[發明專利]基于HOG特征和機器學習的睡姿壓力圖像識別方法

在審

• 申請號: 201610692042.5
• 申請日: 2016-08-18
• 公開（公告）號: CN107330352A
• 公開（公告）日: 2017-11-07
• 發明（設計）人: 郭士杰;劉秀麗;劉今越;李路;顧立振;路浩
• 申請（專利權）人: 河北工業大學
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/46;G06K9/62
• 代理公司: 天津翰林知識產權代理事務所(普通合伙)12210
• 代理人: 李濟群,付長杰

技術領域

本發明涉及一種圖像識別方法，具體是一種自動識別睡姿的方法，特別是一種基于HOG特征和機器學習的睡姿壓力圖像識別方法。

背景技術

隨著數字圖像技術的不斷發展，而目標檢測是智能系統中最重要也是最基本的一步。針對當前研究睡眠睡姿的熱度，人的健康問題也越來越備受關注，人的一生的時間在睡眠中度過有三分之一，睡眠質量關系到人的心理及生理健康，睡眠質量差的人容易產生緊張,疲勞,注意力不集中,或飲食失調。確定睡眠質量的指標，如睡眠階段、睡眠困難、睡眠姿勢,對用于醫療診斷是非常關鍵的。據研究表明睡眠呼吸暫停中良好的睡眠姿勢有利于減輕呼吸暫停患者的呼吸障礙程度。

現階段，針對睡姿檢測研究人員提出了不同的方法來監測。傳統研究睡眠姿勢模式是使用攝像機和麥克風。中島淑貴等人(Nakajima K,Matsumoto Y,Tamura T.A monitor for posture changes and respiration in bed using real time image sequence analysis[C]//Engineering in Medicine and Biology Society,2000.Proceedings of the 22nd Annual International Conference of the IEEE.IEEE,2000,1:51-54.)提出基于視覺信號分析睡眠呼吸和姿勢變化的系統，但夜間光線比較低對成像帶來很大的噪聲，并且可見光視頻成像會帶來嚴重的隱私問題，非常不利于醫院患者的健康治療。這樣的工作集中在檢測之前姿勢改變，而不是認識的身體姿勢。

因此，提出使用大面積柔性壓力傳感器陣列床墊實時監測睡姿變化狀態，提供一種睡姿識別的算法及系統。提高了睡眠過程中位姿識別的準確率，且更為保護使用者的隱私安全。為醫療中的呼吸暫停減緩、床褥預防與治療和智能居家中睡眠質量提高等領域研究人員提供睡姿變化的可靠性支持。

發明內容

本發明針對現有技術存在的關鍵問題，提供一種基于HOG特征和機器學習的睡姿壓力圖像識別方法，該系統具有檢測精度高，實時性好，識別速度快，可適用于不同場合的睡姿檢測。根據目前智能居家和醫療市場對睡眠姿態的需求和發展，對中老年身體健康狀態監測和對睡眠階段的識別，不同群體對睡眠質量方面的產品的需求，前景可觀。

本發明的技術方案是：

一種基于HOG特征和機器學習的睡姿壓力圖像識別方法，其特征在于所述方法包括以下步驟：

第一步數據采集

采用時序壓力數據的方法采集使用者作用于大面積柔性壓力傳感器陣列床墊檢測得到的實時壓力數據；

第二步圖像轉換

將第一步采集到的實時壓力數據轉化為壓力圖像,具體為：建立圖像坐標與傳感器陣列分布一致的圖像，將每個傳感器上采集到的壓力數值轉化為對應的圖像坐標上像素的灰度值，從而得到反映傳感器陣列上壓力分布的壓力圖像；

第三步圖像預處理

對第二步得到的壓力圖像進行圖像預處理；

第四步圖像HOG特征提取

對經過第三步圖像預處理的壓力圖像進行HOG特征提取，得到睡姿壓力圖像的HOG特征集合；

第五步基于機器學習的睡姿識別

采用機器學習對的第四步得到圖像特征集合進行分類處理實現睡姿識別，具體是:

1)SVM分類器訓練

將第四步得到的睡姿壓力圖像的HOG特征集合和壓力圖像的類別組成訓練樣本集合，并對訓練樣本圖像進行類別標記；使用提取的HOG特征向量作為支持向量機的輸入數據，進行分類器訓練，得到分類器后，將分類器轉化為能直接用于圖像檢測的檢測算子，可直接用于圖像識別；

2)睡姿壓力圖像識別

經大量樣本的訓練，分類器可以對輸入目標圖像的特征向量與樣本庫內容進行對比識別，從而實現睡姿壓力圖像的識別。

上述基于HOG特征和機器學習的睡姿壓力圖像識別方法，其特征在于所述第三步包括1)圖像校正，包括1.1)幾何校正，1.2)閾值分割；2)塊劃分；

所述塊劃分，沿X和Y軸方向將經過圖像校正的壓力圖像劃分為n*n像素的細胞單元(cell)，n必須能被圖像的長和寬整除。

上述基于HOG特征和機器學習的睡姿壓力圖像識別方法，其特征在于所述第四步的HOG特征提取包括：1)標準化gamma空間和顏色灰度化；2)計算壓力圖像梯度；3)單元格梯度投影；4)塊內歸一化梯度直方圖；5)HOG特征收集。