技术领域
本发明涉及室内监测技术领域,更具体地,涉及一种基于电容传感器的姿势识别系统和方法。
背景技术
目前,世界人口结构正在悄然老化,到2050年,预计全球老年人人数将接近21亿,相比2020年增加一倍多。因此,为了实现对老年人更安全的看护,辅助生活系统应用而生,其中室内监测技术可以实现针对老年人的意外情况(如跌倒、晕倒等)进行监护。
电容传感器制作简单,导电体即可形成电容效应,电容传感器本身结构非单一固定,可根据应用场景灵活使用。由于电容传感器具有受限少、成本低廉、低功耗、不受光线及复杂背景等环境因素影响等优点,能够克服现有室内定位技术的缺陷,可应用于空间定位、姿势识别。然而,目前为止,还没有基于电容传感器针对室内监测定位的简单且有效的技术方案。
发明内容
本发明的目的是克服上述现有技术的缺陷,提供一种基于电容传感器的人体姿势识别系统和方法,采用机器学习对监测数据进行分析处理,进而实现准确地姿态识别。
根据本发明的第一方面,提供一种基于电容传感器的姿势识别系统。该系统包括电容传感探测器组件和上位机,其中所述电容传感器组件与所述上位机具有通信连接,所述电容传感探测器组件被设置为按照预设的排列方式布置在监测区域,以从多角度采集目标不同姿势对应的电容值信息;所述上位机设有预训练的分类模型,并配置为将实时接收的电容值信息输入到所述分类模型,获得目标对应的姿势类别和位置。
在一个实施例中,所述电容传感探测器组件包括电容传感器阵列、模拟开关、电容测量电路和微控制器单元,所述电容传感器阵列的电极连接所述模拟开关,所述模拟开关连接所述电容测量电路,所述电容测量电路连接所述微控制器单元,所述微控制器单元与所述上位机具有通信连接。
在一个实施例中,所述微控制器单元是单片机,所述电容测量电路是电容数字转换器芯片,所述电容传感器阵列的电极通过同轴电缆连接所述模拟开关,所述电容数字转换器芯片与所述单片机之间通过串口连接,所述单片机和所述上位机之间通过USB口连接。
在一个实施例中,所述电容传感器阵列被布置在室内监测区域或家具上。
在一个实施例中,所述电容传感器阵列的电极数量和排列方式根据监测区域的面积或监测家具的形状进行配置。
在一个实施例中,对应于室内监测区域,将所述电容传感器阵列的电极以长条状铺设于墙体与地面,地面作为发射端,墙体作为接收端;对应于监测家具,将所述电容传感器阵列的电极设置为矩形,并根据家具的面积大小设置电极数量。
在一个实施例中,所述分类模型是朴素贝叶斯、决策树、支持向量机、k-最近邻算法、Bagging、提升方法以及子空间分类模型。
根据本发明的第二方面,提供一种基于电容传感器的人体姿势识别方法。该方法包括以下步骤:
将电容传感探测器组件按照预设的排列方式布置在监测区域,以从多角度采集目标不同姿势对应的电容值信息;
将所述电容值信息输入到预训练的分类模型,获得目标对应的姿势类别和位置,其中,所述分类模型的训练集用于表征不同角度采集的电容值信息与目标姿态类型之间的对应关系。
与现有技术相比,本发明有如下优点:电容传感器设计简单、使用方便、功耗及成本低,能够克服现有姿态识别技术的缺陷;进一步结合机器学习进行姿势识别和定位,具有良好的识别效果。
通过以下参照附图对本发明的示例性实施例的详细描述,本发明的其它特征及其优点将会变得清楚。
附图说明
被结合在说明书中并构成说明书的一部分的附图示出了本发明的实施例,并且连同其说明一起用于解释本发明的原理。
图1是根据本发明一个实施例的基于电容传感器的姿势识别系统的架构示意图;
图2是根据本发明另一实施例的基于电容传感器的姿势识别系统的架构示意图;
图3是根据本发明一个实施例的铺设于墙体的电容传感器监测姿态示意图;
图4是根据本发明一个实施例的铺设于床上的电容传感器监测姿态示意图;
图5是根据本发明一个实施例的基于电容传感器的姿态识别方法的流程图。
具体实施方式
现在将参照附图来详细描述本发明的各种示例性实施例。应注意到:除非另外具体说明,否则在这些实施例中阐述的部件和步骤的相对布置、数字表达式和数值不限制本发明的范围。
以下对至少一个示例性实施例的描述实际上仅仅是说明性的,决不作为对本发明及其应用或使用的任何限制。
对于相关领域普通技术人员已知的技术、方法和设备可能不作详细讨论,但在适当情况下,所述技术、方法和设备应当被视为说明书的一部分。
在这里示出和讨论的所有例子中,任何具体值应被解释为仅仅是示例性的,而不是作为限制。因此,示例性实施例的其它例子可以具有不同的值。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步讨论。
本发明的目的在于克服现有室内人员姿态监测技术的缺点,公开了一种基于电容传感器和机器学习分类器结合的姿态识别方法。
参见图1所示,所提供的基于电容传感器的人体姿势识别系统整体上包括电容传感探测器组件100和上位机200,其中电容传感探测器组件100被设置为按照预设的排列方式布置在监测区域,以从多角度采集人体不同姿势对应的监测数据。上位机200被配置为接收电容传感探测器组件100的监测数据,并输入预训练的分类模型,获得对应的人体姿势类型和位置。
在一个实施例中,电容传感探测器组件100包括电容传感器阵列、切换控制单元101、电容测量电路102、微控制器单元103(或称主控制器)。切换控制单元101用于控制电容传感器阵列的电极阵列进行切换。电容测量电路102用于测量监测区域的电容值信息。微控制器单元103用于接收电容值信息,并传递至上位机200进行处理。
结合图2所示,在一个实施例中,切换控制单元101采用模拟开关实现。电容测量电路102通过CDC(电容数字转换器)芯片完成电极间电容值测量。微控制器单元103采用单片机实现,将测量的电容值上传到上位机200(如计算机),进行分类模型训练。具体地,电容传感器阵列的电极通过同轴电缆连接模拟开关,以保证信号的抗干扰性,CDC芯片(如PCap01)与单片机(如STM32F106ZET)之间通过串口(SPI)连接,单片机与计算机(PC)之间通过USB口连接,电极阵列通过模拟开关进行切换,单片机作为MCU,通过CDC芯片完成电极间电容值测量,测量的电容值上传计算机,进行分类模型训练或分类预测。
需要说明的是,切换控制单元、电容测量电路、微控制器单元等也可采用其他方式实现,例如,采用可编程逻辑器件实现微控制器单元。
在一个实施例中,电容传感器阵列的电极数量可根据实际室内监测面积或家具实际形状灵活配置。
例如,对室内监测时,电极可以长条状铺设于墙体与地面,地面作为发射端,墙体作为接收端,如图3所示。
又如,监测区域是床上区域时,可以将电极制作成矩形,根据床的实际面积大小,设置不同的铺设阵列个数,如图4所示。
利用本发明提供的基于电容传感器的姿势识别系统可实现姿势识别,参见图5所示,姿势识别方法包括以下步骤:
步骤S510,将电容传感器铺设于设定的监测区域。
例如,在室内墙体或家具(如沙发、床)按照一定排列方式铺设电容传感器。
步骤S520,采集目标不同姿态下的传感器电容值,构建样本数据集。
采集目标在电容传感器监测区域内站立、蹲下以及蹲下(仰卧,俯卧,右侧侧卧,左侧侧卧,坐在床上等)时的所有数据并进行标记,以构建训练数据集(或称训练集),该样本数据集表征不同角度采集的电容值信息与目标姿态类型之间的对应关系。为精确识别目标的具体位置,样本数据集可进一步包括各电容值对应的电极位置等。
步骤S530,基于样本数据集训练分类模型。
上位机通过机器学习分类算法训练所有采集数据,建立分类模型并进行存储。
例如,分类模型的输入变量为不同传感器实时采集的电容值[C1、C2、C3...],不同类型的姿态为输出变量,如仰卧,俯卧,右侧侧卧,左侧侧卧,坐在床上等,分类标签标记为1,2,3,4,5进行分类训练,从而得到不同传感器的电容值与标签的非线性关系的分类模型。
分类模型可以朴素贝叶斯(Naive Bayesian,NB)、决策树(Decision Tree,DT)、支持向量机(Support Vector Machine,SVM)、k-最近邻算法(k-Nearest Neighbor,KNN)、Bagging、提升方法(Boosting,包含AdaBoostM2、LPBoost、TotalBoost不同分类方法)和子空间(Subspace)分类算法等各种机器学习分类器。经试验验证,在存在较少训练样本的情况下,KNN分类效果最佳。
应理解的是,训练过程也可离线进行,例如,利用获得的样本数据集在服务器或云端预训练分类模型后,将训练好的分类模型存储到上位机。
步骤S540,实时采集监测区域的电容信息,利用经训练的分类模型定位进入监测区域的目标位置和姿势。
在获得训练的分类模型之后,当目标再次进入被监测区域时,电容传感器阵列将采集到的数据实时传送至上位机,利用已建立的分类模型判断目标位置和姿势,并显示识别结果。
综上所述,本发明将电容传感器按照一定排列方式铺设于监测区域;采集目标在监测区域内站立、蹲下等不同姿势的数据;通过机器学习分类法训练所采集数据建立分类模型;当目标再次进入被监测区域时,利用建立的分类模型判断目标位置及姿势。本发明结合电容传感器和机器学习的优势,实现了成本低、操作简便并且姿势识别准确率高的技术效果,更适应于日常生活中室内人体姿势的定位。
本发明可以是系统、方法和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质,其上载有用于使处理器实现本发明的各个方面的计算机可读程序指令。
计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是――但不限于――电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括:便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、静态随机存取存储器(SRAM)、便携式压缩盘只读存储器(CD-ROM)、数字多功能盘(DVD)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身,诸如无线电波或者其他自由传播的电磁波、通过波导或其他传输媒介传播的电磁波(例如,通过光纤电缆的光脉冲)、或者通过电线传输的电信号。
这里所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备,或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令,并转发该计算机可读程序指令,以供存储在各个计算/处理设备中的计算机可读存储介质中。
用于执行本发明操作的计算机程序指令可以是汇编指令、指令集架构(ISA)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码,所述编程语言包括面向对象的编程语言—诸如Smalltalk、C++、Python等,以及常规的过程式编程语言—诸如“C”语言或类似的编程语言。计算机可读程序指令可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络—包括局域网(LAN)或广域网(WAN)—连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。在一些实施例中,通过利用计算机可读程序指令的状态信息来个性化定制电子电路,例如可编程逻辑电路、现场可编程门阵列(FPGA)或可编程逻辑阵列(PLA),该电子电路可以执行计算机可读程序指令,从而实现本发明的各个方面。
这里参照根据本发明实施例的方法、装置(系统)和计算机程序产品的流程图和/或框图描述了本发明的各个方面。应当理解,流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合,都可以由计算机可读程序指令实现。
这些计算机可读程序指令可以提供给通用计算机、专用计算机或其它可编程数据处理装置的处理器,从而生产出一种机器,使得这些指令在通过计算机或其它可编程数据处理装置的处理器执行时,产生了实现流程图和/或框图中的一个或多个方框中规定的功能/动作的装置。也可以把这些计算机可读程序指令存储在计算机可读存储介质中,这些指令使得计算机、可编程数据处理装置和/或其他设备以特定方式工作,从而,存储有指令的计算机可读介质则包括一个制造品,其包括实现流程图和/或框图中的一个或多个方框中规定的功能/动作的各个方面的指令。
也可以把计算机可读程序指令加载到计算机、其它可编程数据处理装置、或其它设备上,使得在计算机、其它可编程数据处理装置或其它设备上执行一系列操作步骤,以产生计算机实现的过程,从而使得在计算机、其它可编程数据处理装置、或其它设备上执行的指令实现流程图和/或框图中的一个或多个方框中规定的功能/动作。
附图中的流程图和框图显示了根据本发明的多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或指令的一部分,所述模块、程序段或指令的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或动作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。对于本领域技术人员来说公知的是,通过硬件方式实现、通过软件方式实现以及通过软件和硬件结合的方式实现都是等价的。
以上已经描述了本发明的各实施例,上述说明是示例性的,并非穷尽性的,并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下,对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择,旨在最好地解释各实施例的原理、实际应用或对市场中的技术改进,或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。本发明的范围由所附权利要求来限定。
机译: 通过光学的,非基于照相机的姿势识别系统来改善姿势控制的方法
机译: 3D手姿势识别系统及其基于视觉的手姿势识别方法
机译: 基于分布式学习架构的学习姿势识别系统及方法