[发明专利]基于Gabor原子分解的人体异常步态检测方法和装置

说明书

本申请公开了一种基于基于Gabor原子分解的人体异常步态检测方法和装置，属于步态分析领域。该方法包括：从实验者运动中获取三维加速度数据作为训练样本集，对Gabor模型进行训练；接收到待识别的步态数据时，训练后的Gabor对其进行分类得到一个类别向量；训练后的基于MP的Gabor模型对每个类别向量进行计算得到对应的特征向量，计算所有类别向量与特征向量的欧式距离，把距离作为该步态分析的识别结果。该装置包括：训练集获取模块、训练模块、数据处理模块和Gabor模块。本申请提高了步态分析的准确率，避免出现不误判漏判的结果，保证了识别出的步态结果的完整性、可读性。

技术领域

本申请涉及步态分析领域，特别是涉及一种基于Gabor原子分解的人体异常步态检测方法和装置。

背景技术

目前用于运动数据收集和分析的可穿戴设备多数为基于重力加速度传感器或陀螺仪用于运动检测。基于iPhone的加速度计和陀螺仪分析步态行为特征；使用运动捕捉系统捕捉老年用户的步态，该系统由体佩标签和壁挂式传感器组成，并且提出了机器学习分类器用于识别。一种基于隐马尔可夫模型(HMM)的方法，该方法利用人体的三轴加速度来检测和预测跌倒。用于监控人体活动的低成本和可穿戴智能加速计传感器的硬件和软件设计与实现。使用躯干和大腿可穿戴惯性传感器(3D加速度计和2D陀螺仪)，并且整个系统是基于生成对抗网络(BAN)，以在长期应用期间使佩戴者感到舒适。然而，使用无成本可穿戴设备来估计日常活动是一项艰难的工作，并且没有足够灵活的综合解决方案来实际应用。由于使用简单算法的可穿戴硬件的限制，现有方法在大数据处理和远程实时应用中通常较差。这可能导致估计不精确。此外，可穿戴设备通常具有可由多个模块组成的大尺寸，包括移动电源，传感器，控制模块和通信模块。结果，通常不容易穿戴或不愿意为老年人穿着。但随着智能手机，智能手表和智能手环的普及，高速CPU，无线网络，加速度传感器或嵌入其中的陀螺仪，老年人更容易携带并从中受益。结合强大的云平台，可以引入大数据和更复杂的算法，用于老年人日常生活中的异常步态行为检测。

发明内容

本申请的目的在于克服上述问题或者至少部分地解决或缓减解决上述问题。

根据本申请的一个方面，提供了一种基于基于Gabor原子分解的人体异常步态检测方法，包括：

从动态步态数据集作为训练样本集；

使用所述训练样本集对Gabor模型进行训练；

当接收到步态数据时，所述训练后的Gabor对其进行分类得到一个所述步态数据的类别向量；

所述训练后Gabor模型得到的每个类别向量进行计算得到对应的特征向量，并计算所有类别向量与所有特征向量之间的欧式距离，把距离作为所述图像的识别结果。

可选地，使用所述训练样本集对Gabor模型进行训练，包括：

将所述训练样本集中的步态数据作为步态训练样本，对Gabor模型进行训练，为每一组数据添加特征分类的标签得到类别向量；

可选地，当接收到待识别的步态数据时，所述训练后的Gabor模型对其进行分类得到一个所述步态的类别向量，包括：

当接收到待识别的步态数据时，所述训练后的Gobor模型对所述图像进行分类，确定所述步态数据所属的一个类别，为所属的每一个类别添加一个相应的标签得到对应的类别向量。

可选地，计算所有类别向量与所有步态特征向量之间的欧式距离，把距离远近作为所述步态数据的识别结果，包括：

在所有类别向量与特征向量之间，两两计算欧式距离，在得到的所有欧氏距离中确定距离超出范围的欧氏距离，将所述超出范围距离的欧氏距离所对应的步态数据向量作为所述步态数据的识别结果。

可选地，所述方法还包括：