一种基于计算机视觉的老龄人身体姿态僵硬度计算方法

1.本发明主要涉及数据科学与大数据分析技术，具体涉及一种基于计算机视觉的老龄人身体姿态数据僵硬度计算方法。


背景技术：

2.人体姿态识别问题一直是近几年来研究的热点，已经开发了数十年的人体姿态估计任务旨在从给定的传感器输入中获取人体的姿态，但是传感器设备存在着许多的弊端，诸如成本高昂、穿戴不便等。从早期的计算机视觉开始，人们就提倡将关节状物体，特别是人的姿势，用零件图来表示，基于视觉的方法通常通过使用相机摄像头来提供这样的解决方案。作为基本计算机视觉任务之一，身体姿态识别是一个非常重要的研究领域，可以广泛应用于活动识别，人体跟踪，电影和动画，虚拟现实，人机交互，视频监视，医疗救助，自动驾驶，运动动作检测分析等，因此身体姿态数据显得异常宝贵。
3.2d关键点检测研究开始地更早，因此更加成熟。早期姿态估计是一个基于深度神经网络的面向关节坐标位置的回归问题，随着身体姿态检测的不断发展，图像可能包含未知数量的人，人与人之间的相互作用会引起复杂的空间干扰，由于接触、咬合或肢体关节，使得部件之间的关联变得困难，研究者继续使用非参数表示法，用部分亲和场(pafs)来学习图像中身体部分和个体的联系，从自上而下方法到自下而上方法，姿态估计的运行速度和检测精度大大提高。
4.以往与身体僵硬度相关的方法较少，从运动与健康科学学科出发，研究者们根据运动损伤与运动表现提出了包括垂直僵硬度测试、腓肠自由振荡以及组成腓肠三头肌几块肌肉的压力测定来评估僵硬度；为了准确描述患者术后腰椎的僵硬程度，有学者制作了专门的评估量表来评估腰椎僵硬状态。


技术实现要素：

5.本发明的目的在于提出一种基于计算机视觉的老龄人身体姿态僵硬度计算方法，对获取到的姿态数据进行进一步的分析，结合身体关节长度和反余弦函数求出与僵硬度有关的9个关节角度；接着进行进一步的特征挖掘工作，将人体拆解为头部、上肢、下肢部位分别计算僵硬程度并继续对三个部位的僵硬程度求最值、均值和方差的统计变量，以缓解模型预测的关节点位置不准确带来样本分布误差。
6.与特征工程同步进行的有僵硬视频数据集的准备和僵硬度标签的标注，为了保留时间信息和提高标注效率，本发明采用了滑窗标注法。特征工程后选择模型进行优化，提高对老龄人身体僵硬度的准确性。
7.本发明的技术方案如下：
8.步骤1，使用lw openpose框架对视频帧进行人体关键点提取，获得每一帧目标图像的关键点坐标位置。
9.步骤2，对步骤1的信息进行分析，对五官关节点(左右眼、左右耳、嘴)进行关节点
融合得到头部关节点。
10.步骤3，使用反余弦函数获取人体的9个身体关节角度θ1～θ9。
11.步骤4，在步骤3的9个身体关节点角度的基础上计算僵硬度特征分别为：头部僵硬度、上肢僵硬度、下肢僵硬度。
12.步骤5，拍摄路人僵硬/非僵硬视频数据集，视频数据集场景涉及到的范围有医院、家中、马路、车站；群体涉及的范围有青年人、中年人、老年人；视频活动涉及走路、工作、爬楼梯。
13.实验需要量化僵硬度值，因此需要对数据集每个视频帧标注对应的僵硬度，本发明借鉴了滑动窗口算法的思路，用统一的僵硬度标准对视频某几帧进行僵硬度标注，设定合适的窗口大小并移动滑动窗口持续打标。
14.步骤6，在步骤4的僵硬度特征基础上，为了能最大程度地还原身体基本信息，本发明进一步构造基本统计量的变量特征分别为：僵硬度最大值、僵硬度最小值、僵硬度均值、僵硬度方差。
15.步骤7，将步骤3、4、6挖掘到的运动能力参数作为特征输入训练模型，且模型选择xgboost和lightgbm进行对比实验。
16.步骤8，模型训练过程中，为了提高模型优化效率，采用贝叶斯优化算法对模型自动进行优化，根据模型选择的不同的参数来得出不同的评分结果，最终通过不同的对比实验选择效果最佳的模型以及模型参数。
17.最终，通过输入视频帧，就可以获取老龄人的身体僵硬程度的量化结果输出。
附图说明
18.读者在参照附图阅读了本发明的具体实施方式以后，将会更清楚地了解本发明的各个方面。其中，
19.图1为本发明基于lw openpose的老龄人身体姿态僵硬度计算的整体方法流程图；
20.图2为本发明拍摄的僵硬/非僵硬实验视频数据集预览图；
21.图3为本发明的滑动窗口标注僵硬度流程图；
22.图4为经过关节点融合后得到的9个身体关节图；
23.图5为实验数据集视频第110帧的模型对比预测拟合效果图。
具体实施方式
24.步骤1，使用lw openpose框架对视频帧进行读取，并获取人体18个关键点坐标数据。
25.步骤2，头部关节点融合坐标：
26.步骤3，头部夹角由脖子头部连接向量与垂直方向向量的夹角构成，为了获取角度θ1，取垂直方向上的单位向量则头部夹角的表达式为：
[0027][0028][0029]
θ2～θ9关节角度：
[0030][0031]
步骤4，在步骤3的基础上定义了僵硬度特征：
[0032]
头部僵硬度：
[0033]
上肢僵硬度：
[0034]
下肢僵硬度：
[0035]
步骤5，随机在每个视频的不同位置帧标注窗口大小为4的视频僵硬度值，从视频头至视频尾，滑动窗口计算并标注第5帧的僵硬度值，其中为了最大化保留距离当前帧最近的时间信息，僵硬度计算公式：
[0036]
其中，s
t
表示当前时间的僵硬度值，n＝4表示滑动窗口的大小，参数控制权重与窗口内权重和为1，距离当前帧越近的视频帧权值越大，保留的时间信息越多，距离当前帧越远权值越小，保留的时间信息越少。
[0037]
步骤6，在步骤4的基础上，进一步构造基本统计量的变量特征时能最大程度地还原身体基本信息，表达式分别如下：
[0038]
s_max＝max(s_h,s_u,s_d)
ꢀꢀꢀ
(10)
[0039]
s_min＝min(s_h,s_u,s_d)
ꢀꢀꢀ
(11)
[0040]
s_mean＝mean(s_h,s_u,s_d)
ꢀꢀꢀ
(12)
[0041]
s_var＝var(s_h,s_u,s_d)
ꢀꢀꢀ
(13)
[0042]
步骤7，将步骤3、4、6挖掘到的运动能力参数作为特征输入训练模型。本发明选择xgboost和lightgbm模型进行对比实验。
[0043]
步骤8，模型训练过程中，采用贝叶斯算法对模型进行优化，根据模型选择的不同的参数来得出不同的评分结果，最终通过不同的对比实验选择效果最佳的模型以及模型参数。我们对模型的评价指标将统一采用均方误差，反映估计僵硬度与实际标注僵硬度之间差异程度。
[0044]
人体僵硬度值低于5表示比较灵活，5～7.5表示能正常活动，当僵硬度值大于7.5时表示人体活动相对受阻。最终模型在训练集上的均方误差为0.2，测试集上的泛化误差为1.58。