基于Kinect的異常步態(tài)檢測.pdf

1、人們的行走姿態(tài)，即步態(tài)，是對人進行識別的十分重要的特征，雖然不是非常顯著的生物特征，卻得到了很好的識別效果。與其他生物特征識別方式相比，基于步態(tài)特征的識別主要優(yōu)點在于非侵入性。測試者不需要特殊的配合，即使對較遠距離采集的低分辨率數據進行識別，仍然有很好的表現。
　　步態(tài)的識別與分類是視覺領域一個重要的研究方向。根據輸入數據的不同可以分為兩類。其中使用普通攝像機獲得數據的方法發(fā)展的比較早，對數據預處理過程較繁瑣，方法已經比較成熟，在

2、識別和分類性能上的提升空間較小?；贙inect的識別方法最近幾年才出現，由于其數據捕捉環(huán)境要求較低，價格更低廉，獲得數據更準確，所以在步態(tài)識別領域的應用十分廣泛。
　　本文提出了一種針對由神經病變而導致的步態(tài)病態(tài)異常的分類算法，例如對帕金森、偏癱等疾病分類。針對分類問題，本文主要關注一些異常的運動，如震顫，局部麻痹，身體僵硬和姿勢不穩(wěn)等。這些異常的運動細微而又多種多樣，缺少常規(guī)特征或者循環(huán)周期，使得分類工作十分困難且具有挑戰(zhàn)性。

3、本文創(chuàng)新性地引入了一種新的步態(tài)表示方式，使相似度的度量與行走周期無關，并且使高效分類成為可能。
　　本文提出的方法基于Kinect運動傳感器捕捉的三維人體骨架信息，包括關節(jié)位置和運動軌跡，對步態(tài)進行識別。對骨架信息進行時間-空間特征提取，定義了一種用于分類的重要性度量方法。算法不需要過分精細的捕捉環(huán)境，也無需額外的校準與同步，魯棒性很強。采用了不同神經疾病的患者的真實數據進行實驗，將本文方法與已有方法進行比較，實驗結果表明本文方法

4、優(yōu)于其他對比算法。除了疾病分類外，本文同時進行了年齡，性別，疾病程度的劃分試驗，取得了良好的效果。
　　本文的主要工作和貢獻有:
　　1.基于Kinect采集數據，提出并實現了一種非侵入式的、自動的病態(tài)步態(tài)分析與識別系統(tǒng)，為病態(tài)步態(tài)的遠程診斷提供了可能。
　　2.針對病態(tài)步態(tài)的特點，設計了基于全身關節(jié)的步態(tài)分類器。通過計算由Kinect獲得的三維骨架，利用全身所有關節(jié)的時間-空間特征信息對步態(tài)進行分類，相比僅用標準的步