一种不受位置约束的人体姿态识别方法

摘要

本发明公开了一种不受位置约束的人体姿态识别方法，利用传感器采集姿态数据，通过传感器数据融合进行坐标变换，将传感器数据解算到地球坐标系，在地球坐标系上提取传感器位置相关特征和姿态相关特征；基于位置特征建立传感器位置识别模型，实现传感器位置的识别；基于传感器所在位置和姿态相关特征建立姿态识别模型，实现人体姿态的识别。本发明利用传感器数据坐标变换和传感器位置识别解除了传感器对位置的约束，利用增量学习方法解除了模型对训练样本的依赖性，提高模型泛化能力。

说明书

技术领域

本发明涉及姿态识别技术领域，特别是涉及一种不受位置约束的人体姿态识别方法。

背景技术

随着医疗健康技术和智能硬件的不断发展，人体的健康监护技术越来越成熟。人体日常姿态是评价其健康状况的一项重要指标。精准识别人体的日常姿态，对人体的健康监护具有重要意义，尤其凸显在老年人的健康监护方面。在日常生活中，老年人身边不一定时时都有专门的照护人员，如果通过智能终端识别出老年人的一系列姿态，并通过无线传输等方式将体现其生活状态的人体姿态、位置及其他健康信息发送给监护中心、社区医院或亲属等相关人员，既可保证跌倒、走失等突发事件的及时处理，也可利用现代技术减小老年人的监护压力。另一方面，还可借助医学数据库和人工智能及大数据等高新技术，通过挖掘人体的日常姿态与其健康状态之间的关系，建立关联模型实现实时的人体健康检测和个人及社会群体的疾病预测。

姿态识别方法主要有基于摄像头的人体姿态识别和基于传感器的人体姿态识别两种。基于摄像头的人体姿态识别技术可识别精细的人体姿态，但由于存在隐私、地点固定等制约因素，只能应用于家庭、养老院等固定场所，而基于传感器的人体姿态识别可以有效避免摄像头地点固定等不足，并且具有占用内存小、设备简单、环境适应性强等特点。目前，基于传感器的人体姿态识别技术主要是通过身高、体重等参数计算出相应的阈值再判断人体的姿态，这种方法能准确识别较少的姿态、对环境要求相对简单，一旦环境复杂或要求识别的姿态种类增多，这类方法将无法满足需求。同时，基于传感器的传统人体姿态识别方法要求将传感器固定于人体的特定位置，并基于固定位置的传感器布设建立姿态识别算法，导致姿态识别算法依赖于传感器布局，算法不具有通用性且对传感器的佩戴位置具有严格要求。基于此，研发复杂环境下、不受传感器位置约束且能够识别多种人体姿态的检测技术具有重要的理论意义和应用价值。

发明内容

为解决现有的姿态识别模型存在传感器受位置约束和姿态识别类别受限等问题，本发明给出了一种不受位置约束的人体姿态识别方法。该方法基于多传感器数据融合和坐标变换，首先建立传感器的位置识别模型得到其所在位置，然后利用传感器所在位置和姿态相关特征建立人体姿态识别模型，从而有效解决了传感器受位置约束和姿态识别类别受限等问题，解除了识别模型对传感器位置的依赖，增强了模型的鲁棒性和普适性。

一种不受位置约束的人体姿态识别方法，包括：

步骤(1)：将传感器安放在人体的不同位置，并且采集在不同位置状态下人体不同姿态的传感器数据；

步骤(2)：对采集的传感器数据进行预处理，之后进行坐标变换，将数据转换到地球坐标系；

步骤(3)：对坐标变换后的数据进行特征提取；将提取的特征分别以位置和姿态为标签进行特征子集筛选，得到表征传感器位置的位置特征子集和表征姿态的姿态特征子集；

步骤(4)：利用步骤(3)得到的位置特征子集，建立位置识别模型；利用位置识别模型识别传感器所在的位置；

步骤(5)：以传感器所在位置和步骤(3)得到的人体姿态特征子集建立姿态识别模型，利用姿态识别模型对待测人体的姿态进行识别。

进一步的，所述步骤(1)的步骤包括：将传感器安放在人体的不同位置，并且采集在不同位置状态下不同姿态的传感器数据；所述传感器包括：加速度计、陀螺仪和磁力计；所述传感器集成于移动终端中，所述传感器采集的数据上传给控制器处理；所述不同位置，包括：裤兜、上衣口袋、手里或包里；所述不同姿态，包括：坐、躺、上楼梯、下楼梯、电梯上、走路、跑步、骑车或跳跃。

进一步的，所述步骤(2)的预处理，是指：采用低通滤波器对数据进行低通滤波，消除高频干扰。

进一步的，所述步骤(2)的对采集的数据进行坐标变换，将数据转换到地球坐标系，包括：

步骤(201)：初始化四元数，采集加速度、陀螺仪和磁力计数据；

步骤(202)：对加速度数据和磁力计数据进行归一化处理；

步骤(203)：利用步骤(202)归一化的加速度数据和磁力计数据，计算重力方向和磁力方向；

步骤(204)：利用步骤(203)得到的重力方向和磁力方向数据，估计相应的误差，得到总误差为两者误差的和；

步骤(205)：利用步骤(204)得到的总误差，使用互补滤波方法计算修正误差；

步骤(206)：利用步骤(205)得到的修正误差对陀螺仪数据进行修正，得到修正后的陀螺仪数据；

步骤(207)：利用步骤(206)得到的修正后的陀螺仪数据，使用一阶龙格库塔法更新四元数；

步骤(208)：利用步骤(207)得到的四元数，计算对应的旋转矩阵；

步骤(209)：利用步骤(208)得到的旋转矩阵，对加速度、陀螺仪和磁力计数据进行坐标变换，得到地球坐标系上相应的加速度、陀螺仪和磁力计数据；

步骤(210)：利用步骤(209)得到的加速度、陀螺仪和磁力计数据，使用卡尔曼滤波器滤波，消除噪声干扰，得到对应的数据。

进一步的，所述步骤(3)的特征提取，是指：

步骤(301)：设置时间窗长度为2s，并且每个时间窗重叠50％；

步骤(302)：对每个时间序列按时间窗提取时域、频域和时频域特征；

所述时间序列包括：

所述地球坐标系x轴加速度信号a_x、y轴加速度信号a_y、z轴加速度信号a_z和合加速度数据a；

所述地球坐标系x轴陀螺仪数据ω_x、y轴陀螺仪数据ω_y和z轴陀螺仪数据ω_z；

所述地球坐标系x轴磁力计数据m_x、y轴磁力计数据m_y和z轴磁力计数据m_z；

所述提取的特征包括：

时域特征，包括：均值Mean、方差Std、相关系数Corr、四分位间距Iqr和中值Median；

频域特征，包括：频域能量Energy_Fre、频域熵Entropy_Fre、偏度SK和峰度KU；

时频域特征，包括：低频带能量LF和超低频能量带VLF。

进一步的，所述步骤(3)：对提取特征进行特征子集筛选，

步骤(31)：利用ReliefF算法计算每个特征的权重，如果特征权重小于第一设定阈值，则认为当前特征为无关特征，删除无关特征；

步骤(32)：通过相关系数法计算两两特征之间的相关系数，如果相关系数高于第二设定阈值且特征权重低于第三设定阈值，则认为当前特征为冗余特征，删除冗余特征；

步骤(33)：利用互信息法计算两两特征之间的非相关系数，保留非线性系数高于第四设定阈值且特征权重低于第五设定阈值，则认为当前特征为冗余特征，删除冗余特征；

分别以传感器所在位置和姿态为标签，通过步骤(31)-步骤(33)的特征子集筛选步骤，得到与传感器位置相关的位置特征子集和与人体姿态相关的人体姿态特征子集。

进一步的，所述步骤(4)：利用传感器位置特征子集建立位置识别模型，

将传感器位置特征子集分为测试集和训练集；

利用训练集作为决策树的输入，训练决策树；得到位置识别模型；

进一步的，所述步骤(5)的建立姿态识别模型，是指：

利用步骤(4)识别的传感器的位置和姿态特征子集作为姿态识别模型的输入，建立姿态识别模型；

将姿态特征子集和传感器所在位置分为训练集和若干个增量样本集；

利用训练集作为支持向量机(Support Vector Machine，SVM)增量学习算法的初始输入，训练得到初始姿态模型；

利用增量样本集作为输入，对初始姿态模型不断更新，得到姿态识别模型。

本发明的有益效果是：通过对姿态数据的准确采集、传感器数据融合与坐标变换，利用机器学习算法对传感器所在位置进行识别，并实现人体姿态的识别，具有不受传感器所在位置的限制和影响、准确性高和识别姿态种类多等特点，可以提高姿态识别的适用范围和准确度。

附图说明

构成本申请的一部分的说明书附图用来提供对本申请的进一步理解，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。

图1为本发明的实现流程；

图2为人体传感器不同位置示意图；

图3为坐标变换图解；

图4为坐标变换算法流程图；

图5为特征子集筛选算法流程图；

图6为传感器位置-姿态识别流程；

图7为姿态识别模型增量学习流程图；

其中，1、手提包，2、裤兜，3、上衣口袋，4、手。

具体实施方式

应该指出，以下详细说明都是例示性的，旨在对本申请提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。

本发明提供一种不受位置约束的人体姿态识别方法，整体流程算法如图1所示。算法的主体流程分为传感器数据的采集和预处理、传感器数据坐标变换、特征提取、特征子集筛选、传感器位置的识别和人体姿态识别等，其实现步骤如下：

步骤1：传感器数据的采集和预处理；

(1)传感器包括加速度计、陀螺仪和磁力计，设置采样频率为32Hz，保证人体的姿态频率都在采样频率内；传感器的放置或佩戴不受位置约束，可以放置在裤兜2，上衣口袋3，手里4或手提包1的里面，如图2所示；

(2)传感器数据中存在高频噪声，利用低通滤波器对其滤波，消除噪声的影响。

步骤2：传感器数据坐标变换；

当传感器位置不固定时，传感器的x轴、y轴和z轴的指向也不统一。因此利用四元数解算旋转矩阵，然后将传感器数据全部解算至地球坐标系，如图3所示，坐标X′、Y′和Z′表示传感器所在的坐标系，E(X)、N(Y)、Z表示地球坐标系，分别为东、北、天方向。如图4所示，传感器数据坐标变换的具体步骤如下：

(1)系统初始化四元数，获取预处理的加速度、陀螺仪和磁力计数据：

四元数法是用来描述姿态的一种方法，由一个实数和三个虚数组成。设四元数为q₀、q₁、q₂和q₃，可以表示为：

其中是两两垂直的三个方向；

(2)加速度和磁通量归一化：

式中a_i(i＝x,y,z)为传感器x轴、y轴和z轴的加速度数据，a_i^*(i＝x,y,z)为归一化后x轴、y轴和z轴的加速度数据，m_i(i＝x,y,z)为传感器x轴、y轴和z轴的磁力计数据，m_i^*(i＝x,y,z)为归一化后x轴、y轴和z轴的磁力计数据；

(3)计算磁通量分量：

b_z＝h_z

式中h_x、h_y、h_z表示传感器x轴、y轴和z轴的磁通量分量，b_x和b_z为水平空间和竖直空间上磁通量的分量；

(4)估计重力和磁通量方向：

υ_x＝2(q₁q₃-q₀q₂)

υ_y＝2(q₀q₁+q₂q₃)

μ_y＝2b_x(q₁q₂-q₀q₃)+2b_z(q₀q₁+q₂q₃)

式中υ_x、υ_y、υ_z为传感器在x轴、y轴和z轴重力方向的大小，μ_x、μ_y、μ_z为传感器在x轴、y轴和z轴方向的大小；

(5)加速度计和磁力计会产生相应的误差，总的误差为两者误差之和：

式中e_x、e_y和e_z表示加速度和磁力计在x轴、y轴和z轴方向产生的误差；

(6)所述误差和与陀螺仪的积分误差成正比，使用互补滤波方法修正陀螺仪角速度积分误差：

式中e_xint、e_yint和e_zint为陀螺仪纠正量的积分项初始值，和为陀螺仪纠正量的积分项，k_i为积分系数，t为两次姿态数据的时间间隔；

(7)陀螺仪角速度的矫正：

式中ω_x、ω_y、ω_z为初始角速度信号，为修正后的角速度，k_p为比例系数；

(8)更新四元数：

以一阶龙格库塔法更新四元数：

式中和表示更新后的四元数；

(9)解算旋转矩阵：

四元数是描述姿态的方法，旋转矩阵可以用四元数表示：

(10)将载体坐标系数据解算到地球坐标轴上：

式中X_x、X_y、X_z表示加速度、陀螺仪和磁力计传感器的数据，表示加速度、陀螺仪和磁力计数据旋转到地球坐标系东、北、天方向的数据；

(11)卡尔曼滤波：

在实际测试中，虽然用加速度和磁力计对陀螺仪进行了纠正，但上位机的数据中仍存在噪声干扰，利用卡尔曼滤波器进行滤波。

步骤3：传感器特征提取和特征子集筛选；

在所述地球坐标系上提取特征，并对其进行特征子集的筛选，内容包括：

(1)设置时间窗长度为2s，并且每个时间窗重叠50％；

(2)对每个时间序列按时间窗提取一系列统计/物理学特征，其特征主要包括时域、频域和时频域的特征；

所述时间序列包括：

所述地球坐标系x轴加速度信号a_x、y轴加速度信号a_y、z轴加速度信号a_z和合加速度数据a：

所述地球坐标系x轴陀螺仪数据ω_x、y轴陀螺仪数据ω_y和z轴陀螺仪数据ω_z；

所述地球坐标系x轴磁力计数据m_x、y轴磁力计数据m_y和z轴磁力计数据m_z；

所述提取的特征包括：

时域特征包括：均值Mean、方差Std、相关系数Corr、四分位间距Iqr和中值Median；

频域特征包括：频域能量Energy_Fre、频域熵Entropy_Fre、偏度SK和峰度KU；

时频域特征包括：低频带能量LF和超低频能量带VLF

步骤(4)：特征子集筛选；

所述表征传感器位置和姿态的特征间存在无关和冗余的特征，为减少计算量、节约运算成本，本发明利用组合特征子集筛选方法去除无关和冗余特征。所述组合特征子集筛选方法包括ReliefF、相关系数法和互信息法，如图5所示，具体流程如下：

(1)计算特征权重：利用ReliefF算法计算每个特征的权重，如果特征权重小于2％，则认为特征是无关特征，删除该特征；ReliefF算法处理多类问题时，每次从样本中随机取出一个样本R，然后从和R样本同类样本中找出R的k个近邻样本，从每个R不同样本中找出k个样本，然后不断更新特征权重：

式中diff(A,R₁,R₂)表示样本R₁和R₂在特征A上的差，M_j(C)表示中第j个最近邻样本；

(2)相关系数法：由于ReliefF算法只能计算每个特征的权重，无法去除冗余特征，因此采用线性相关法和互信息法去除冗余特征。线性相关法用来表示特征之间的线性相关性，利用相关系数法计算特征两两之间的相关系数，保留线性相关系数高于70％的特征中权重较大的特征，删除冗余特征。本发明采用去均值线性相关系数法，公式为：

(3)互信息法：利用互信息法计算特征两两之间的非相关系数，保留非线性相关系数高于90％的特征中权重较大的特征，删除冗余特征；互信息衡量两个变量互相依赖的程度，表示两个变量间共同拥有的信息量，随机变量X和Y之间的互信息可以表示为：

式中p(x)、p(y)表示X和Y的边缘分布，p(x,y)表示X和Y的联合概率分布函数；

步骤(5)：传感器位置识别；

传感器在身体不同位置时，姿态数据存在差异性，为了构建不受位置约束的人体姿态识别模型，本发明设计了一种位置-姿态识别方法，在姿态识别之前首先识别传感器位置，如图6所示；

本发明选取决策树(Decision Tree,DT)作为决策器，识别传感器所在位置，模型建立步骤如下：

(1)将采集的姿态数据分为测试集和训练集；

(2)利用训练集作为决策树的输入，训练决策树；

(3)对建立的模型进行剪枝，防止其过拟合；

(4)用建立的决策树作为分类器，用测试集作为输入，测试模型泛化能力。

步骤(6)：人体姿态识别；

本发明采用基于SVM的增量学习算法建立人体姿态识别模型，即通过离线采集姿态数据，利用SVM算法建立初始模型，再以增量数据对模型不断更新，实现模型增量学习过程；SVM算法的思想是通过寻找满足分类要求的最优分类超平面，使得在精度最优的情况下最优超平面两侧的空白区域最大；

SVM算法只能解决线性二分类问题，对非线性问题，通过选择径向基函数(RadialBasisFunction，RBF)作为核函数，将非线性问题转化为高维空间线性问题；对多分类问题可以转化为多个二分类问题，进而作为组合分类器实现多种姿态的识别；

采用网格寻优算法对SVM参数(惩罚因子c，RBF核函数参数g)进行寻优；基于SVM的增量学习算法有两个优点：首先无需保存历史数据，减小存储空间，其次充分利用了历史训练结果，节省了后续的训练时间，提高分类精度；

如图7所示，姿态模型建立步骤如下：

(1)将数据分为训练集和增量样本；

(2)应用RBF核函数

K(x_i,x_j)＝exp(-γ|x_i-x_j|2),γ＞0

(3)网格寻优得到最优的c和g；

(4)利用最优的c和g训练，得到初始模型和支持向量集SV₁；

(5)利用模型训练增量样本，得出错识别样本S；

(6)将SV₁与S做训练集重新训练，得到新分类器和支持向量SV₂；

(7)以SV₁和SV₂的并集作为新的训练集，对错分样重新训练，直到没有错分类样本为止；

得到最终的分类器和支持向量集SV。

以上所述仅为本申请的优选实施例而已，并不用于限制本申请，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。