[发明专利]人体姿态识别系统及方法

说明书

技术领域

本发明属于智能控制与看护的人体姿态识别技术领域。

背景技术

人体状态识别是模式识别领域的研究热点。近年来，随着人机交互、传感器技术、机器学习等关键技术的飞速发展，人体状态识别被广泛应用于智能控制、医疗康复、健康监护、体感游戏以及CG(computer graphics，电脑动画)等领域。

其中真人CG领域，运动捕捉技术已经有长足发展，其中关键的人体姿态识别技术已经相当成熟，甚至可以将人体表情进行近乎完美的展现。体感游戏方面成果也较多，有很多商业化范例，尤其是在vr(Virtual Reality，即虚拟现实)火热的当下，基于传感器的人体姿态识别在vr控制方面有很大的想象空间。但是其技术层面属于人体姿态的模拟复现，并且其相应的传感器复杂，不适应于日常生活应用。医疗康复中人体姿态识别主要应用到姿态矫正和人机交互两个方面，目前已有很多辅助类的成果出现，对辅助医疗具有很大意义。

在智能控制与看护领域，人体运动姿态识别主要用于老人看护，并集中于摔倒检测报警装置。主要采用的方法有两类，一类是图像视频识别，另一类是利用可穿戴式传感器进行识别。在图像视频识别中，需要有效区分人体和背景，这需要人体与背景特征有一定差异，在一些差异不明显的情况很难进行准确识别。此外该类识别是面向区域进行的识别，无法有效实时跟踪感兴趣的目标。

发明内容

本发明是为了解决在图像视频识别人体运动姿态时，人体与背景特征差异不明显，难以识别，同时面向区域的识别无法有效实时跟踪目标的问题，现提供人体姿态识别系统及方法。

人体姿态识别系统包括：数据采集模块、数据预处理与特征提取模块、静止姿态分类模块和运动姿态分类模块；

数据采集模块包括用于采集人体腕部和大腿的三轴加速度和三轴角速度的单元，人体手臂方向定义为上肢Y轴，人体大腿方向定义为下肢Y轴；

数据预处理与特征提取模块包括：

用于滤除三轴加速度和三轴角速度的无用噪声的单元，

用于对滤除噪声后的三轴加速度进行定标，获得真实三轴加速度的单元，

用于滤除真实三轴加速度中重力加速度的干扰的单元，

用于分别计算滤除干扰后的三轴加速度和滤除噪声后的三轴角速度的二阶范数，获得合加速度序列和合角速度序列的单元，

用于分别计算滤除干扰后的三轴加速度、滤除噪声后的三轴角速度、合加速度序列和合角速度序列的差值序列，获得32维的数据流的单元，32维的数据流包括滤除干扰后的三轴加速度、滤除噪声后的三轴角速度、合加速度序列、合角速度序列及上述参数的差值序列，

用于利用时间窗对数据流进行截取，将每一帧的数据作为一个样本，获得k个样本的单元，时间窗的长度至少包括一个完整的运动周期，k为正整数，且50≤k≤150；

用于运算每个样本的统计特征的单元，统计特征包括：三轴信号均值、三轴信号标准差、三轴信号中位绝对偏差、四分位距、最大值、最小值、平方和均值、伯格阶数为4的AR模型系数、各轴序列相关性和信息熵，三轴信号包括：上肢x轴信号、上肢y轴信号、上肢z轴信号、下肢x轴信号、下肢y轴信号和下肢z轴信号；

静止姿态分类模块包括：

用于判断下肢y轴信号均值是否小于-0.63633g，是则当前人体姿态为站立状态的单元，其中g为重力加速度单位，

用于判断上肢y轴信号均值与下肢y轴信号均值的差值是否大于0.371654g，是则当前人体姿态为倚坐状态，否则当前人体姿态为躺卧状态的单元；

运动姿态分类模块包括：

用于利用k个样本的统计特征训练运动状态分类模型的单元，运动状态分类模型包括跑步状态模型、行走状态模型、剧烈运动状态模型和摔倒状态模型；

用于将当前帧样本的统计特征分别代入四种状态模型中，获得四个状态函数，对四个状态函数进行比较，其中状态函数最大值所对应的状态为当前人体姿态。

人体姿态识别方法包括以下步骤：

数据采集步骤用于采集人体腕部和大腿的三轴加速度和三轴角速度，人体手臂方向定义为上肢Y轴，人体大腿方向定义为下肢Y轴；

数据预处理与特征提取步骤：

用于滤除三轴加速度和三轴角速度的无用噪声，

用于对滤除噪声后的三轴加速度进行定标，获得真实三轴加速度，

用于滤除真实三轴加速度中重力加速度的干扰，

用于分别计算滤除干扰后的三轴加速度和滤除噪声后的三轴角速度的二阶范数，获得合加速度序列和合角速度序列，