[發明專利]一種無標記頸椎運動檢測方法

在審

• 申請號: 202110559856.2
• 申請日: 2021-05-21
• 公開（公告）號: CN113327269A
• 公開（公告）日: 2021-08-31
• 發明（設計）人: 劉卓夫;陳勝修
• 申請（專利權）人: 哈爾濱理工大學
• 主分類號: G06T7/215
• 分類號: G06T7/215;G06T7/246;G06T7/66;G06T7/80;G06K9/62;G06N3/08;G06T5/00;G06T7/11;G06T7/13;G06T7/136;G06T7/155;G06T7/194
• 代理公司: 哈爾濱三目知識產權代理事務所(普通合伙) 23214
• 代理人: 賈澤純

1.一種無標記頸椎運動檢測方法，其特征在于：所述方法通過以下步驟實現：

步驟一、通過采集含有頸部的視頻，獲得連續的含有頸部的圖像幀；

步驟二、將L-K光流法與最大類間方差圖像分割法相結合的方法，檢測圖像中的頸部區域目標；

步驟三、建立頸部模型，檢測頸部邊緣，提取頸部輪廓部分信息；將提取出的頸部邊緣圖像的質心作為坐標原點，建立坐標系，把圖像在四個象限的質心分別和原點進行連線，計算每條連線和橫軸的夾角的正切值，得出特征向量；從而進行頸部特征提取；

步驟四、采用BP神經網絡進行頸部姿態識別；

首先采集向前、向后、向左、向右四種頸部姿態圖像做樣本，提取樣本特征數據計算訓練參數，根據提取的特征參數訓練分類器；之后將待檢測的頸部圖像進行檢測，識別檢測結果；

其中，在采集含有頸部的視頻的步驟之前需要先對攝像頭進行標定；其中，L-K光流法的全稱為Lucas-Kanade光流法。

2.根據權利要求1所述一種無標記頸椎運動檢測方法，其特征在于：

步驟二所述的將L-K光流法與最大類間方差圖像分割法相結合的方法，檢測圖像中的頸部區域目標，具體為：

第一，獲取連續的兩幀圖像，對圖像進行灰度化處理，得到其灰度圖像；

第二，對連續的兩幀圖像進行Lucas-Kanade光流算法計算，得到光流場；

第三，在光流場中進行最大類間方差圖像分割，將光流連續的區域視為背景目標，將光流不連續的區域視為運動目標；

第四，通過OTSU算法運算得到最佳閾值，對其進行二值化處理，得到二值圖像；

第五，通過進行形態學處理使頸部目標進一步完整，從而檢測出頸部目標區域；

其中，L-K光流法的全稱為Lucas-Kanade光流法；

本步驟中，是將Lucas-Kanade光流法和最大類間方差分割法相結合用于頸部目標的檢測，從而得到一種改進的算法。

3.根據權利要求2所述一種無標記頸椎運動檢測方法，其特征在于：所述的在光流場中進行最大類間方差圖像分割的步驟中，最佳閾值的運算過程為：

通過OTSU算法將圖像分成背景區域和前景區域兩類，用方差來判斷背景區域和前景區域的差別，當兩者之間的類間方差達到最大的時候，可確定最佳閾值，即為此時類間方差最大的灰度級；

對于圖像I(x,y)，前景和背景的分割閾值記為T，屬于前景的像素點數占整幅圖像的比例記為P_a，平均灰度為w_a；背景像素點數占整幅圖像的比例為P_b，平均灰度為w_b；整幅圖像的平均灰度記為w₀；設圖像的灰度級為L，大小為M*N，圖像中灰度級為i的像素總個數為N_i，則計算灰度級i的概率為：

根據OTSU算法，最佳閾值求解公式為：

其中，

4.根據權利要求1、2或3所述一種無標記頸椎運動檢測方法，其特征在于：步驟三所述的頸部特征提取的步驟中，檢測頸部邊緣的步驟具體為：

依靠算法來提取圖像灰度發生變化的區域邊界的步驟如下：

第一，圖像平滑，即降低圖像混雜的隨機噪聲；

第二，圖像增強，即將鄰域灰度顯著變化的點增強顯示；

第三，圖像檢測，即通過邊緣檢測算子完成圖像邊緣的檢測；

第四，圖像定位，即修改圖像檢測中檢測出的圖像邊緣，提高定位精度。

5.根據權利要求4所述一種無標記頸椎運動檢測方法，其特征在于：步驟三所述的頸部特征提取的步驟中，得出特征向量的步驟具體為：

分析頸部的向前、向后、向左、向右的姿態特征，提取4種特征量，建立頸部姿態特征模型；所述的特征量以特征角度為主，以頸部目標邊緣圖像的質心為原點建立二維直角坐標系，直角坐標系分割為四個象限，確定頸部邊緣圖像在四個象限的質心分別與原點的連線，并計算連線與X軸的夾角，分別記為∠1、∠2、∠3、∠4，計算四個夾角的正切值，分別表示針對一、二、三、四象限的四個姿態特征角；將四個象限的正切值作為特征向量，通過這些特征向量表征頸部的特征。

6.根據權利要求1、2、3或5所述一種無標記頸椎運動檢測方法，其特征在于：步驟四所述的采用BP神經網絡進行頸部姿態識別的步驟中，選用基于動量改進的BP算法作為學習函數，選用LMS算法作為訓練函數；根據樣本圖像所提供的特征向量，運用BP神經網絡，對頸部向前、向后、向左、向右四種姿態進行BP神經網絡訓練，建立BP神經網絡模型，運用BP神經網絡模型識別檢測的頸部姿態；其中，通過動量改進的BP算法找到全局最優解，避免解出局部最優解；

具體包括：

第一，形成基于動量的改進BP算法；

基于動量改進的BP算法調整權值，將本次誤差計算所得的權值變化量與上次權值變化量進行融合作為本次實際權值變化量：

ΔW(n)＝-ηΔE(n)+αΔW(n-1)

式中，α是動量系數，通常0α0.9，η是學習率，取值范圍在0.001～10之間；

第二，自適應調整學習速率；

第三，將L-M學習規則的權值調整改為：

Δw＝(J^TJ+μI)^-1.J^Te

其中，e是誤差向量；J是網絡誤差對權值倒數的Jacobian矩陣；μ是標量。