论文部分内容阅读
随着我国老龄化人口、残疾人整体数量以及工伤发病率的上升,社会对康复医疗的需求急剧增长,康复机器人的出现获得了极大关注。康复机器人的使用可替代部分人工,但早期出现的康复机器人只能作为执行机构,随着人类生活水平的不断提高,肢体运动障碍患者对康复训练时所需的机械设备要求越来越高。现阶段,我国康复治疗师和康复设备数量严重不足,而康复医疗设备智能化可有效改善这一现状,减轻现有康复治疗师工作强度。本课题针对康复机器人智能化进行研究,根据肢体障碍患者复健时活动关节的不同,设计并采集康复训练动作样本,用多种算法实现动作识别。首先,针对特定的康复训练动作采集相关数据集,并对图像进行预处理。根据复健的不同阶段,本文将动作分为单关节动作和多关节动作两部分进行采集。使用Kinect体感设备完成康复训练动作的采集工作。设计了自然环境深度图像与人体区域二值图像对齐,获取人体区域深度图像的方法。图像预处理阶段,先对人体区域二值图像进行形态学处理。之后对人体区域深度图像使用中值滤波进行降噪处理,得到最终的康复训练动作深度图像。其次,在深度图像的基础上,以深度运动图为特征对康复训练动作分类。将康复训练动作深度图像序列的深度帧投影在三个垂直的笛卡尔平面上,计算帧差并累积差分图像,形成投影面的深度运动图。使用双线性插值统一深度运动图大小,使用高斯归一化处理数据并利用PCA对数据降维,最后送入L2-正则化协同表示分类器对康复训练动作样本进行分类。最后,在深度运动图的基础上,引入局部二值模式,提高识别准确率。对深度运动图进行分块,提取子块LBP特征,将深度运动图表示的动作线索进行了更加紧凑的表示,计算子块统计直方图,将子块的直方图串联用于描述整个深度运动图的纹理特征。同样使用PCA对特征向量进行降维处理。在分类阶段,使用了核极限学习机分类器对动作进行分类。本文将在自制的康复训练动作数据集与MSR Action3D公共数据集上进行实验,并与目前主流方法进行比较,验证本文算法的优势。