了一种基于SURF算法的老年人护理需求识别方法。该方法如下：获取老年人的面部表情图像，并生成训练集、测试集；利用SURF特征提取算法对训练集进行特征提取，确定表情类型；采用词袋模型，结合K

【技术实现步骤摘要】
一种基于SURF算法的老年人护理需求识别方法


[0001]本专利技术涉及机器视觉及图像识别
，特别是一种基于SURF算法的老年人护理需求识别方法。

技术介绍

[0002]随着人口老龄化问题加重，老人的护理问题成为一个重要的问题。老年人身体的退化以及近年来心血管疾病的普遍化，加重了老年人表达和行动的不便，导致一部分老年人只能长期卧床且表达不清。在护理资源短缺的情况下，当产生如厕的生理需求时，常常由于帮扶不及时导致失禁，处理非常繁琐且对老年人危害大。所以，通过机器对老年人有如厕需求却难以行动表达时的表情识别，有效的识别老年人护理需求十分重要。
[0003]随着现代图像识别技术的不断发展，面部识别技术可以识别出人脸的表情变化，通过对于老人产生护理需求时难受表情的识别，就可以及时通知护工进行帮助，解决老人如厕的护理需求。专利CN111476196A公开了一种基于面部动作的老年残障人士护理需求识别方法，该方法根据事先规定的操作逻辑，使用眨眼动作和张嘴动作来表征老年残障人士的基本护理需求，满足其吃饭、小便和大便的需求识别，给老年残障人士提供更自然、和谐的人机交互方式，可以使老年人得到更可靠的看护。但是该方法需要人为干预，要求老人做出指定动作，对于难以理解指定要求的部分老年人难以实现。

技术实现思路

[0004]本专利技术的目的在于提供一种实时性好、准确性高、适用范围广的基于SURF算法的老年人护理需求识别方法。
[0005]实现本专利技术目的的技术解决方案为：一种基于SURF算法的老年人护理需求识别方法，具体步骤如下：
[0006]步骤1、获取老年人的面部表情图像，并生成训练集、测试集；
[0007]步骤2、利用SURF特征提取算法对训练集进行特征提取，确定表情类型；
[0008]步骤3、采用词袋模型Bag-of-words，结合K-means聚类算法对训练集的所有图像中提取出的特征向量进行聚类，将每一个聚类中心作为视觉词word，再将所有聚类中心所对应的视觉词集合形成码本dictionary；以码本为规范，将同一幅图像的SURF特征向量映射到码本生成Bow向量，并使用该Bow向量来描述这副图像；
[0009]步骤4、将训练集所有特征向量聚类生成的视觉词序列构成的码本放入SVM支持向量机中进行训练，从而得到训练好的模型；提取测试集中测试图像的SURF特征，将这些SURF特征映射为Bow向量并作为测试数据，使用SVM算法得到分类结果，完成老年人护理需求识别。
[0010]进一步地，步骤2所述的利用SURF特征提取算法对训练集进行特征提取，确定表情类型，具体如下：
[0011](2-1)构建Hessian矩阵生成特征点；
[0012](2-2)构建尺度空间；
[0013](2-3)定位特征点；
[0014](2-4)分配特征点主方向；
[0015](2-5)生成特征点描述子即SURF特征向量。
[0016]进一步地，(2-1)所述构建Hessian矩阵生成特征点，具体如下：
[0017]Hessian矩阵的作用是对函数的局部曲率进行描述，SURF特征提取算法利用原图每个像素的Hessian矩阵行列式的近似值构成变换图从而提取特征点；
[0018]在进行Hessian矩阵构造前，需要对其进行高斯滤波，因此选用二阶标准高斯函数作为滤波器；经过滤波后的像素点X＝(x,y)在σ尺度上的Hessian矩阵H(x,σ)定义为：
[0019][0020]式中，L
xx
(x,σ)是高斯二阶偏导数与图像在X点的卷积，L
xy
(x,σ)是高斯二阶偏导数与图像在X点的卷积，L
yy
(x,σ)是高斯二阶偏导数与图像在X点的卷积；
[0021]经过高斯滤波的Hessian矩阵的秩为：
[0022]det(H)＝L
xx
(x,σ)*L
yy
(x,σ)-L
xy
(x,σ)*L
xy
(x,σ)
[0023]SURF特征提取算法使用盒式滤波器来近似替代高斯滤波器，经过盒式滤波器滤波后的Hessian矩阵的秩Det(H
approx
)通过下式计算，为了平衡因使用盒式滤波器近似所带来的误差，在D
xy
(x,σ)上乘了一个加权系数0.9：
[0024]Det(H
approx
)＝D
xx
(x,σ)D
yy
(x,σ)-(o.9D
xy
(x,σ))2[0025]式中，D
xx
(x,σ)是盒子滤波器与图像在X点的卷积，D
xy
(x,σ)是盒子滤波器与图像在X点的卷积，D
yy
(x,σ)是盒子滤波器与图像在X点的卷积，H
approx
是利用盒子滤波器近似高斯滤波器后的Hessian矩阵的秩。
[0026]进一步地，(2-2)所述构建尺度空间，具体如下：
[0027]在(2-1)特征点查找时滤波器的尺寸不变，将此滤波器映射到图片每个局部区域的不同尺寸，得到尺度空间，提取像素点周围的图像特征。
[0028]进一步地，(2-3)所述定位特征点，具体如下：
[0029]将经过Hessian矩阵处理过的每个像素点与其周围的26个像素点进行大小比较，如果该点是最大值或最小值，则保留下来，作为特征点。
[0030]进一步地，(2-4)所述分配特征点主方向，具体如下：
[0031]首先，以特征点为中心，计算半径为6s的圆形邻域内点的x和y方向上的Haar小波响应，s为特征点尺度，并使用σ＝2s的高斯加权函数对Haar小波响应值进行高斯加权；然后，利用π/3的扇形窗口，步长为0.2弧度，绕中心旋转，并对落入该窗口范围内的Haar小波响应值dx、dy进行累加；最后，选取最大Haar响应累加值所对应的方向为特征的主方向；其中dx是图像经Haar小波响应在x方向的响应值，dy是图像经Haar小波响应在y方向的响应值。
[0032]进一步地，(2-5)所述生成特征点描述子即SURF特征向量，具体如下：
[0033]以特征点为中心将坐标轴旋转到计算出的特征子主方向，顺着特征点的主方向以特征点为中心取4
×
4的矩形区域，每格25个像素，总共400个像素；
[0034]对每个子区域的25个像素的相对于主方向来说的水平和垂直方位的Haar小波响应值进行统计，此Haar小波响应值一共是四个方向分别为水平方向之和，垂直方向之和，水平方向绝对值之和以及垂直方向绝对值之和；
[0035]在SURF中，每个子块区域的特征向量就是这四个值，所以SURF的特征点描述子为4*4*4＝64维向量。
[0036]进一步地，步骤3所述采用词袋模型Bag-of-words，结合K-means聚类算本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于SURF算法的老年人护理需求识别方法，其特征在于，具体步骤如下：步骤1、获取老年人的面部表情图像，并生成训练集、测试集；步骤2、利用SURF特征提取算法对训练集进行特征提取，确定表情类型；步骤3、采用词袋模型Bag-of-words，结合K-means聚类算法对训练集的所有图像中提取出的特征向量进行聚类，将每一个聚类中心作为视觉词word，再将所有聚类中心所对应的视觉词集合形成码本dictionary；以码本为规范，将同一幅图像的SURF特征向量映射到码本生成Bow向量，并使用该Bow向量来描述这副图像；步骤4、将训练集所有特征向量聚类生成的视觉词序列构成的码本放入SVM支持向量机中进行训练，从而得到训练好的模型；提取测试集中测试图像的SURF特征，将这些SURF特征映射为Bow向量并作为测试数据，使用SVM算法得到分类结果，完成老年人护理需求识别。2.根据权利要求1所述的基于SURF算法的老年人护理需求识别方法，其特征在于，步骤2所述的利用SURF特征提取算法对训练集进行特征提取，确定表情类型，具体如下：(2-1)构建Hessian矩阵生成特征点；(2-2)构建尺度空间；(2-3)定位特征点；(2-4)分配特征点主方向；(2-5)生成特征点描述子即SURF特征向量。3.根据权利要求2所述的基于SURF算法的老年人护理需求识别方法，其特征在于，(2-1)所述构建Hessian矩阵生成特征点，具体如下：Hessian矩阵的作用是对函数的局部曲率进行描述，SURF特征提取算法利用原图每个像素的Hessian矩阵行列式的近似值构成变换图从而提取特征点；在进行Hessian矩阵构造前，需要对其进行高斯滤波，因此选用二阶标准高斯函数作为滤波器；经过滤波后的像素点x＝(x，y)在σ尺度上的Hessian矩阵H(x，σ)定义为：式中，L
xx
(x，σ)是高斯二阶偏导数与图像在X点的卷积，L
xy
(x，σ)是高斯二阶偏导数与图像在X点的卷积，L
yy
(x，σ)是高斯二阶偏导数与图像在X点的卷积；经过高斯滤波的Hessian矩阵的秩为：det(H)＝L
xx
(x，σ)*L
yy
(x，σ)-L
xy
(x，σ)*L
xy
(x，σ)SURF特征提取算法使用盒式滤波器来近似替代高斯滤波器，经过盒式滤波器滤波后的Hessian矩阵的秩Det(H
approx
)通过下式计算，为了平衡因使用盒式滤波器近似所带来的误差，在D
xy
(x，σ)上乘了一个加权系数0.9：Det(H
approx
)＝D
xx
(x，σ)D
yy
(x，σ)-(0.9D
xy
(x，σ))2式中，D
xx
(x，σ)是盒子滤波器与图像在X点的卷...

【专利技术属性】
技术研发人员：唐自强，白月，陈洞明，孙瑜，
申请(专利权)人：南京理工大学，
类型：发明
国别省市：