基于ORB算法的坐姿識(shí)別綜述

許飛鴻　孫林　齊鵬　王鈺琪　胡浩

摘 要：為滿足現(xiàn)代社會(huì)對(duì)于減少坐姿引發(fā)的健康問題的需求，文章基于ORB算法，應(yīng)用圖像直方圖，使用Python編程語言和OpenCV庫提出了一種可實(shí)現(xiàn)的坐姿識(shí)別方法，并對(duì)其進(jìn)行實(shí)驗(yàn)驗(yàn)證。

關(guān)鍵詞：圖像識(shí)別；ORB算法；Python OpenCV；直方圖；坐姿識(shí)別

現(xiàn)代社會(huì)存在一個(gè)巨大的群體，出于工作學(xué)習(xí)的原因，他們需要維持?jǐn)?shù)個(gè)小時(shí)的靜坐狀態(tài)，在這樣的情況下正確坐姿的重要性就凸顯出來。長期不正確的坐姿對(duì)人體的健康將產(chǎn)生巨大的影響。計(jì)算機(jī)的飛速普及，讓人們將越來越多的工作放在計(jì)算機(jī)上去完成，各行各業(yè)，尤其是程序開發(fā)人員、文字工作者，在計(jì)算機(jī)上的工作時(shí)間越來越長，這種情況下不良的坐姿對(duì)頸肩腰椎都會(huì)產(chǎn)生很大影響，容易導(dǎo)致多種疾病的發(fā)生。調(diào)查顯示肩部腰部疾病的發(fā)病率越來越高，發(fā)病年齡越來越小，跟長期坐著工作有關(guān)。這些問題都說明，坐姿正確與否對(duì)健康有很大影響。在這樣的情況下，有效預(yù)防不正確坐姿具有重大實(shí)際意義。

1 坐姿識(shí)別應(yīng)用前景

要識(shí)別坐姿，首先要區(qū)分正確坐姿與不正確坐姿。正確的坐姿要求坐下時(shí)人身體端正，不左右斜靠，不前后仰躺，頭部略微前傾，頸椎略微彎曲但是彎曲程度不宜過大，腰部保持挺直，身體自然放松，肩部自然下垂。胸部距離書桌邊沿約一拳位置，保持頭、頸、胸的正常生理曲線。如果是使用電腦的情況下，電腦屏幕中間應(yīng)剛好與下巴呈水平，兩者距離保持約35 cm。如果是閱讀書籍或?qū)懽鞯那闆r下正確的坐姿要求書本與眼睛距離在30～35 cm最佳。

不正確的坐姿大致分為6類：頭部傾斜、身體左傾、身體右傾、身體前傾、脊椎前曲、身體后仰[1]，這些不正確的坐姿都將對(duì)身體健康造成損害，頭部傾斜、脊椎前曲是造成頸椎病，頸椎彎曲的重大原因之一；身體左傾、身體右傾、身體前傾增大腰部負(fù)擔(dān)，造成腰椎彎曲、腰椎間盤突出、腰部疼痛等多種疾病。在這種情況之下，坐姿識(shí)別技術(shù)擁有廣泛的應(yīng)用前景，并有望在預(yù)防坐姿不正確引發(fā)的各類疾病方面起到重大作用。

坐姿識(shí)別技術(shù)主要是指通過現(xiàn)代科技力量判斷人們現(xiàn)階段的坐姿情況，從而對(duì)不正確的坐姿起到警醒的作用。坐姿識(shí)別技術(shù)的分類大體與人體動(dòng)作姿勢(shì)的識(shí)別方法分類相同。

2 坐姿識(shí)別技術(shù)概述

人體動(dòng)作姿態(tài)的識(shí)別方法可分為3類：基于統(tǒng)計(jì)的方法、基于模板的方法和基于語法的方法[2]。其中，基于統(tǒng)計(jì)的方法主要是隱馬爾可夫模型（Hidden Markov Model，HMM）和動(dòng)態(tài)貝葉斯網(wǎng)絡(luò)（Dynamic Bayesian Network，DBN）兩種方法，基于語法的方法最主要基于圖像序列的相關(guān)應(yīng)用。這兩種方法這里我們不予討論。本文研究的基于快速特征點(diǎn)提取和描述（Oriented FAST and Rotated BRIEF，ORB）算法圖像識(shí)別技術(shù)屬于基于模板的方法?；谀０宓淖藨B(tài)識(shí)別方法核心思想就是比較實(shí)際檢測(cè)對(duì)象與標(biāo)準(zhǔn)模板對(duì)象的相似程度，以此對(duì)人體的姿態(tài)情況進(jìn)行判斷。這種方法應(yīng)用廣泛且可靠性高，在實(shí)際應(yīng)用中有較高價(jià)值。

3 基于ORB算法的坐姿識(shí)別過程

3.1 ORB算法介紹

ORB算法是一種快速特征點(diǎn)提取和描述算法，這個(gè)算法分為兩部分，分別是特征點(diǎn)提取和特征點(diǎn)描述。特征提取是由FAST算法發(fā)展來的，特征點(diǎn)描述是根據(jù)BRIEF特征描述算法改進(jìn)的。ORB特征是將FAST特征點(diǎn)的檢測(cè)方法與BRIEF特征描述子結(jié)合起來，并在它們?cè)瓉淼幕A(chǔ)上做了改進(jìn)與優(yōu)化。ORB算法最大的特點(diǎn)就是計(jì)算速度快。這首先得益于使用FAST檢測(cè)特征點(diǎn)，F(xiàn)AST的檢測(cè)速度非?？?。再次是使用BRIEF算法計(jì)算描述子，該描述子特有的2進(jìn)制串的表現(xiàn)形式不僅節(jié)約了存儲(chǔ)空間，而且大大縮短了匹配的時(shí)間[3]。

3.2 圖像直方圖介紹

直方圖統(tǒng)計(jì)是圖像處理中的一個(gè)非常重要的操作。圖像直方圖是反映一個(gè)圖像像素分布的統(tǒng)計(jì)表，其實(shí)橫坐標(biāo)代表了圖像像素的種類，可以是灰度的，也可以是彩色的?？v坐標(biāo)代表了每一種顏色值在圖像中的像素總數(shù)或者占所有像素個(gè)數(shù)的百分比。圖像是由像素構(gòu)成，因?yàn)榉从诚袼胤植嫉闹狈綀D往往可以作為圖像一個(gè)很重要的特征。在實(shí)際工程中，圖像直方圖在特征提取、圖像匹配等方面都有很好的應(yīng)用[4]。

3.3 姿態(tài)檢測(cè)原理

將攝像頭拍攝到的一張圖片與標(biāo)準(zhǔn)坐姿圖片進(jìn)行對(duì)比，通過ORB算法對(duì)兩張圖片進(jìn)行特征點(diǎn)匹配，然后根據(jù)匹配的特征點(diǎn)坐標(biāo)確定特征點(diǎn)匹配的對(duì)數(shù)，再通過設(shè)置閾值的方式來判斷兩張圖片姿態(tài)的相似度。同時(shí)計(jì)算兩張圖片的直方圖，通過繪制灰度值曲線來比較兩張圖的相似度，并且輸出兩張圖的相似度，再通過對(duì)兩種方法相似度的綜合判斷，來判斷這兩張圖片中人體姿態(tài)。即若是兩張方法判斷出來兩張圖片的相似度都很高，那么可以判定兩張圖片中的人體姿態(tài)是一致的，也就是說攝像頭拍到的圖片中的人坐姿是標(biāo)準(zhǔn)的，若是兩種方法判斷的圖片相似度都不高或者其中之一不高，則可以判斷圖片中人的坐姿是不標(biāo)準(zhǔn)的[5]。

3.4 方法實(shí)現(xiàn)

在實(shí)現(xiàn)方法前首先要安裝好Python運(yùn)行環(huán)境并安裝好OpenCV庫，將攝像頭拍攝的人體姿態(tài)圖片與標(biāo)準(zhǔn)姿態(tài)圖片進(jìn)行對(duì)比，利用ORB算法匹配兩張圖片的特征點(diǎn)，在運(yùn)用圖像直方圖來比較兩張圖片相似度，若匹配到的特征點(diǎn)對(duì)數(shù)超過閾值且圖片相似度也很高，則輸出“坐姿標(biāo)準(zhǔn)”[6]。以下為該方法實(shí)現(xiàn)用到的主要函數(shù)：

（1）實(shí)現(xiàn)ORB特征匹配的函數(shù)。

def drawMatches（img1， kp1， img2， kp2， matches）：

rows1 = img1.shape[0]

cols1 = img1.shape[1]

rows2 = img2.shape[0]

cols2 = img2.shape[1]

out = np.zeros（（max（[rows1，rows2]），cols1 + cols2， 3），dtype = ‘uint8）

#拼接圖像

out[：rows1， ：cols1] = np.dstack（[img1， img1，img1]）

out[：rows2， cols1：] = np.dstack（[img2， img2，img2]）

for mat in matches：

img1_idx = mat.queryIdx

img2_idx = mat.trainIdx

（x1，y1） = kp1[img1_idx].pt

（x2，y2） = kp2[img2_idx].pt

#繪制匹配點(diǎn)

cv2.circle（out， （int（x1），int（y1）），4，（255，255，0），1）

cv2.circle（out，（int（x2）+cols1，int（y2）），4，（0，255，255），1）

cv2.line（out，（int（x1），int（y1）），（int（x2）+cols1，int（y2）），（255，0，0），1）

return out

（2）實(shí)現(xiàn)圖像直方圖相似度統(tǒng)計(jì)的函數(shù)。

def classify_gray_hist（image1，image2，size = （256，256））：

#先計(jì)算直方圖

image1 = cv2.resize（image1，size）

image2 = cv2.resize（image2，size）

hist1 = cv2.calcHist（[image1]，[0]，None，[256]，[0.0，255.0]）

hist2 = cv2.calcHist（[image2]，[0]，None，[256]，[0.0，255.0]）

#比較以下直方圖

plt.plot（range（256），hist1，r）

plt.plot（range（256），hist2，b）

plt.show（）

#計(jì)算直方圖重合度

degree = 0

for i in range（len（hist1））：

if hist1[i] ！= hist2[i]：

degree = degree + （1 - abs（hist1[i]-hist2[i]）/max（hist1[i]，hist2[i]））

else：

degree = degree + 1

degree = degree/len（hist1）

return degree

#計(jì)算單通道的直方圖

def calculate（image1，image2）：

hist1 = cv2.calcHist（image1，[0]，None，[256]，range（0.0，255.0））

hist2 = cv2.calcHist（image2，[0]，None，[256]，range（0.0，255.0））

#計(jì)算直方圖的重合度

degree = 0

for i in range（len（hist1））：

if hist1[i] ！= hist2[i]：

degree = degree + （1 - abs（hist1[i]-hist2[i]）/max（hist1[i]，hist2[i]））

else：

degree = degree + 1

degree = degree / len（hist1）

return degree

#通過得到每個(gè)通道的直方圖來計(jì)算相似度

def classify_hist_with_split（image1，image2，size = （256，256））：

#將圖像resize后，分離為三個(gè)通道，再計(jì)算每個(gè)通道的相似值

image1 = cv2.resize（image1，size）

image2 = cv2.resize（image2，size）

sub_image1 = cv2.split（image1）

sub_image2 = cv2.split（image2）

sub_data = 0

for im1，im2 in zip（sub_image1，sub_image2）：

sub_data += calculate（im1，im2）

sub_data = sub_data/3

return sub_data

3.5 方法論證

以某個(gè)被測(cè)人的100張不同姿態(tài)照片與該被測(cè)人的標(biāo)準(zhǔn)姿態(tài)照片進(jìn)行測(cè)試，隨機(jī)選取10組識(shí)別結(jié)果。經(jīng)過測(cè)試可看到10組中識(shí)別準(zhǔn)確的組別有8組，識(shí)別準(zhǔn)確率達(dá)到80%，因此該方法可正確的識(shí)別姿態(tài)標(biāo)準(zhǔn)程度[7]。

4 結(jié)語

本文提出了基于ORB算法進(jìn)行人體坐姿識(shí)別的一種方法，ORB圖像識(shí)別算法在人臉識(shí)別、坐姿識(shí)別領(lǐng)域的應(yīng)用較少，拓寬了ORB圖像識(shí)別算法的應(yīng)用領(lǐng)域，同時(shí)將ORB圖像識(shí)別和直方圖統(tǒng)計(jì)相結(jié)合解決人體坐姿識(shí)別相關(guān)問題，提高了圖像識(shí)別的準(zhǔn)確性。同時(shí)，對(duì)于上班族久坐且坐姿不正確導(dǎo)致的各種健康問題，本文提出了一種有效的預(yù)防方法，通過ORB算法對(duì)不正確的坐姿進(jìn)行識(shí)別并且發(fā)出提醒，從而起到不斷提醒人們關(guān)注自己的坐姿，及時(shí)改正錯(cuò)誤坐姿的作用。

[參考文獻(xiàn)]

[1]謝紅莉，謝作揩，葉景，等.我國青少年近視現(xiàn)患率及相關(guān)因素分析[J].中華醫(yī)學(xué)雜志，2010（7）：15.

[2]王春陽.基于圖像技術(shù)的人體坐姿監(jiān)測(cè)研究[D].西安：西安電子科技大學(xué)，2013.

[3]黃國范，李亞.人體動(dòng)作姿態(tài)識(shí)別綜述[J].電腦知識(shí)與技術(shù)，2013（1）：133-135.

[4]張宇.基于人臉檢測(cè)與膚色統(tǒng)計(jì)的坐姿行為監(jiān)測(cè)[J].計(jì)算機(jī)與網(wǎng)絡(luò)，2017（7）：73-76.

[5]高強(qiáng)，潘俊.基于ORB的圖像特征提取與匹配研究[J].福建電腦，2019（1）：21-22.

[6]范新南，顧亞飛，倪建軍.改進(jìn)ORB算法在圖像匹配中的應(yīng)用[J].計(jì)算機(jī)與現(xiàn)代化，2019（2）：1-6，14.

[7]李樂鵬，孫水發(fā)，夏沖，等.直方圖均衡技術(shù)綜述[J].計(jì)算機(jī)系統(tǒng)應(yīng)用，2014（3）：1-8.