一种应用于助行康复机器人的行人脚部识别方法技术

本发明专利技术公开了一种应用于助行康复机器人的行人脚部识别方法，针对助行康复机器人低成本的

【技术实现步骤摘要】
一种应用于助行康复机器人的行人脚部识别方法


[0001]本专利技术涉及助行康复机器人图像识别
，具体涉及一种应用于助行康复机器人的行人脚部识别方法
。

技术介绍

[0002]近年来机器人技术广泛的应用于生命健康领域，尤其是智能助行器，如为老年人提供辅助支撑
、
导航和跌倒防护等服务
。
研究开发适合目前生产实际的助行康复机器人不仅可以在很大程度上缓解护理人员空缺
、
而且具有广阔的市场应用前景
。
[0003]就助行康复机器人而言，实时准确地目标识别提取是机器人视觉系统的关键技术
。
目前，机器人可以通过视觉传感器
、
激光传感器和多传感器进行人体下肢检测
。
如
Kinect
是微软公司开发的深度摄像机，有强大的姿态识别
、
手势识别等功能，能检测角点和边缘信息，且价格也比较适中，激光传感器可以检测避碰障碍也可以检测用户腿与机器人之间的距离，并记录用户腿的运动，如基于邻域距离支持向量域描述
(NDSVDD)
的腿部检测方法但传感器价格较高
。
因此在实际研究中视觉传感器有明显优势，一方面可以获得立体空间上的角点和边缘信息，另一方面，相机也因具有更好的采样频率和低廉的价格而被广泛关注
。
[0004]在过去的几十年里，应用于助行康复机器人的行人下肢检测主要有两种主流方法，一种是基于激光的腿部扫描检测方法，另一种是对人体骨骼关键点进行识别和估计
。
人体骨骼关键点进行识别和估计的方法如
OpenPose
，是卡耐基梅隆大学开发的人体关键点检测源项目，它采用是卡耐基梅隆大学开发的人体关键点检测源项目，它采用
caffe
深度学习框架，基于卷积神经网络和监督学习，基于卷积神经网络和监督学习，通过自底向上的检测方式对人体，通过自底向上的检测方式对人体骨骼关键点
、
面部骨骼关键点
、
面部骨骼关键点
、
面部骨骼关键点
、
面部和手部关键点进行识别和估计
。
具有很强的鲁棒性是全球首个基于深度学习的实时多人二维姿态估计算法，但实际应用中若视野内仅出现下肢的脚部骨骼关键点时，类似
openpose
算法无法识别出人体脚部
。
[0005]因此本申请针对助行康复机器人使用者的脚部识别考虑传统的目标检测算法最小二乘的椭圆拟合算法，对图像边缘进行拟合
。
由于椭圆的特异性
,
椭圆拟合算法在任何噪声或遮挡的情况下都可以准确地给出结果，最终实现不同场景，光线下的脚部识别
。

技术实现思路

[0006]针对助行康复机器人低成本的
RGB
‑
D
相机仅仅采集人体下半身的脚部姿态时基于
openpose
等人体骨骼点方法无法有效识别行人脚部，为了克服现有方法的不足，本专利技术基于低成本的
RGB
‑
D
相机，提出了一种助行康复机器人的行人脚部识别方法
。canny
边缘检测算子的高低阈值设计中采用改进的自适应梯度阈值代替需要先验知识的手工预设，得到检测后的边缘；增加了面积和长短轴约束，筛选出颜色最相似的两个拟合椭圆为双脚，设计一种左右脚分类方法，最终实现不同场景，光线下的脚部识别，从而提高脚部位姿精度和实时
性
。
本专利技术进行实验证明了方法的有效性，实验表明，本专利技术提出的方法具有很高的精度和实时性
。
[0007]本专利技术的技术方案如下：
[0008]一种应用于助行康复机器人的行人脚部识别方法，包括以下步骤：
[0009]步骤
1)
图像高斯滤波：
[0010]首先使用助行康复机器人上的
kinectV1
相机实时拍摄图片
,
得到图像矩阵，使用滤波器去除图像噪声，即使用滤波器与图像进行卷积
。
[0011]步骤
2)
求像素梯度强度与方向
:
[0012]通过计算每个点像素的水平和垂直方向的一阶导数，再通过以下两个公式，计算出每像素点的梯度大小
G
和方向
θ
。
[0013][0014][0015]其中
G
x
水平梯度，
G
y
为垂直梯度，计算过程如下所示：设图像窗口
A
，中心像素为
e
，将
A
分别与
Sobel
的水平和垂直模板进行卷积
,
则可得到中心像素点
e
的水平梯度
G
x
和垂直梯度
G
y
为
[0016][0017][0018]步骤
3)NMS
非极大值抑制
:
[0019]沿着像素梯度方向寻找像素点的局部梯度极大值，将局部非极大值对应的像素点灰度值设置为0，除去假边缘，细化
、
精确定位图像边缘
。
[0020]步骤
4)
自适应梯度双阈值选择：
[0021]假设在
(0,360)
范围内选取某一梯度阈值为
threshold,
计算小于该梯度阈值
threshold
像素个数为
n0，占图片总像素的比为
w0表示如下：
[0022][0023]其中
a
为图片宽，
b
为图片高
。
[0024]计算大于该梯度阈值
threshold
像素个数为
n1，占图片总像素的比率为
w1表示如下：
[0025][0026]计算小于梯度阈值
threshold
的所有像素平均灰度为
u0；计算大于该梯度阈值
threshold
所有像素平均灰度为
u1；总平均梯度
u
表示如下：
[0027]u
＝
w0*u0+w1*u1(1.7)
[0028]类间方差
sigma
表示如下：
[0029]Sigma
＝
w0*(u0‑
u)*(u0‑
u)+w1*(u1‑
u)*(u1‑
u)(1.8)
[0030]当类间方差最大时，对应的梯度阈值
threshold
即为得到的最佳梯度阈值即高阈值
maxVal
，且低阈值
(minVal)
设置为
[0031]步骤
5)
应用双本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种应用于助行康复机器人的行人脚部识别方法，其特征在于，包括以下步骤：步骤
1)
图像高斯滤波：使用
kinectV1
相机实时拍摄图片
,
得到图像矩阵，使用滤波器去除图像噪声，即使用滤波器与图像进行卷积；步骤
2)
求像素梯度强度与方向
:
计算图像每个点像素的水平和垂直方向的一阶导数，再计算出每像素点的梯度大小
G
和方向；步骤
3)NMS
非极大值抑制
:
沿着像素梯度方向寻找像素点的局部梯度极大值，将局部非极大值对应的像素点灰度值设置为0，除去假边缘，细化
、
精确定位图像边缘；步骤
4)
自适应梯度双阈值选择：在
(0,360)
范围内选取某一梯度阈值为
threshold,
计算小于该梯度阈值
threshold
像素个数为
n0，占图片总像素的比为
w0表示如下：其中
a
为图片宽，
b
为图片高；计算大于该梯度阈值
threshold
像素个数为
n1，占图片总像素的比率为
w1表示如下：计算小于梯度阈值
threshold
的所有像素平均灰度为
u0；计算大于该梯度阈值
threshold
所有像素平均灰度为
u1；总平均梯度
u
表示如下：
u
＝
w0*u0+w1*u1(1.7)
类间方差
sigma
表示如下：
Sigma
＝
w0*(u0‑
u)*(u0‑
u)+w1*(u1‑
u)*(u1‑
u)(1.8)
当类间方差最大时，对应的梯度阈值
threshold
即为得到的最佳梯度阈值即高阈值
maxVal
，且低阈值
minVal
设置为步骤
5)
应用双阈值确定边缘：通过步骤
4)
得到两个阈值
:
高阀值
maxVal
和低阀值
minVal
，对非极大值抑制中产生的局部极大值像素点
x
进行滤波，以达到降噪和保持边缘连续性的目的；步骤
6)
对图片边缘进行膨胀操作，并绘制所有组轮廓；步骤
7)
利用最小二乘的椭圆拟合算法对边缘进行拟合；步骤
8)
筛选拟合后在设定面积阈值内的椭圆及设定阈值内的椭圆长短轴比例；步骤
9)
如果符合条件的椭圆数量大于2，则筛选设定阈值内颜色最相近的两个椭圆，识别为脚部；...

【专利技术属性】
技术研发人员：邢科新，慈雯祺，蒲茜，李伟腾，华奇轩，
申请(专利权)人：浙江工业大学，
类型：发明
国别省市：