一種基于Kinect的人體行為檢測方法
【技術領域】
[0001] 本發明涉及智能家庭監控技術領域，具體是一種基于Kinect的人體行為檢測方 法。
【背景技術】
[0002] 隨著近年智能家庭監控的飛速發展，越來越多的人通過智能化的產品提高生活體 驗。人體行為檢測是智能家庭監控的一個重要組成部分，傳統的檢測方法是用攝像頭來捕 捉圖像并分析，但是從實際使用來說，這種視頻分析效果受干擾非常大，并且只能通過人體 的輪廓來判斷人體的姿態，準確度不高。
[0003] 微軟公司推出了一款名為Kinect的產品，這款產品提供了實時表示人體姿態的 方法，也能捕捉人體全身上下的動作，并用三維鏈式骨骼的形式對檢測到的人體姿態進行 表示，可以準確表達人體的頭、手、腰、腿等關節處節點的位置。
【發明內容】
[0004] 本發明的目的在于提供一種檢測結果更加準確的基于Kinect的人體行為檢測方 法。
[0005] 本發明的技術方案為：
[0006] -種基于Kinect的人體行為檢測方法，該方法包括以下步驟：
[0007] (1)采用Kinect體感設備捕捉待測人體姿態下的各個骨骼節點的坐標數據，得到 測試樣本；
[0008] (2)計算測試樣本各個骨骼節點兩兩之間的相對距離，將得到的相對距離的集合 作為測試樣本的特征向量；
[0009] (3)將測試樣本的特征向量輸入訓練完成的人體姿態分類器，識別得到待測人體 姿態的類別。
[0010] 所述的基于Kinect的人體行為檢測方法，步驟（2)中，所述計算測試樣本各個骨 骼節點兩兩之間的相對距離，采用以下公式：
[0012] 其中，Cl1,表示第i個骨骼節點與第j個骨骼節點之間的相對距離，（X p yi，Z1)表 示第i個骨骼節點的坐標，（X]，y,， Z])表示第j個骨骼節點的坐標。
[0013] 所述的基于Kinect的人體行為檢測方法，步驟（3)中，所述人體姿態分類器的獲 得，包括：
[0014] a、采用Kinect體感設備采集各種預設人體姿態下的各個骨骼節點的坐標數據， 得到若干訓練樣本；
[0015] b、對每一個訓練樣本，計算各個骨骼節點兩兩之間的相對距離，將得到的相對距 離的集合作為該訓練樣本的特征向量；
[0016] c、將所有訓練樣本的特征向量輸入SVM分類器進行訓練，得到人體姿態分類器。
[0017] 由上述技術方案可知，本發明采用Kinect體感設備對人體姿態進行實時捕捉，與 傳統的對攝像頭捕捉的視頻圖像進行分析相比，較少受外部環境的影響，檢測結果更加準 確。
【附圖說明】
[0018] 圖1是本發明的方法流程圖；
[0019] 圖2是人體骨骼節點示意圖；
[0020] 圖3是數據采集示意圖一；
[0021] 圖4是數據采集示意圖二。
【具體實施方式】
[0022] 下面結合附圖和具體實施例進一步說明本發明。
[0023] 如圖1所示，一種基于Kinect的人體行為檢測方法，包括：
[0024] S1、采用Kinect體感設備采集各種預設人體姿態下的各個骨骼節點的坐標數據， 得到若干訓練樣本；
[0025] 如圖2所示，人體骨骼節點共有20個，通過這些骨骼節點的相互位置關系，可以判 斷人體姿態。
[0026] 如圖3、圖4所示，采集數據時，需要不同的實驗者來重復做需要檢測的動作姿態， 比如坐姿（包括正坐、蹺二郎腿等坐姿）、站立、舉手、彎腰等動作，采用Kinect體感設備提 取各種姿態下的各個骨骼節點的坐標數據（所有動作如果有不同姿態需要分開采集數據， 比如正坐和蹺二郎腿都屬于坐姿，但需要分開采集數據）。
[0027] 讓多個實驗者按照預定動作進行演示，如可以選實驗者50人，每個人做8組動作， 每組動作都按設定的姿態做一遍，這樣每組動作都有50組數據。也可以只用上半身的骨骼 節點展示簡單的動作，如圖4中右邊的坐姿男生所示。實驗者越多越好，少量的數據也可以 使用，多的話實驗結果更加精準。
[0028] S2、對每一個訓練樣本，采用以下公式計算20個骨骼節點兩兩之間的相對距離， 將得到的相對距離的集合作為該訓練樣本的特征向量；
[0030] 其中，Cl1,表示第i個骨骼節點與第j個骨骼節點之間的相對距離，（X P yi，Z1)表 示第i個骨骼節點的坐標，（X]，y,， Z])表示第j個骨骼節點的坐標。
[0031] S3、將所有訓練樣本的特征向量輸入SVM分類器進行訓練，得到人體姿態分類器。
[0032] S4、采用Kinect體感設備捕捉待測人體姿態下的各個骨骼節點的坐標數據，得到 測試樣本。
[0033] S5、計算測試樣本各個骨骼節點兩兩之間的相對距離，將得到的相對距離的集合 作為測試樣本的特征向量。
[0034] S6、將測試樣本的特征向量輸入訓練完成的人體姿態分類器，識別得到待測人體 姿態的類別。
[0035] 本發明通過Kinect體感設備獲取使用者的人體骨骼節點坐標數據，通過訓練完 成的人體姿態分類器預測使用者的姿態，可以用來智能控制家電或家居，也可以用來對使 用者的狀態進行統計分析以給使用者提供相應的健康建議。本發明針對家庭智能監控提出 了一種全新的解決方案，具有很高的實用價值。
[0036] 以上所述實施方式僅僅是對本發明的優選實施方式進行描述，并非對本發明的范 圍進行限定，在不脫離本發明設計精神的前提下，本領域普通技術人員對本發明的技術方 案作出的各種變形和改進，均應落入本發明的權利要求書確定的保護范圍內。
【主權項】
1. 一種基于Kinect的人體行為檢測方法，其特征在于，該方法包括以下步驟： (1) 采用Kinect體感設備捕捉待測人體姿態下的各個骨骼節點的坐標數據，得到測試 樣本； (2) 計算測試樣本各個骨骼節點兩兩之間的相對距離，將得到的相對距離的集合作為 測試樣本的特征向量； (3) 將測試樣本的特征向量輸入訓練完成的人體姿態分類器，識別得到待測人體姿態 的類別。2. 根據權利要求1所述的基于Kinect的人體行為檢測方法，其特征在于，步驟（2)中， 所述計算測試樣本各個骨骼節點兩兩之間的相對距離，采用以下公式：其中，屯表示第i個骨骼節點與第j個骨骼節點之間的相對距離，（Xyyi，Z1)表示第i個骨骼節點的坐標，（X]，y,，Z])表示第j個骨骼節點的坐標。3. 根據權利要求1所述的基于Kinect的人體行為檢測方法，其特征在于，步驟（3)中， 所述人體姿態分類器的獲得，包括： a、 采用Kinect體感設備采集各種預設人體姿態下的各個骨骼節點的坐標數據，得到 若干訓練樣本； b、 對每一個訓練樣本，計算各個骨骼節點兩兩之間的相對距離，將得到的相對距離的 集合作為該訓練樣本的特征向量； c、 將所有訓練樣本的特征向量輸入SVM分類器進行訓練，得到人體姿態分類器。
【專利摘要】本發明提供一種基于Kinect的人體行為檢測方法，包括：采用Kinect體感設備捕捉待測人體姿態下的各個骨骼節點的坐標數據，得到測試樣本；計算測試樣本各個骨骼節點兩兩之間的相對距離，將得到的相對距離的集合作為測試樣本的特征向量；將測試樣本的特征向量輸入訓練完成的人體姿態分類器，識別得到待測人體姿態的類別。本發明采用Kinect體感設備對人體姿態進行實時捕捉，與傳統的對攝像頭捕捉的視頻圖像進行分析相比，較少受外部環境的影響，檢測結果更加準確。
【IPC分類】G06K9/62
【公開號】CN105046281
【申請號】CN201510502314
【發明人】謝寶, 紀勇, 張傳金, 姚莉莉, 萬海峰
【申請人】安徽創世科技有限公司
【公開日】2015年11月11日
【申請日】2015年8月14日