基于SVM算法的人体坐姿检测系统设计_梁建勇.pdf

，基金项目微型电脑应用 年第 卷第期基金项目：安康学院校级科研项目（）作者简介：梁建勇（），男，讲师，硕士，研究方向为智能优化算法及数字图像处理。文章编号：（）基于 算法的人体坐姿检测系统设计梁建勇（安康学院，电子与信息工程学院，陕西，安康 ）摘要：为了及时监控坐姿，改善身体健康状态，采用计算机视觉的方法设计一种坐姿检测系统，通过对现有的坐姿图像数据集采样，使用 进行肤色检测等处理手段获取图像特征，将图像特征进行类别标注，生成数据集文件。坐姿检测算法使用 和 级联检测器结合，实现了实时坐姿显示与语音提醒的功能，能够有效的检测不良坐姿，具有一定应用价值。关键词：人体坐姿检测；机器学习；系统设计中图分类号：文献标志码：（，）：，：；引言随着互联网的迅速普及，人们在学习生活中越来越多的使用电子设备，这丰富了生活，但同时也带来了健康问题。由于人们长时间的处于不规范的坐姿状态，导致了身体出现亚健康或者疾病问题，严重的影响了人们的身心健康。其中以颈椎病、腰间盘突出、近视等问题最为普遍。为了自身的健康，人们需要时刻关注自己的坐姿状态。等根据人脸大小和位置关系判断坐姿，此方法首先使用一个有代表性特征的图像作为标准，然后将采集数据和标准比较做出判别。通过使用 距离模板求出人脸区域的面积，并与标准图对比，若人脸区域面积越大，则判断人与显示器较近，若人脸位置比标准图偏右，则表明人体位置左倾，反之亦然。该方法只从人脸所占区域面积和位置角度关系进行坐姿判别，鲁棒性不强。韩晓明等在 年提出了一种根据头顶位置作为参考点来判断坐姿的方法。此方法首先使用背景分离法获得头部所在区域作为标准。当头顶位置在标准参考区域上方时，则表明用户距离显示器较近。当头顶位置在标准参考区域左边时，则说明用户处于右倾位置，反之亦然。由于当环境和人的位置改变时，原先设置的位置也会随之改变，因此这一方法具有很大的局限性。王春阳通过定位头和肩的位置来识别坐姿，首先通过肤色检测到人脸区域，然后借助眼睛、嘴的位置定位头部，并用背景相减法提取用户轮廓特征，以矩形检测法定位肩膀来判断坐姿。综合以上分析可知，判断坐姿的主要方法都是通过头部、肩膀、嘴、眼睛等特征的位置关系来判别，具有很大的局限性。本文提出了通过对人脸区域的精准识别，提取出人脸区域，再通过肤色检测提取人脸特征，经机器学习算法快速识别坐姿，识别准确率较高、鲁棒性较好。从现有的坐姿图像数据集中，选取有代表性的坐姿图像，经过预处理得到图像特征并制作数据集文件。所设计的坐姿检测分类器使 用 算法和 级联检测器融合而成，检测准确度高、识别速度快。系统总体设计本系统的总体设计流程如图所示。从已有的图像数据库提取人脸区域，经过预处理得到特征数据，再使用 算法训练得到坐姿模型。通过摄像头获取图像，经过上述的处理得到图像特征，再经过坐姿模型进行坐姿检测，并在系统集成界面实现实时坐姿识别、坐姿统计、异常坐姿提醒等功能。，基金项目微型电脑应用 年第 卷第期图系统设计总体框图本文研究基于机器学习和计算机视觉，软件需求如图所示。软件均采用 语言编程，使用 配置环境，在 端 上运行。图像预处理使用计算机视觉 开 源 库 ，算 法 使 用 机 器 学 习 算 法 库 ，编程环境采用 ，图形用户界面使用 自带的 编写。图软件需求框图软件系统设计软件系统设计如图所示，首先从数据库中采集和截取正坐、左侧、右侧、低头四类人脸，然后通过预处理得到图像特征，训练 算法生成模型，再结合 级联检测器生成坐姿算法预测坐姿，最后设计系统集成界面完成整个系统。图软件系统设计 图像采集与人脸提取（）图像采集从已有数据库采集，数据库包含 传感器获取的 个序列数据集。人（其中一些人被记录了两次，包括名女性和 名男性）坐在传感器前面，以大约一米的距离转动头部，坐姿图像数据库如图所示。图坐姿图像数据库（）级联分类器人脸提取由于视角、灯光、视距、相机抖动等因素，图像细节会变得不稳定。提取图像的细节对产生稳定的分类和跟踪结果作用很大。两个图像的相似程度可通过对应特征的欧式距离来度量。类 特征是一种用于实时人脸跟踪的特征，每一类 特征都描述了相邻图像区域的对比模式。对于给定图像，特征会因区域大小不同而有所区别，这一区域大小被称为窗口大小，尺度不同的两幅图像也有相似特征，特征集合称为级联。级联具 有 尺 度 不 变 性，但 没 有 旋 转 不 变性。截取出的部分人脸区域图像如图所示。图人脸截取图像 图像预处理处理流程如图所示，首先使用截取的人脸区域图像经过肤色检测、灰度化处理后进行高斯滤波，最后经直方图均衡化得到图像特征。图图像预处理流程（）肤色检测肤色检测采用 颜色空间和 分量阈值分割法。空间：即为明亮度，即为色度，分别为色调与饱和度。最大类间方差法（）：使用一个阈值将整个数据空间分为两类，通过两个类之间的方差值来获得最优的阈值。需要将 空间映射到 空间，然后提取 分量；然后对 进行二值化阈值分割，利用 法判断即可。肤色检测得到的效果见图。（）灰度化处理灰度化是将彩色图像转化为灰度图像，常见灰度化算法如表所示。表灰度化处理算法算法名词算法公式最大化灰度处理 （，）整数灰度处理 （）浮点灰度处理 （）平均灰度处理 （，）移位灰度处理 （）加权平均灰度处理 （）其中 表示灰度化处理后的灰度值，只要把、三通道的值替换为 。提供 （）函数实现图像的灰度化、二值化、变换等处理。其函数原型如下：（，）（）其中 为输入图像，表示输出图像，大小和深度与 一致，表示转换的代码或标识常见的颜色空间转换标 识 包 括 、等。经过灰度化处理后效果如图所示。，基金项目微型电脑应用 年第 卷第期图肤色提取图灰度化处理（）高斯滤波高斯滤波是基于正态分布的一种图像模糊恢复技术，一维空间分布方程为（）（）（）其中高斯分布的参数决定了高斯函数的宽度。在二维空间定义为（，）（）（）（）提供的 （）函数如下：（，）（）其中，表示原始图像，表示核大小，表示方向方差。核大小必须是奇数值，方向的方差主要控制权重。高斯滤波后如图所示。（）直方图均衡化直方图均衡化可以增强图像整体对比效果，增加灰度值的动态范围。直方图均衡化让某个比较集中的灰度值在整个灰度范围里均匀分布。这一过程是先对图像进行非线性变换，然后重新分布各个像素值，从而在一定灰度范围里使像素均匀分布。提供了 （），其中 为传入的原图像参数，函数返回的直方图均衡化见图。图高斯滤波图 直方图均衡化 训练 模型（）制作数据集文件 （，）：（）（，）（）（，），）（，）（，）首先生成某一类数据集，第行是实例化一个空列表用来保存特征数据和类标签。然后用 循环读取图像，经过图像预处理返回图像特征，然后添加相应的类标签，从而得到某一类的数据集。（）（）（）（）（，）（）（：，）（）（数据集制作完成）然后再对四类的数据集合并成一个数据集。第到行读取每一类数据集，再通过 库里的 （）函数合并成一个数据集 ，用 （）函数保存后缀名为 文件。（）生成 模型文件 （）（）：（）（，：）（）（）（：秒（）（模型训练完成）首先加载数据集文件，然后用 切片拆分特征数据和类标签，数据集进行拆分为训练数据、训练标签、测试数据、测试标签，测试数据和测试标签占全部；然后加载 算法，采用“一对一”的分类方式，使用线性核函数；然后使用 （）函数，传入特征数据和标签，生成了 模型；最后用 库里的 （）函数保存后缀名为 的 模型。坐姿检测算法设计坐姿检测算法使用 和 级联检测器结合。图像预处理后得到的图像特征通过 级联分类器检测到人脸。当检测到正面人脸时，采用 算法对当前坐姿识别分类，分类出来正坐和低头；当检测到侧面人脸时，分类出来当前坐姿为左侧和右侧。算法流程如图 所示。系统集成界面设计系统集成界面使用 自带 编写。界面布局采用 布局，图形用户界面实现实时坐姿显示、当前日期、当前状态、坐姿统计、异常坐姿的语音提醒、退出系统等功能。，基金项目微型电脑应用 年第 卷第期图 坐检测算法流程实验与分析基于机器学习的坐姿检测的实验运行平台为 机，操作系 统 为 ，内 存 为 ，为 赛 扬 ，软件开发环境为 。测试集占总样本集的，每次随机抽取测试集，核函数分别使用 和 ，得到的准确度和所用时间如表所示，所用参数如下：（，）表 和 核函数的测试结果对比 训练集准确度测试集准确度 核函数 核函数 核函数和 核函数的测试结果对比显示，核函数的训练集和测试集准确度达到百分百，而 核函数的训练集和测试集准确度有百分之九十九点多，两种核函数在准确度方面不相上下；但训练所用时间上，核函数使用时间仅为秒多，而 核函数训练使用时间十几秒左右。综上，由于核函数的测试准确度和训练时间优于 ，所以训练模型使用 核函数。经过摄像头采集的每一帧图像经过灰度化处理得到灰度图像后，由于受到光照强弱的影响，若是未经增强处理，级联分类器不容易找到人脸区域，为此采用了局部直方图均衡化来处理灰度图像。经过实验测试，系统对正坐、左侧、右侧、低头等常见动作能迅速做出正确判断，对低头、侧头等异常坐姿做出及时语音提醒。鉴于图像数据使用肤色模型提取特征，容易受到光强和背景变化影响，后续研究改进可提高滤波效果，尽量避免光照强度变化对判断结果的影响，也可以增加压力传感器，将压力分布 的 检 测 数 据 纳 入 信 息 融 合，提 高 判 断 结 果 的 准确性。总结本文基于计算机视觉设计了一种坐姿检测系统，通过对现有的坐姿图像数据集采样，使用 肤色检测、灰度化处理、直方图均衡化、高斯滤波等图像预处理获取图像特征，并对图像特征进行类别标注生成数据集文件。坐姿检测算法使用 和 级联检测器结合，实现了实时坐姿显示与异常坐姿的语音提醒功能。系统检测效率高，易于维护，具有一定应用价值。参考文献谢红莉，谢作揩，叶景，等 我国青少年近视现患率及相关因素分析 中华医学杂志，（）：魏华良，王金祥 室内视频监控中儿童学习坐姿的实时检测研究 内江科技，（）：赵月鹏基于机器视觉的人体坐姿检测系统的设计与实现哈尔滨：哈尔滨理工大学，：韩晓明，冉春风，侯雪峰，等基于视频的学生坐姿检测与纠正系统研究首都师范大学学报（自然科学版），（）：王春阳基于图像技术的人体坐姿监测研究西安：西安电子科技大学，郭立祺，林涛，陈峰，等坐姿监测信息采集系统的设计中国体视学与图像分析，（）：李莎莎基于 传感器的坐姿识别软件设计及实现成都：电子科技大学，黄旭基于判别式深度学习的坐姿视觉识别方法研究长沙：湖南大学，蔡诗琦基于 的人体骨架提取与坐姿识别研究武汉：武汉理工大学，：刘敏，潘炼，曾新华，等 基于 的坐姿行为识别计算机工程与设计，（）：张童基于多维特征融合的学习者兴趣度评价北京：北方工业大学，周钰基于机器学习的坐姿监测系统的设计与实现杭州：浙江大学，张轩磊基于坐姿及多传感融合的智能轮椅控制 广州：广东工业大学，冯琳基于商用 的坐姿识别方法研究 西安：西北大学，（收稿日期：）