一种基于计算机视觉的老龄人身体姿态僵硬度计算方法

技术特征：
1.一种基于计算机视觉的老龄人身体姿态僵硬度计算方法，其特征在于：对关键点数据进行进一步的数据分析和特征挖掘后，再进行深一步的建模时，进行以下步骤，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。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。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。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。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。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。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。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。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。2.根据权利要求1所述的基于计算机视觉的老龄人身体姿态僵硬度计算方法，其特征在于：步骤2所述的头部融合关节点坐标取于模型获取的脸部5个关节点平均值，3.根据权利要求1所述的基于计算机视觉的老龄人身体姿态僵硬度计算方法，其特征在于：步骤3所述的关节角度表示各个关节点之间的夹角，其中头部夹角θ1由脖子头部连接向量与垂直方向向量的夹角构成，其余关节角度θ3～θ9由两边的关节构成，由两边的关节构成，θ2～θ9关节角度：关节角度：4.根据权利要求1所述的基于计算机视觉的老龄人身体姿态僵硬度计算方法，其特征
在于：步骤4所述的僵硬度特征：头部僵硬度、上肢僵硬度、下肢僵硬度分别代表对应关节点变化对时间的微分，反映关节的灵活程度，其中头部僵硬度上肢僵硬度下肢僵硬度5.根据权利要求1所述的基于计算机视觉的老龄人身体姿态僵硬度计算方法，其特征在于：步骤5所述的僵硬度标注方法从视频头至视频尾，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，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。6.根据权利要求1所述的基于计算机视觉的老龄人身体姿态僵硬度计算方法，其特征在于：步骤6所述的基本统计变量特征是各僵硬度特征的基本统计量，其中，s_max＝max(s_h，s_u，s_d)，s_min＝min(s_h，s_u，s_d)，s_mean＝mean(s_h，s_u，s_d)，s_var＝var(s_h，s_u，s_d)。7.根据权利要求1所述的基于计算机视觉的老龄人身体姿态僵硬度计算方法，其特征在于：步骤8所述的模型训练是为了证明构造的运动能力参数对老龄人身体僵硬度有很强的预测能力。

技术总结
本文提出了一种基于计算机视觉的老龄人身体姿态僵硬度计算的新方法。首先，通过LW OpenPose系统框架得到视频帧人体2D关键点数据，然后进行头部关节点的融合，对提取后的数据进行关节点分析可以得到9个关节夹角。在得到关节夹角的基础上进行进一步的数据挖掘，得到与身体僵硬相关的包含头部、上肢、下肢僵硬度及其对应基本统计量的7个特征；与特征工程同步进行的是僵硬/非僵硬实验数据集的拍摄，在保证准确率的情况下使用滑窗标注算法大大提高了数据集每一帧僵硬度的标注效率。完成上述工作后数据进入模型训练，从相机捕捉人体运动到模型输出僵硬度结果，无需人工干预。大量的实验证明，这种方法十分便捷有效，并且能够获取较为准确的实验结果。获取较为准确的实验结果。获取较为准确的实验结果。


技术研发人员：袁玉波 宋家璞
受保护的技术使用者：华东理工大学
技术研发日：2022.01.19
技术公布日：2022/4/26