一种步态轨迹异常检测方法及检测装置制造方法及图纸

本发明专利技术涉及一种步态轨迹异常检测方法及检测装置，检测方法包括：S1.获取异常步态检测模型，并基于所述异常步态检测模型对输入视频进行识别检测，获取所述输入视频中步态异常的二维图像集；S2.提取所述二维图像集中属于同一目标的二维图像，构建目标图像集；S3.基于所述目标图像集获取所述目标的三维姿态序列；S4.基于步态评价模型对所述三维姿态序列估计步态得分，并基于所述步态得分判断所述目标是否存在步态轨迹异常。本方案通过非接触的方式即可准确有效的得出评估结论，极大的提高了评估效率。估效率。估效率。

【技术实现步骤摘要】
一种步态轨迹异常检测方法及检测装置


[0001]本专利技术涉及生物识别领域，尤其涉及一种步态轨迹异常及检测方法。

技术介绍

[0002]步态识别是一种新兴的生物特征识别技术，可通过人们走路的姿态进行身份识别、健康状态识别等，具有极为广泛的应用前景。
[0003]随着以帕金森病(Parkinson
’
s Di sease，PD) 为代表的渐进性中枢神经退行性疾病日渐增多，帕金森病可能导致大脑和脊髓的神经元细胞退化，临床表现出静止性震颤、运动迟缓和步态异常等行为。目前针对PD疾病的治疗，医学上普遍采取需要医生和患者投入众多时间和精力的人工运动评估方式，出于早发现、早介入、早治疗的目的，对早期患者的运动状态变化进行追踪观察，能够有助于控制疾病进展，缓解症状，提高患者的生活质量，因此通过计算机视觉实现自动化客观化的运动评估，通过视频自动获取用于评估帕金森病的临床参数，实现远程监测患者状况的可能性，对患者的康复评测有重要意义。

技术实现思路

[0004]本专利技术的目的在于提供一种步态轨迹异常检测方法及检测装置。
[0005]为实现上述专利技术目的，本专利技术提供一种步态轨迹异常检测方法，包括：
[0006]S1.获取异常步态检测模型，并基于所述异常步态检测模型对输入视频进行识别检测，获取所述输入视频中步态异常的二维图像集；
[0007]S2.提取所述二维图像集中属于同一目标的二维图像，构建目标图像集；
[0008]S3.基于所述目标图像集获取所述目标的三维姿态序列；
[0009]S4.基于步态评价模型对所述三维姿态序列估计步态得分，并基于所述步态得分判断所述目标是否存在步态轨迹异常。
[0010]根据本专利技术的一个方面，步骤S1中，获取异常步态检测模型的步骤中，包括：
[0011]S11.采集帕金森患者的TUG测试视频；
[0012]S12.采用目标检测算法对所述TUG测试视频中每帧图像进行检测，获取包含目标的边界框，并基于所述边界框对每帧所述图像进行裁剪，获取相同尺寸的目标图像；
[0013]S13.基于获取的所述目标图像进行异常步态识别训练，获取所述异常步态检测模型。
[0014]根据本专利技术的一个方面，步骤S2中，提取所述二维图像集中属于同一目标的二维图像，构建目标图像集的步骤中，包括：
[0015]S21.针对所述二维图像分别构建描述对象模型；
[0016]S22.基于所述描述对象模型并采用卡尔曼滤波器对具有先后顺序的所述二维图像进行关联预测，并对所述二维图像的边界框之间的IOU距离进行计算；
[0017]S23.若所述IOU距离小于预设阈值，则重新执行步骤S22；
[0018]若所述IOU距离大于或等于所述预设阈值，则采用匈牙利算法对关联的所述二维
图像进行匹配检测，并基于满足检测结果的所述二维图像构建所述目标图像集。
[0019]根据本专利技术的一个方面，步骤S21中，所述描述对象模型表示为：
[0020]x＝[u,v,s,r,u
′
,v
′
,S
′
]T
[0021]其中，u和v表示所述二维图像中目标中心的水平和垂直像素位置，s 和r表示所述二维图像的边界框的比例/面积和恒定纵横比。
[0022]根据本专利技术的一个方面，步骤S3中，基于所述目标图像集获取所述目标的三维姿态序列的步骤中，包括：
[0023]S31.将同一所述目标的所述目标图像集中的所述二维图像逐一输入 CPN网络进行关键点检测，获取相应的二维关键点图像；
[0024]S32.对所述二维关键点图像进行精确特征点坐标和归一化处理；
[0025]S33.采用GRU分类器对归一化处理后的所述二维关键点图像进行分类；
[0026]S34.采用DTW算法对分类后的所述二维关键点图像进行时序排列，获得所述目标的二维关键点图像序列；
[0027]S35.基于获取的所述二维关键点图像序列获取所述三维姿态序列。
[0028]根据本专利技术的一个方面，步骤35中，基于获取的所述二维关键点图像序列获取所述三维姿态序列的步骤中包括：
[0029]S351.对所述二维关键点图像序列中的所述二维关键点图像进行数据预处理；
[0030]S352.对所述二维关键点图像提取时空特征；
[0031]S353.对提取的所述时空特征进行特征融合获取所述三维姿态序列。
[0032]根据本专利技术的一个方面，步骤S4中，所述步态评价模型采用混合序列焦点双特征双运动模型。
[0033]为实现上述专利技术目的，本专利技术提供一种用于前述的步态轨迹异常检测方法的检测装置，包括：
[0034]异常步态检测单元，用于对输入视频进行识别检测，获取所述输入视频中步态异常的二维图像集；
[0035]目标分类单元，用于提取所述二维图像集中属于同一目标的二维图像，构建目标图像集；
[0036]三维姿态序列获取单元，基于所述目标图像集获取所述目标的三维姿态序列；
[0037]步态评估单元，用于对所述三维姿态序列估计步态得分，并基于所述步态得分判断所述目标是否存在步态轨迹异常。
[0038]根据本专利技术的一种方案，与传统的评估方法相比，本方案通过非接触的方式即可准确有效的得出评估结论，极大的提高了评估效率。
[0039]根据本专利技术的一种方案，与传统的评估方法相比，本方案只需要采集目标的步态视频即可进行风险评估，并不需要结合其他传感器数据即可实现，在保证了评估效率的同时，极大的降低了数据的采集难度。
[0040]根据本专利技术的一种方案，本专利技术通过采用计算机视觉实现帕金森运动状态自动评估为出发点，结合帕金森测试视频，对帕金森患者的异常步态进行评估的方法，可以试下对患者运动状态的实时评估，保证了医生对患者状态的及时掌握，以及能够辅助医生进行帕金森早期诊断，达到“早发现”的效果。
[0041]根据本专利技术的一种方案，利用多个视角的二维图像实现三维关键点估计的方法，进一步精确患者的在运动评估中的运动参数，使用三维关键点可以帮助医生更加精确的知道患者测试过程中的任何时刻的运动数据，通过对运动状态量化进行更加方便评估。
[0042]根据本专利技术的一种方案，基于人体三维关键点估计的异常动作识别系统。通过图像化界面将算法结合，操作简单，便于协助医生诊断早期帕金森。
附图说明
[0043]图1是示意性表示根据本专利技术的一种实施方式的步态轨迹异常检测方法的步骤框图；
[0044]图2是示意性表示根据本专利技术的一种实施方式中获取二维关键点图像的流程图；
[0045]图3是示意性表示根据本专利技术的一种实施方式中获取二维关键点图像序列的流程图；
[0046]图4是示意性表示根据本专利技术的一种实施方式中由二维关键点图像序列获取三维姿态序列的流程图；
[0047]图5是示意性表示根据本专利技术本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种步态轨迹异常检测方法，包括：S1.获取异常步态检测模型，并基于所述异常步态检测模型对输入视频进行识别检测，获取所述输入视频中步态异常的二维图像集；S2.提取所述二维图像集中属于同一目标的二维图像，构建目标图像集；S3.基于所述目标图像集获取所述目标的三维姿态序列；S4.基于步态评价模型对所述三维姿态序列估计步态得分，并基于所述步态得分判断所述目标是否存在步态轨迹异常。2.根据权利要求1所述的步态轨迹异常检测方法，其特征在于，步骤S1中，获取异常步态检测模型的步骤中，包括：S11.采集帕金森患者的TUG测试视频；S12.采用目标检测算法对所述TUG测试视频中每帧图像进行检测，获取包含目标的边界框，并基于所述边界框对每帧所述图像进行裁剪，获取相同尺寸的目标图像；S13.基于获取的所述目标图像进行异常步态识别训练，获取所述异常步态检测模型。3.根据权利要求2所述的步态轨迹异常检测方法，其特征在于，步骤S2中，提取所述二维图像集中属于同一目标的二维图像，构建目标图像集的步骤中，包括：S21.针对所述二维图像分别构建描述对象模型；S22.基于所述描述对象模型并采用卡尔曼滤波器对具有先后顺序的所述二维图像进行关联预测，并对所述二维图像的边界框之间的IOU距离进行计算；S23.若所述IOU距离小于预设阈值，则重新执行步骤S22；若所述IOU距离大于或等于所述预设阈值，则采用匈牙利算法对关联的所述二维图像进行匹配检测，并基于满足检测结果的所述二维图像构建所述目标图像集。4.根据权利要求3所述的步态轨迹异常检测方法，其特征在于，步骤S21中，所述描述对象模型表示为：x＝[u,v,s,r,u
′
,v
′
,S
′
]
T
其...

【专利技术属性】
技术研发人员：邹刚，范志晴，谢剑斌，谢昌颐，邹亮羽，
申请(专利权)人：湖南中科助英智能科技研究院有限公司，
类型：发明
国别省市：