一种适用于婴儿运动姿势的识别方法与流程

1.本发明涉及婴儿动作识别技术领域，具体来说，涉及一种适用于婴儿运动姿势的识别方法。


背景技术：

2.运动发育是婴幼儿早期综合发展的重要内容之一，婴幼儿运动发育体现在抗重力移动能力和直立体位能力的演变与成熟的过程中，运动技能的展示不是静止的，而是随年龄顺序的改变而改变，婴幼儿的运动发育存在连续性的变化，同时在连续性的变化中存在关键时期；根据运动发育的神经成熟理论、运动的多系统理论及认知运动理论可知，运动发育的落后或异常通常预示着神经系统发育或认知功能的偏离以及肌肉与骨骼运动等重要器官的异常。
3.目前，三岁前的婴幼儿不具备独立的自主能力，小月龄婴儿更是完全没有自主能力，监护人需要花费大量精力看护婴幼儿，从而避免婴儿发生意外的事件，然而因监护疏漏导致意外的事件时有发生，对婴儿造成严重的伤害，由此延伸处婴儿的监测方法。
4.现有的婴幼儿监测方法层出不穷，但一般只进行婴幼儿哭声检测及床边距离检测，此技术手段远远不能满足婴幼儿监测的实际需求，例如，婴幼儿不良体态会存在窒息风险、婴幼儿多伴有体动翻身及婴幼儿在被服掉落着凉或覆盖口鼻导致窒息的隐患，若监护人不能及时察觉婴幼儿的异常状态，会让婴幼儿自身处于危险之中。
5.针对相关技术中的问题，尚未有能够针对婴幼儿运动姿势进行监测的可行技术，其更多的是通过摄像装置和传感装置对婴幼儿的坐标位置和动作进行监测，监护人更多的是观察到幅度较大的婴幼儿动作，而对于一些认知功能、骨骼运动的异常却无法提供任何前期预警，因此仅仅通过监护人主动发现婴幼儿运动发育前期可能存在的缺陷是当前急需解决的难题。


技术实现要素：

6.针对相关技术中的问题，本发明提出一种适用于婴儿运动姿势的识别方法，以克服现有相关技术所存在的上述技术问题。
7.为此，本发明采用的具体技术方案如下：
8.一种适用于婴儿运动姿势的识别方法，该识别方法包括以下步骤：
9.s1、构建婴儿姿势语义注释数据库，进行婴儿姿势类别的划分，得到不同属性的婴儿姿势语义注释数据，并分层存储在数据库中；
10.s2、分别读取每层数据库中的婴幼儿运动姿势图像，并对样本进行标记，形成标记样本；
11.s3、将所述标记样本按采集时段进行分组，并获得标记序列；
12.s4、构建特征识别模型，并导入学习机中进行训练，当满足需求时停止训练；
13.s5、将所述标记序列代入训练好的特征识别模型中进行运算，并输出识别结果。
14.进一步的，所述婴儿姿势类别的划分包括结构化数据划分和非结构化数据划分。
15.进一步的，所述分别读取每层数据库中的婴幼儿运动姿势图像，并对样本进行标记，形成标记样本还包括以下步骤：
16.s22、对每层数据库中婴幼儿运动姿势图像进行缺失值、噪声、离群点及不一致数据进行预处理操作；
17.s23、对实体进行识别，处理数据值之间的冲突，并进行维度变换与数值规约；
18.s24、通过规范化处理，得到标准化的标记样本。
19.进一步的，所述预处理操作包括数据清洗、数据集成、数据规约及数据变换。
20.进一步的，所述将所述标记样本按采集时段进行分组，并获得标记序列还包括以下步骤：
21.s31、将所述标记样本按采集时段进行分组；
22.s32、在各个分组的图片进行候选框标记，并将所述分组的图片中特殊动作或特征动作进行相应的特征提取，并根据时段划分的动作进行顺序排列，获得标记序列。
23.进一步的，所述将所述标记样本按采集时段进行分组还包括以下步骤：
24.s311、若图片m-图片n为连续时间段内拍摄的图片；
25.s312、将图片m-图片n划分在同一时段小组内。
26.进一步的，所述构建特征识别模型，并导入学习机中进行训练，当满足需求时停止训练还包括以下步骤：
27.s41、构建特征识别模型，并建立数据库与所述特征识别模型的连接；
28.s42、将图像数据转化为参数代入所述特征识别模型中进行运算，并利用所述特征识别模型读取数据库的信息，并进行滤波与平滑处理；
29.s43、计算图像水平和垂直方向的梯度，同时计算每个像素位置的harris矩阵和harris角点响应值。
30.进一步的，所述构建特征识别模型公式如下：
31.i
′
(t)＝d
ref
(xi,yi)-d
des
(xi,yi)
32.式中，i
′
(t)为采样时段差值，d
ref
(xi,yi)为当前采样时段下特征动作点坐标，d
des
(xi,yi)为相邻采样时段下特征动作点坐标，且i＝0,1,...,n。
33.进一步的，所述将所述标记序列代入训练好的特征识别模型中进行运算，并输出识别结果还包括以下步骤：
34.s51、对以时段划分的标记序列进行定义，形成序列a、序列b、序列c及序列d；
35.s52、将序列a、序列b、序列c及序列d输入特征识别模型中，通过harris矩阵进行计算其角点响应；
36.s53、将harris角点响应值大于设定阈值且局部最大的位置作为特征点；
37.s54、将所述特征点与数据库中对应存储的语义进行匹配，得到识别结果。
38.进一步的，所述harris矩阵进行计算的计算公式如下：
[0039][0040]
[0041][0042][0043]
r＝(ab-cd)
2-k(a b)2[0044]
式中，m为harris矩阵，r为harris角点响应，k取值范围为0.04-0.06，i
x
为x方向的差分，iy为y方向的差分，w(x,y)为高斯函数，a为以第一时段至第三划分的标记序列；b为以第四时段至第六划分的标记序列；c为以第七时段至第九划分的标记序列；d为以第十时段至第十二划分的标记序列。
[0045]
本发明的有益效果为：
[0046]
1、本发明通过对采样时段进行分组获得标记序列，其采用改进的特殊手法进行处理，在满足特征提取的同时，能够避免动作错漏的问题。
[0047]
2、本发明中的改进识别模型，结合采样时段对特征动作进行识别运算，读取数据库的信息进行判定，由此获得分析结果。
[0048]
3、本发明通过预处理婴幼儿运动姿势图像，分组采样时段的标记样本，结合构建特征识别模型对婴幼儿运动姿势进行语义识别分析，由此帮助监护人进行婴幼儿行为是否存在发展障碍的判断。
附图说明
[0049]
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0050]
图1是根据本发明实施例的一种适用于婴儿运动姿势的识别方法的流程图。
具体实施方式
[0051]
为进一步说明各实施例，本发明提供有附图，这些附图为本发明揭露内容的一部分，其主要用以说明实施例，并可配合说明书的相关描述来解释实施例的运作原理，配合参考这些内容，本领域普通技术人员应能理解其他可能的实施方式以及本发明的优点，图中的组件并未按比例绘制，而类似的组件符号通常用来表示类似的组件。
[0052]
根据本发明的实施例，提供了一种适用于婴儿运动姿势的识别方法。
[0053]
现结合附图和具体实施方式对本发明进一步说明，如图1所示，根据本发明实施例的适用于婴儿运动姿势的识别方法，该识别方法包括以下步骤：
[0054]
s1、构建婴儿姿势语义注释数据库，进行婴儿姿势类别的划分，得到不同属性的婴儿姿势语义注释数据，并分层存储在数据库中；
[0055]
在一个实施例中，所述婴儿姿势类别的划分包括结构化数据划分和非结构化数据划分。
[0056]
在具体应用时，分层时，第一层放置第一属性的相关数据，第二层放置第二属性的
相关数据，第三层放置第三属性的相关数据，依次对应放置后续层空间数据，结构化数据即以行、列等数据结构模型存储，根据维度划分或属性标注的数据，非结构化数据则与之相反，若划分得到非结构化数据，则需先将其转化为结构化数据再进行后续处理。
[0057]
s2、分别读取每层数据库中的婴幼儿运动姿势图像，并对样本进行标记，形成标记样本；
[0058]
在一个实施例中，所述分别读取每层数据库中的婴幼儿运动姿势图像，并对样本进行标记，形成标记样本还包括以下步骤：
[0059]
s22、对每层数据库中婴幼儿运动姿势图像进行缺失值、噪声、离群点及不一致数据进行预处理操作；
[0060]
s23、对实体进行识别，处理数据值之间的冲突，并进行维度变换与数值规约；
[0061]
s24、通过规范化处理，得到标准化的标记样本；
[0062]
在一个实施例中，所述预处理操作包括数据清洗、数据集成、数据规约及数据变换。
[0063]
在具体应用时，数据清洗包括缺失值处理、噪声处理、离群点处理和不一致数据处理；
[0064]
数据集成包括实体识别问题、冗余问题、数据值的冲突和处理；
[0065]
数据规约包括，维度规约、维度变换和数值规约；
[0066]
数据变换包括规范化处理、离散化处理和稀疏化处理。
[0067]
s3、将所述标记样本按采集时段进行分组，并获得标记序列；
[0068]
在一个实施例中，所述将所述标记样本按采集时段进行分组，并获得标记序列还包括以下步骤：
[0069]
s31、将所述标记样本按采集时段进行分组；
[0070]
s32、在各个分组的图片进行候选框标记，并将所述分组的图片中特殊动作或特征动作进行相应的特征提取，并根据时段划分的动作进行顺序排列，获得标记序列；
[0071]
在一个实施例中，所述将所述标记样本按采集时段进行分组还包括以下步骤：
[0072]
s311、若图片m-图n为连续时间段内拍摄的图片；
[0073]
s312、将图片m-图n划分在同一时段小组内。
[0074]
在具体应用时，分组包括，将采样时段划分为十二个，以两个小时为一组，按照拍摄时间进行分组。
[0075]
s4、构建特征识别模型，并导入学习机中进行训练，当满足需求时停止训练；
[0076]
在一个实施例中，所述构建特征识别模型，并导入学习机中进行训练，当满足需求时停止训练还包括以下步骤：
[0077]
s41、构建特征识别模型，并建立数据库与所述特征识别模型的连接；
[0078]
s42、将图像数据转化为参数代入所述特征识别模型中进行运算，并利用所述特征识别模型读取数据库的信息，并进行滤波与平滑处理，从而避免出现阶跃函数；
[0079]
s43、计算图像水平和垂直方向的梯度，同时计算每个像素位置的harris矩阵和harris角点响应值；
[0080]
在一个实施例中，所述构建特征识别模型公式如下：
[0081]i′
(t)＝d
ref
(xi,yi)-d
des
(xi,yi)
[0082]
式中，i
′
(t)为采样时段差值，d
ref
(xi,yi)为当前采样时段下特征动作点坐标，d
des
(xi,yi)为相邻采样时段下特征动作点坐标，且i＝0,1,...,n。
[0083]
在具体应用时，harris矩阵中的算子受信号处理中自相关函数的启发，可以给出图像中某一像素点的自相关矩阵肘，其特征值是自相关函数的一阶曲率，如果算，y两个方向上的曲率值都高，那么就认为该点是角点。
[0084]
harris采用了一种新的角点判定方法，矩阵的两个特征向量i1和i2与矩阵的主曲率成正比；harris利用i1，i2来表征变化最快和最慢的两个方向，若两个都很大就是角点，一个大一个小就是边缘，两个都小就是在变化缓慢的图像区域。
[0085]
s5、将所述标记序列代入训练好的特征识别模型中进行运算，并输出识别结果；
[0086]
在一个实施例中，所述将所述标记序列代入训练好的特征识别模型中进行运算，并输出识别结果还包括以下步骤：
[0087]
s51、对以时段划分的标记序列进行定义，形成序列a、序列b、序列c及序列d；
[0088]
s52、将序列a、序列b、序列c及序列d输入特征识别模型中，通过harris矩阵进行计算其角点响应；
[0089]
s53、将harris角点响应值大于设定阈值且局部最大的位置作为特征点；
[0090]
s54、将所述特征点与数据库中对应存储的语义进行匹配，得到识别结果；在一个实施例中，所述harris矩阵进行计算的计算公式如下：
[0091][0092][0093][0094][0095]
r＝(ab-cd)
2-k(a b)2[0096]
式中，m为harris矩阵，r为harris角点响应，k取值范围为0.04-0.06，i
x
为x方向的差分，iy为y方向的差分，w(x,y)为高斯函数，a为以第一时段至第三划分的标记序列；b为以第四时段至第六划分的标记序列；c为以第七时段至第九划分的标记序列；d为以第十时段至第十二划分的标记序列。
[0097]
综上所述，借助于本发明的上述技术方案，本发明通过对采样时段进行分组获得标记序列，其采用改进的特殊手法进行处理，在满足特征提取的同时，能够避免动作错漏的问题，本发明中的改进识别模型，结合采样时段对特征动作进行识别运算，读取数据库的信息进行判定，由此获得分析结果；本发明通过预处理婴幼儿运动姿势图像，分组采样时段的标记样本，结合构建特征识别模型对婴幼儿运动姿势进行语义识别分析，由此帮助监护人进行婴幼儿行为是否存在发展障碍的判断。
[0098]
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。