【基于计算机图像序列的人体步态参数获取方法】
在临床医学、物理治疗和体育训练等领域,人体步态分析是一项至关重要的技术。它能够提供人体下肢运动的信息,这对于病人的康复治疗以及运动员的优化训练具有指导意义。通过分析步态,可以评估个体的行走模式,发现潜在的运动障碍或疾病状况。
传统的基于图像序列的步态分析方法通常把人体看作是一个连接型物体,由多个刚性部分通过关节连接。例如,Rashid的方法利用在关节处放置的小亮斑,通过捕捉视频序列中这些点的位置变化来构建人体运动的骨架模型。然而,这种方法对于未完全康复的病人来说可能不适用,因为他们可能无法满足正常运动的约束条件,比如双腿不能同时前后移动。
Chen的模型提出了14个连接点和17个刚性部分,并设定了一些运动约束,但这可能会导致对异常步态分析的不足。Baumberg则采用周期B样条来逼近人体轮廓,并通过训练图像序列自动构建2D轮廓模型。尽管这些方法各有优点,但都有其局限性。
本文提出了一种新的方法,它在时空XYT坐标系的XT切片上实时重建运动轨迹,以此反映人体步态。该方法利用常加速度模型的Kalman滤波器来跟踪图像序列中的下肢轮廓点,同时获取每个时刻的速度和加速度信息。针对轮廓点被遮挡的问题,Kalman滤波器的预测能力可以确保轨迹的连续性。
具体实现过程中,首先定义状态向量,包括位置、速度和加速度,然后利用状态方程和观测方程进行轨迹预测跟踪。在这个过程中,采用了一维Kalman滤波器,根据图像序列的实际状况调整参数。接着,通过模糊综合评判对预测点和实际点的距离、方向函数及速度函数进行综合分析,确定轨迹关联。模糊评判因子的选择和隶属度函数的定义有助于处理轨迹交叉和遮挡问题。
实验分析表明,这种方法在处理单目动态图像序列时表现出色,能够在下肢交叉运动时有效地处理遮挡情况,保持轨迹的连贯性。通过获取轨迹的速度和加速度信息,可以深入分析人体步态的细节,为临床和训练提供精确的数据支持。
总结而言,本文提出的步态分析方法简化了传统复杂模型,利用XT切片上的数据重建运动轨迹,结合Kalman滤波和模糊综合评判解决了遮挡问题,实现了对步态参数的有效获取。这种方法不仅适用于正常步态分析,也能较好地适应异常步态的检测,对于人体运动研究和康复治疗领域具有很高的实用价值。