运动人体检测论文（精选8篇）
运动人体检测论文 篇1
0 引言
随着人们对安全的需求日益强烈,视频监控系统作为一种安全防范的有效手段,越来越受到各界的广泛关注。目前,计算机、网络以及图像处理、通信等技术的飞速发展,视频监控系统技术也得到了相应的发展。
其中,通过摄像头对固定场景中的运动人体进行视频监视,是目前主要应用之一,如生活中有小区安全监控,电信行业有机站监控,银行系统有柜员机监控,交通方面有违章和流量监控等等。
现有的运动分割方法可以归纳为三种[1]:光流法、相邻帧差法、背景减法。
光流法的优点是能够检测独立运动的对象,不需要预先知道场景的任何信息。但光流法计算复杂耗时,很难实现实时检测。相邻帧差法适用于动态变化的环境,但不能够完整地分割运动对象,不利于进一步的对象分析和识别。背景减法是最常用的运动对象检测算法,在算法速度和效果两个方面综合性能最好。
背景减法就是计算参考图像,然后用当前帧与参考图像相减得到差图像,对差分图像进行阈值分割,所分割出的二值图像代表了图像序列中的运动目标对应的区域。背景减法包括背景表示、背景初始化、背景维护、运动像素检测等。文献[2]中提出了一种基于动态三元组的背景维护和更新,其对突变的情况有较好的解决,但对自然光缓慢的改变,没有给出可实用的模型。本文提到的一种双高斯背景更新模型能较好的适应不同光线情况下的自然光,并与Kalman滤波器相结合,可以做到较好的跟踪。
运动跟踪方向,现有的跟踪方法有基于运动的跟踪和基于人体形状的跟踪等。文献[3]将二者加以结合,很好地解决了多个同向运动人体的分离与远处较小人体影像的跟踪。
本文将从实验室的环境出发,模拟外部世界固定场景,来对运动人体进行检测与跟踪。
1 研究环境与方法
本文是在自然光照环境下进行的,主要针对固定场景中运动人体的检测与跟踪进行系统的研究与实现。
系统的硬件设备主要由PC与单目摄像头组成。其中,PC机为双核1.66G、内存1G的标准配置。单目摄像头采用的是高品质CMOS传感器,640×480分辨率,真彩24位,30帧/秒的显示帧率,以USB2.0接口与PC相连。
该系统是在Windows XP平台上采用VC 6.0开发。系统首先通过对存放于内存中的摄像头视频序列进行实时监控,运用一种快速且简易的背景自适应算法对背景进行更新,并对新出现的运动人体进行检测。其次,使用Kalman滤波器对捕获到的运动人体进行跟踪。
2 运动人体的检测与提取
前景检测主要是将视频图像分成运动的人体前景区域,与摄像头中不动部分的背景区域。自适应背景模型为静止背景建立背景模型,通过将当前图像帧和背景模型进行比较,确定出变化较大的区域即认为是前景区域。这种方法的计算速度很快,可以获得关于运动目标区域的完整精确的描述,但对场景中光照条件、大面积运动和噪声比较敏感,所以在实际应用中需采用一定的算法进行背景模型的动态更新以适应环境的变化。
最常用的动态更新模型是用高斯分布(正态分布)来描述背景点颜色的概率分布。由于自然界大都呈现出多模态的特性,所以选用混合高斯模型来描述。
在介绍混合高斯模型之前,首先简单介绍单高斯模型。
2.1 单高斯模型
单高斯模型是一种单模态自适应背景模型。
首先统计一段较长的时间段内视频序列图像中每一像素值的均值μ0和方差σ02,将由μ0和σ02组成的具有高斯分布的图像B0作为初始的背景估计图像:
其次,为不断自适应地更新背景图像的高斯分布参数,引入参数更新率ρ:
则该点高斯分布参数的更新可表示为:
其中,K是一个给定的[0,1]之间的常数,η(ftμt-1,σt-1)表示均值为μt-1,方差为σt-1的高斯分布的概率密度函数;从而得到更新后的背景估计图像Bt:
最后,用Bt与当前帧图像ft的差分进行变化检测,使用的检测公式如下:
其中T是目标分割时设定的阈值。
这样就实现了整幅图像的背景建模。
如果是光照不变的单模态背景,或是仅仅存在光照的变化,自适应单高斯模型也可以有效地估计出背景,但是常常既有光照的变化,背景又表现为多模态。
考虑到背景像素值在一段时间内的分布是多峰的,所以可以借助于单模型的思想方法,也就是利用多个单模型的集合来模拟一个场景中一个像素值的变化情况,即采用自适应的混合高斯分布的背景模型。
2.2 混合高斯模型
多模态背景的情形则需要用多个分布来共同描述一个像素点上的颜色分布。我们用η(Xt,μ,Σ)来表示均值为η,协方差矩阵为Σ的高斯分布的密度函数。假设协方差矩阵为以下形式:
从而单个高斯分布模型表示为:
当前像素值Xt的概率为:
其中,K是高斯分布的个数,其选取依赖于像素值的分布情况,同时也取决于系统的计算能力,通常的取值为3到5之间。是t时刻混合模型中第i个高斯分布的权值,μi,t和σi2,t是t时刻混合模型中第i个高斯分布的均值和方差。
对第i个高斯分布的权值更新如下:
其中β是另一个表示背景更新快慢的常数—权值更新率。该过程只有与Xt相匹配的高斯分布的权值才得到提高,其他分布的权值都被降低。
另外,未匹配的高斯分布的均值μ和均方差σ保持不变,相匹配的高斯分布的参数也按照式(3)和式(4)进行更新。在更新完高斯分布的参数和各分布权值后,还要对各个分布重新进行排序。
之后,就是对新运动人体的检测过程。
2.3 新运动人体的检测
新运动人体的检测是根据当前帧图像与之前通过混合高斯模型建立起来的背景模型进行对比,获得当前帧的前景图像中的所有运动人体。其次再与已记录的运动人体数据进行比较。这样,就得到许多当前帧中带运动性质的目标,将较小的运动目标(可能是由噪声引起的)与已经被跟踪的人体有重叠的目标丢弃,并对剩余的部分按照大小排序,之后就新加10个最大的人体来继续追踪。
3 运动人体的跟踪技术
首先从前景图像提取所有被跟踪人体,并计算各个人体的质心、宽度和高度。事实表明,人体运动区域的形状存在一定的中心轴对称性,而且各帧中运动区域的高度与宽度变化较慢,因此可以选择人体运动区域的中心点表示运动者的位置。同时要计算中心点的位置,必须引入运动的速度和加速度等分量。
然后对每一个已被跟踪的轨迹,利用Kalman滤波器预测该轨迹在当前帧的位置和大小。
最后一步是对每个跟踪的轨迹进行处理,寻找离上一帧里的人体最近的当前帧里的人体,将此人体加入到跟踪轨迹中。
3.1 Kalman滤波
根据以上讨论,建立人体运动区域中心点的运动状态向量:
其中的参数分别表示在水平与垂直方向上的位置、速度与加速度。则在水平方向上,人体运动的动力方程为:
vx(n)、vx(n)、ax(n)表示在n时刻的位置、速度和加速度,实际计算中ox(n-1)可以作为白噪声处理。把上式改写为矩阵形式:
能够观测到的运动状态分量只有运动者的位置:
通过对比卡曼滤波器的状态方程与观测方程:
其中W(n)和V(n)是互不相关的均值为0的高斯白噪声过程,其自协方程矩阵分别为R(n)和Q(n)。则人体运动的状态方程与观测方程分别为:
3.2 利用Kalman滤波器进行目标跟踪
建立滤波器后,就可以通过计算得到下一帧中运动者所对应的运动区域中心点的坐标,如果此预测点出现在下一帧检测到的运动区域中心点周围的一定区域,就认为两个运动区域对应了同一个运动者。并用新测量到的运动人体位置对系统进行更新。
(1)预测下一时刻目标所在的位置
其中体现了预测位置的坐标,而Δsk+1体现了预测的不准确程度,或者说是提供了目标匹配的搜索范围,而在实际应用中,往往扩大目标匹配的搜索范围为Δsk+1+ε,其中ε为一预设正常数。
(2)目标匹配搜索
在跟踪前,对视频的初始几帧提取出感兴趣的目标,我们采用区域生长方式,由目标的初始像素点开始,将所有像素合并到一个大的区域中,进入跟踪状态。跟踪状态的每一帧,在计算得到的目标搜索区域范围内进行目标搜索,并在搜索中利用目标检测的结果,只在预测位置附近小区域内的图像数据进行目标检测和特征提取运算。
(3)修正卡尔曼滤波器参数
初始条件:
Kalman滤波过程从已知的初始值出发,以递推的方式进行,如图1所示。
4 实验结果与讨论
实验所使用的视频设备为单目摄像头,图像分辨率为640×480,真彩24位,30帧/秒的显示帧率。
图2给出晴天(图2a)与阴天(图2b)的情况下,更新稳定后的背景结果。由图可以看出,简易的背景更新,较好的适应了背景长时间的变更以及不同时刻、不同光照下的背景图像。图3为在晴天条件下,通过Kalman滤波对新进行的人体进行定位与跟踪的实验结果。
图4为在阴天条件下的跟踪结果。
本文在固定背景的基础上做了运动人体的检测与跟踪。通过实验可以看出,本文提到的基于双高斯模型的背景更新算法,对自然条件下光线的改变有较好的处理。再将之与Kalman滤波器相结合,成功地更新背景、跟踪运动人体,证实了该种方法的有效性,得到的结果也具有一定的实际应用价值。
对于实地场景的应用,还需要做以下工作:
(1)对人体边缘进行更加细致的检测,并提供对阴影的摘除。
(2)加强颜色块区的整体运动检测,有助于解决对同一运动人体,因衣服颜色分块而无法识别为统一跟踪部分的问题,使得算法更具有实用性。
摘要：智能监控系统的广阔应用前景使得它成为计算机视觉领域中备受关注的前沿方向。从背景的更新和运动目标的跟踪两部分入手,详细介绍一种以双高斯背景模型对背景进行更新,并用卡尔曼滤波器进行人体跟踪的算法。在实际的自然光照环境中成功地进行实验,取得了较好的结果。
关键词：视频监控,运动检测,运动跟踪,背景自适应,Kalman滤波
参考文献
[1]于海滨.基于头部特征提取的人体检测与跟踪及其应用[D].浙江,浙江大学,2007.
[2]查成东,王长松,巩宪锋,等.基于自适应背景模型的运动目标检测[J].光电工程,2008,35(1):26-30.
[3]Bo Wu,Xuefeng Song,Vivek Kumar Singh,et al.Evaluation of USC Human Tracking System for Surveillance Videos[D].USA,University of Southern California,2006.
[4]Park D K,Yoon H S,Won C S.Fast object tracking in digital video.IEEE Trans Consum Electron,2000,46(3):785.
[5]刘瑞祯,于仕琪.OpenCV教程[M].北京航空航天大学出版社,2007.
[6]章毓晋编著.图像分割[M].北京:科学出版社,2001.
[7]赵荣椿编著.数字图像处理导论[M].西安:西北工业大学出版社,2000.
[8]陈坚.单目视频人体运动跟踪和获取技术研究[D].中国科学院研究生院,2005.
运动人体检测论文 篇2
一、教学目标：
①知识与技能目标：通过本课学习，使学生了解骨骼、关节、骨骼各肌的构造和
功能；掌握青少年骨骼、关节、肌肉的发育特点。
②过程与方法目标：通过本课学习，让学生想出一种发展身体某一肌肉群的方法。能力目标增加了一定难度，但是大多学生可以通过努力实现这一目标，并体验到成功。这种积极的体验，有助于增强学生的自信心，可以提高学生的动机水平。
③情感态度与价值观目标：充分调动学生的学习情绪。提高学生学习的主动性。教学重点、难点：
①重点：骨骼、关节的基本构造和功能；
②难点：骨骼、关节、肌肉如何相互协调完成运动过程。
三、课程资源：教具资源：人体骨骼模型。
四、教学模式：采用探究式教学模式
五、教学过程：
（一）、先了解学生预习的情况，提问：人体的运动系统主要包括那几个部分？最后在黑板上写出运动系统的分支图：人体运动系统——骨骼、关节、肌肉。
（四）、介绍骨骼
1、展示人体骨骼的正面图。
骨骼: 正常成年人的骨骼数为206块,可以分为附肢骨骼和中轴骨骼两部分,其中附肢骨骼包括上肢骨和下肢骨，中轴骨包括椎骨、胸廓骨和颅骨。（主要人学生能了解什么是中轴骨什么是附肢骨）
2、概念传授：骨骼按形态可分为长骨、短骨、扁骨和不规则骨。
分别向学生展示四种骨头的形状，介绍各种骨头的特点与特定的作用： 长骨：由股骨所代表的那种长大的骨，主要存在于四肢，呈长管状。
短骨：为形状各异的短柱状或立方形骨块，多成群分布于手腕、足的后半部和脊柱等处。短骨能承受较大的压力，常具有多个关节面与相邻的骨形成微动关节，并常辅以坚韧的韧带，构成适于支撑的弹性结构。
扁骨：呈板状，主要构成颅腔和胸腔的壁，以保护内部的脏器，扁骨还为肌肉附着提供宽阔的骨面，如肢带骨的肩胛骨和髋骨。
不规则骨：形状不规则且功能多样，有些骨内还生有含气的腔洞，叫做含气骨，如构成鼻旁窦的上颌骨和蝶骨等。
（五）、介绍关节
1、试一试：膝盖不弯曲跑步，手指不弯曲写字。从中体会关节的重要性。
2、关节的基本分类：球窝关节、滑车关节与微动关节。
依次展示三种关节先介绍球窝关节：让学生理解球窝关节的特殊型：可以向各个方向转动或旋转。
思考:为什么球窝关节可以向各个方向转动或旋转? 关节头呈圆形,关节窝为项应的凹面.圆球体的接口为关节的旋转提供了良好的形态基础。再滑车关节：只能向前或后转动，让学生自己找找身体上哪些是球窝关节哪些是滑车关节？球窝关节与滑车关节的明显区别在哪里？ 最后讲微动关节的特点：只允许平面间或往返的运动。
思考：是不是微动关节活动的范围小就表示此关节不如前面两种关节？它有什么特定的作用？
（六）、介绍肌肉：
1、依次展示三种肌肉，依次介绍三种肌肉。
骨骼肌通过收缩，牵拉骨绕关节运动轴转动，因而是运动系统中的动力源。
骨骼肌是体内最多的组织，约占体重的40%。在骨和关节的配合下，通过骨骼肌的收缩和舒张，完成人和高等动物的各种躯体运动。大多数骨骼肌借肌健附着在骨骼上。分布于躯干和四肢的每块肌肉均由许多平行排列的骨骼肌纤维组成，它们的周围包裹着结缔组织。
（以上内容不需讲得太细，但重点是要让学生知道骨骼肌对人体运动的重要性）再讲平滑肌：广泛分布于血管壁和许多内脏器官，又称内脏肌。主要功能：通过收缩和舒张来推动食物通过消化道。平滑肌纤维呈长梭形，无横纹。广泛分布于血管壁和许多内脏器官,又称内脏肌。主要分布于血管、气管、胃、肠等壁内。最后介绍心肌：心肌是组成心脏的一种特殊的肌肉，它一天24小时都在收缩和舒张，推动血液流遍全身。
算一算：如果一个人心脏每分钟跳60次，那么：每个小时跳：3600次。一昼夜夜跳：86400次。每年跳：31536000次。如果这个人的寿命是80年，那么他的心一共跳了：2522880000次
（通过运算，体会心肌的重要性，知道体育锻炼能提高心肌功能，从某种意义上来说就是延缓了一个人的寿命。）
（七）、总结：
骨骼 : 赋予了人体基本形态，并起着保护、支持和运动的作用。
关节: 人体的骨骼主要以关节的形式连接在一起，每一个关节都有其特定的作用。
肌肉 : 大部分的运动都是由骨骼肌的收缩得以实现，同时肌肉还起到了保护骨骼、关节及其他器官的功能。
（八）、思考：骨骼、关节和肌肉在运动中的关系？
如射门动作，首先是以大腿的股骨以髋关节为轴转动，同时带动小腿转动，当转动到一定的程度时髋关节运动幅度达到了极限，就由股四头肌带动小腿的胫骨和腓骨以膝关节为轴转动，带动脚去踢球。（自己也可以一边示范一边讲解。）
（九）、体育运动对运动系统的促进作用
首先是体育运动对骨的影响：
1、促进骨骼的生长发育，经常进行体育活动，能促进血液循环加快，改善骨的营养供给及新陈代谢加强，从而促进骨的生长发育。
2、改善骨的结构与功能：研究发现：举重运动员的肱骨骨体横径较粗，骨体外侧壁明显增厚。跳跃运动员下肢骨明显增粗、骨壁明显增厚。
以举哑铃为实例，让学生思考，增加了最大收缩力与张力对运动效果的影响。（能够举起更重的哑铃，能够举更多的次数。）
运动人体检测论文 篇3
为保证安全生产, 目前煤矿企业大多配备了数字视频监控系统[1], 实现了对各工作场所的实时监测及视频资料的备份, 但是仍需要人工监视。受生理因素的影响, 监视人员很容易因为疲劳而导致失误。如果能根据视频自动检测行人, 遇到异常自动实现报警联动控制, 对煤矿安全生产具有重要意义。本文引入智能视频监控[2]的思想, 提出了一种选煤厂运动人体目标检测方法, 利用计算机对监控视频进行分析处理, 并根据分析结果作出相应决策。
智能视频监控中常见的运动目标检测方法主要有背景减除法[3]、帧间差分法[4]以及光流法[5] 三种。由于选煤厂摄像机固定, 背景除光线外其它因素变化不大, 人员工作时运动速度缓慢, 有时甚至会长时间呆在一个地方不动, 另外, 由于要保障生产安全, 要求人体检测具有实时性, 因此, 本文选择背景减除法作为运动目标检测及分割方法。为了提高检测的鲁棒性, 采用混合高斯模型对背景图像进行建模, 并实时更新背景图像。该方法降低了光线等干扰因素的影响, 提高了检测的准确度。
1基于混合高斯模型的背景建模
1.1 混合高斯模型原理
在运动目标检测中, 采用高斯模型对视频图像帧进行时序建模, 高斯模型用高斯概率密度函数 (正态分布曲线) 来模拟事物。早期研究人员采用单高斯模型, 但是后来发现单高斯模型只对单模态场景有较好的建模效果。在日常生活中经常出现光照变化、树枝摇摆等多模态场景, 对于这种场景, 采用单高斯模型无法很好地建模, 于是Chris Stauffer等人提出混合高斯模型[6], 采用多个混合高斯分布来解决多模态背景的建模问题。该方法假设视频图像的每个像素在时间序列中的统计特性符合混合高斯分布, 则t时刻像素Xt的概率分布为
undefined
式中:K表示高斯分布的数量, 一般取3～5;ωi, t表示第i个高斯分布在t时刻的权重, undefined;η表示一个n维的联合高斯概率分布;μi, t表示第i个高斯分布在t时刻的均值;Σi, t为单高斯模型ηi在t时刻的密度函数的协方差矩阵。
η计算公式为
undefined
如果图像是RGB三通道的, 则Σi, t表示R、G、B三个通道间的协方差矩阵。
undefined
式中:σi, t表示第i个高斯分布的方差;I为单位矩阵。
至此, 通过式 (1) ～ (3) 建立了混合高斯模型, 在具体实现过程中, 只需对均值μ、方差σ和权重ω进行计算、更新, 即可实现混合高斯模型的背景建模。
1.2 背景建模过程
首先给参数赋初值, 初值的设置对最终模型并没有多少影响, 但为了快速建立模型, 要设置较小的初始均值和尽可能大的方差。当出现新的一帧Xt (t=t+1) 时, 先将多个高斯分布按ω/σ降序排列, 目的是将最可能匹配的高斯模型排在前面。若按顺序排列的每个高斯模型都不满足条件:|Xt-μk, t|≤2.5σk, t, 则认为该像素为前景点。此时丢弃ω/σ最小的高斯分布, 同时以Xt为均值建立新的高斯分布, 新的高斯分布应设置很小的权重和很大的初始方差。如果对每个高斯模型, 有|Xt-μk, t|≤2.5σk, t成立, 则停止对后续高斯分布的匹配。假设当前匹配的高斯模型为第b个, 如果b>B, 则认为Xt为前景点, 否则Xt为背景点, B定义如下:
undefined
式中:T是一个预先设定的阈值, T越大, 则被判定为背景点的像素越多。
前景检测完毕后, 还需更新背景模型参数, 这是该算法的关键。高斯分布权值更新公式为
undefined
式中:α为学习率, 它反映了分布过程中各参数变化的速度;对于匹配的高斯分布, Mk, t=1, 对于不匹配的高斯分布, Mk, t=0。
当每个高斯模型都不满足|Xt-μk, t|≤2.5σk, t时, 需要对ωk, t进行权值归一化处理。
最后对匹配成功的第b个高斯分布更新均值和方差, 更新公式如下:
μt= (1-ρ) μt-1+ρXt (6)
σundefined= (1-ρ) σundefined+ρ (Xt-μt) T (Xt-μt) (7)
式中:ρ=αη (Xt|μk, σk) 。
从式 (5) ～ (7) 可以看出, 在背景模型更新过程中, 权值不断变大, 方差不断变小, 如果出现Xt不属于任何高斯分布的情况, 则丢弃权值最小的高斯分布, 然后以Xt为均值重新建立新的高斯模型, 从而保证了混合高斯背景模型的准确性。
2运动人体目标检测与分割流程
选煤厂中运动目标主要有人、车辆和一些高速运转的机器, 本文主要针对选煤厂非拥挤环境下的直立人体。考虑到环境相对简单, 机器及车辆的形状和人体形状相差很大, 因此可以基于形状信息将运动物体中的人体目标分割出来。
首先通过混合高斯模型建立背景模型, 采用背景减除法检测出运动目标, 并提取目标外轮廓;然后检测目标区域的高度最大值和宽度最大值, 获得目标的最大外接矩形框 (框内区域作为目标区域) 。为进一步消除干扰, 需计算所得到的检测目标区域面积, 并将面积小于某一阈值的区域当作噪声消去。如果目标矩形框的高度和宽度比大于某一阈值, 且连续几帧中该运动目标矩形框的高宽比也超过该阈值, 则将目标归类为人体, 根据经验及本文应用环境, 设该阈值为1.4[7]。
在进行具体的运动人体目标分割时, 应对每帧图像进行预处理, 去除常见的高斯噪声, 平滑图像。同时还需要对分割后的前景图像进行形态学滤波, 以消除干扰, 增加分割区域的连通性[8]。运动人体目标分割流程如图1所示。
3实验结果与分析
选取某选煤厂视频监控中心的视频图像, 帧图像大小为352×288像素, 帧速率为25帧/s。首先对视频背景图像进行预处理, 效果如图2所示。
然后对每帧视频图像进行运动分割、形态学滤波、轮廓分割和人体分割, 实验效果如图3所示。对原始视频帧图像进行基于混合高斯模型的背景建模, 得到前景图像, 如图3 (a) 所示;然后对前景图像进行两次腐蚀和两次膨胀的形态学滤波, 并对图像运动目标进行轮廓分割, 得到图3 (b) ;最后根据形状特征分割出运动人体, 如图3 (c) 所示, 其中人体目标和非人体目标可用不同颜色标记。
从实验结果可以看出, 运动人体目标分割系统能较准确地分割出运动人体, 并且满足实时性要求, 但是其无法分割遮挡或连接在一起的运动人体目标, 如图3中拖拉机上的司机。
4结语
首先分析了常用的运动检测方法, 并结合选煤厂环境, 选用基于混合高斯模型的背景减除法实现了对运动目标的检测。由于实际检测出来的目标中包含各种噪声, 需进行基本的图像去噪处理, 而处理后的图像区域仍然可能包含部分非运动人体目标, 这时需结合人体固有的形状信息对各目标进行验证, 从而实现对运动人体的准确检测。另外, 对于非常复杂的场景, 混合高斯模型不能很好地对其进行描述, 这需要进行进一步的研究;人体的本质特征信息的提取也需进行进一步研究, 以提高运动人体的检测率。
参考文献
[1]高宇, 周国宾, 朱延涛.选煤厂工业电视系统的数字化应用[J].工矿自动化, 2010 (5) :114-116.
[2]王素玉, 沈兰荪.智能视觉监控技术研究进展[J].中国图象图形学报, 2007, 12 (9) :1505-1514.
[3]POWER P W, SCHOONEES J A.Understanding Background Mixture Models for Foreground Segmentation[J].I mage and Vision Computing, 2002 (11) :267-271.
[4]朱明旱, 罗大庸.基于帧间差分背景模型的运动物体检测与跟踪[J].计算机测量与控制, 2006, 14 (8) :1004-1006, 1009.
[5]SI MON D, VINOD C, SRIDHA S.An Adaptive Optical Flow Technique for Person Tracking Systems[J].Pattern Recognition Letters, 2007, 28 (10) :1232-1239.
[6]STAUFFER C, GRI MSON W E L.Adaptive Background Mixture Models for Real-time Tracking[C]//IEEE Computer Society Conference on Computer Vision and Pattern Recognition, 1999, Colorado.
[7]孔英会, 张新新, 王蕴珠.智能视频监控系统中物体遗留检测方法的研究[J].计算机工程与科学, 2010 (6) :118-121.
智能人体心率检测装置的设计 篇4
心率是人体中一个非常重要的生命信息,而传统的脉诊由于其定性化和主观性影响了心率测试的精度,成为中医脉诊应用、发展和交流中的制约因素。为了提高对此类生物医学信号的测试精度,必须结合现代科学技术。目前用于检测心率的仪器很多,常见的有基于压力传感器、光电传感器、电容传感器和电声传感器等类型的测试装置[1],但是对脉搏测试部位的选择没有太大区别,对于能在指端进行脉搏精确测量的仪器还是比较少。这里介绍的智能人体心率检测装置可以实现人体指端的无创测量,测试过程简单,能精确测量出心跳次数,实现数据显示和上、下限报警功能。
1 装置组成及工作原理
系统组成如图1所示。此设计以单片机AT89C2051为核心,由光电传感器采集脉搏信号,经过前置放大电路、滤波电路、积分和比较电路后得到与脉搏相关的脉冲信号,该脉冲信号作为中断信号交由单片机进行脉冲周期的计算。然后得出每分钟的脉搏搏动次数(即心率),并在数码管上显示心率,同时利用软件实现上下限报警功能,在测量数据超过正常范围(如大于180次/min或小于45次/min)时进行报警以提醒医生注意。
2 装置硬件电路设计
2.1 传感器及信号处理电路
由于在人体指尖组织中的动脉成分含量高,而且指尖厚度相对其他人体组织而言比较薄,透过手指后检测到的光强相对较大,因此光电式脉搏传感器的测量部位在人体指尖。将一对红外发射与接收探头置于手指两侧,当动脉血管随心脏周期性的收缩和舒张,动脉血管的血液容积随之发生变化时,红外接收探头便接收到随心脏周期性地收缩和舒张的动脉搏动光脉冲信号,从而采集到心脏搏动信号。
检测心率的传感器采用红外对管HR1068C-O5Y2和 PT331C[2]。由于从人体手指采集到的生理信号十分微弱,其幅度一般在微伏到毫伏的数量级范围,而且在测试过程中由于肢体动作以及较强的工频干扰而产生大量的噪声[3]。同时要将采集到的脉搏信号经过前置级放大电路进行高倍放大[4,5],这就要求电路具有高增益和高共模抑制比,至少在80 dB以上,即集成运放要有很高的共模抑制比和极低的零漂[6]等,所选的电阻参数要尽量精确。放大电路由电阻网络和OP07组成,传感器及前置放大电路如图2所示。
由于内外噪声及50 Hz工频干扰等因素,即使电路具有很高的共模抑制比,但是脉搏信号非常微弱,淹没在干扰信号中,由于脉搏信号主峰频率在1 Hz左右,能量较强的分量也在20 Hz以下,所以设计低通滤波器的上限截止频率为40 Hz[7]。对于工频干扰,采用对称性双T阻容有源陷波器对其专门滤除。再通过积分、比较电路整形之后便可以得到单片机所需要的标准的0~5 V脉冲信号。滤波、陷波电路及积分比较电路如图3所示。
2.2 单片机控制及显示电路
单片机控制及显示电路如图4所示。采用动态显示方式,利用单片机的P1口的P1.0~P1.6作为数码管七段码的输入[8]。利用P3.0,P3.1,P3.2,P3.3作为4只数码管的选中信号(见图4)。从光电传感器输出的心率脉冲作为中断信号直接接到单片机89C2051的9脚(即T1端)。由T0定时,T1计数。P1.7输出心率的上、下限报警信号,经二极管驱动报警器报警。当心率低于下限45次/min时报警发出长音报警。当心率高于上限180次/min时报警器发出短音报警。
3 软件设计
系统软件流程图如图5所示。将要显示心率数千位、百位、十位、个位数分别存放在89C2051单片机内部的41H,42H,43H,44H单元内。采用动态扫描,每隔5 ms分别轮流显示千位、百位、十位、个位。当单片机的第9脚有一上升沿时,T1脚计数1次,T0定时50 ms,循环定时1 200次,T1计数即为心率次数。然后返回主程序继续执行显示程序[9]。
4 电路调试及噪声分析
电路调试主要是对输入的脉搏信号进行滤波和放大,调试的效果直接关系到数据采集的精确度。通过测试可以得知,脉搏信号中存在严重的噪声干扰,前置级放大电路的设计至关重要。使用宁波中策电子有限公司的DF1405数字合成信号发生器来模拟脉搏信号,信号频率较高,信号处理电路对于高频信号(106 Hz左右)有很好的衰减作用,当信号频率适中的时候,信号可以按照设计的需要进行放大。50 Hz陷波器对工频干扰起到了很好的抑制作用。通过积分、比较电路对脉搏信号整形可以得到单片机需要的脉冲信号。通过整机调试,系统达到了预期的设计要求。
在测量过程中,传感器采集到的脉搏信号十分微弱,容易受到外界环境干扰,因此需要对脉搏传感器的干扰噪声进行分析[10]。光电式脉搏传感器的主要有测量环境光干扰、电磁干扰、测量过程运动噪声干扰。为了减少环境光对脉搏信号测量的影响,同时考虑到传感器使用的方便性,采用密封的指套式的包装方式[11],整个外壳采用不透光的介质和颜色,尽量减小外界环境光的影响。通过光电转换得到的包含脉搏信息的电信号一般比较微弱,容易受到外界电磁信号的干扰,因此对硬件电路进行适当的屏蔽处理。脉搏信号变化缓慢,特别容易受到工频信号的干扰,利用陷波器有效地解决了这一问题。在测量过程当中,让指套和手指更紧的接触减少了他们之间的相对运动,降低了运动噪声。
5 结 语
心率检测中的关键技术在于传感器的制作和微弱脉搏信号的放大问题。通过实际的设计制作,结果证实了该设计的合理性和可行性,说明用科学设计的透射式传感器可实现手指脉搏的无损检测。但是在小信号放大技术方面有待于进一步研究。同其他心率检测仪相比较,该装置的体积小,重量轻,成本低,使用方便,测量准确等,具有很好的应用前景。
摘要：介绍一种以AT89C2051为控制核心的智能人体心率检测装置的设计方法。利用光电传感器采集人体脉搏信号,经过前置级放大、滤波、积分比较等信号处理电路,将其转换成脉冲电压信号,再利用单片机对脉冲信号进行处理计算出心率并显示。由于传感器信号十分微弱,其幅度一般在微伏到毫伏的数量级范围,且夹杂着各种噪声和干扰,因此要求前置级放大电路具有高增益、高共模抑制比等技术指标。实验结果表明,系统硬件、软件设计方案合理,实现了微小信号放大、显示及报警功能。具有测量灵敏度高、实时性好、性价比高等优点。
关键词：心率,光电转换,前置级放大,噪声分析
参考文献
[1]刘文,唐辉,商洪涛.光电脉搏传感器在脉搏采集中的研究[J].中国医学装备,2005(9):22-23.
[2]何道清.传感器与传感器技术[M].北京:科学出版社,2004.
[3]高晋占.微弱信号检测[M].北京:清华大学出版社,2004.
[4]楼刚,李伟,邓学博.小信号放大设计电路[J].浙江理工大学学报,2007(11):661-664.
[5]侯俊钦,吴小培,杨一军.微伏信号放大系统设计[J].计算机技术与发展,2007(10):198-201.
[6]佚名.智能传感器中仪表放大器的应用[J].电子元器件应用,2006(6):45-47.
[7]康华光.电子技术基础:模拟部分[M].北京:高等教育出版社,2000.
[8]沈翠风.光电式智能心率检测仪[J].盐城工学院学报,2002(6):66-67.
[9]晁阳.单片机MCS-51原理及应用开发教程[M].北京:清华大学出版社,2007.
[10]戴君伟,王博亮.光电脉搏传感器的研制与噪声分析[J].传感器技术,2006(6):67-69.
一种基于图像的人体检测方法 篇5
1 绿坝使用技术分析
根据软件开发商郑州金惠计算机系统工程有限公司提出的专利, 申请号为200510048576.6的《在互联网上堵截色情图像与不良信息的系统》、申请号为200510048577.0的《基于内容的网络色情图像和不良图像检测系统》、申请号为200510048578.5的《网络色情图像和不良信息检测多功能管理系统》, 绿坝可能的模块有, 标准色情图像特征库, 图标检测、皮肤颜色检测、姿态检测三个子系统。肤色模块“分析图像的颜色组成, 通过颜色空间的试验比较建立肤色模型, 通过检测网络图像肤色暴露程度, 分理出可疑图像”;姿态模块“建立色情标准图像特征库, 作为判决是否为色情图像的匹配相似性的依据, 通过对网络上可以图像进行小波边缘检测, 得到一个边缘图像, 经形态学滤波腐蚀处理然后转换为灰度图像, 通过对皮肤区域图像的形状描述和姿态分析, 定义匹配相似度, 对当前图像与标准色情图像特征库中的图像进行匹配相似判断处理”, 图标检测模块的筛选依据为网站广告的大小, 即窄条形状和尺寸很小的图像。
2 绿坝的人脸识别
“绿坝”使用了OpenCV的haar分类器进行人脸检测。OpenCV“是Intel公司支持的开源计算机视觉库。它轻量级而且高效, 由一系列C函数和少量C++类构成, 实现了图像处理和计算机视觉方面的很多通用算法。”
3 绿坝的实际效果及分析
《南方周末》 (2009.6.11) 对软件的效果的测试, “对大面积的黄色区域的图片敏感, 对大块黄色块的图片也会有误判”, 说明软件的肤色提取模块算法过于简单, 应该添加一个人体轮廓检测模块加以识别。
“黑色、红色肤色的裸体图像, 程序未能识别”, 表明的问题是, 可能在图像的人体轮廓提取方面存在问题未能检出人体, 或者肤色检测中的参数缺少黑色、红色肤色的相关参数。
“部分包含“加菲猫”图片的网页被判断为不良网站, 被程序过滤”, 正常人类肤色不会是单纯的颜色, 经过PS的图像, 比如婚纱照、艺术照等, 虽然颜色相对单纯, 但相对目前的卡通图像, 其色彩仍要复杂的多。在此可以加上颜色数目检测模块, 用来判断是卡通图像还是自然图像。
4 绿坝的算法分析
软件通过“颜色检测子系统, 首先将网络图像的像素转换为H S V颜色空间并量化, 划分成L个颜色子空间, 然后通过统计分析确定样本皮肤像素的总数skin_count以及样本皮肤像色在这L个子空间中的频次sub_count_i, 以归一化的频次作为皮肤像色分布于该子空间的可能性vi=sub_count_i/skin_count…”然后根据皮肤占比, 断定是否为人体裸图;如果不确定则送到人脸检测程序检测是否为人脸, 如果不是人脸就认为是裸图。
对于带有纹身、装饰的人体图像, 有缺陷。在此应该添加一个去除纹身的模块, 方法是, 检测纹身边缘, 使用图像他处的正常肤色覆盖纹身区域, 将这样处理过的图像送到程序进行检测。此外, 发现肤色占比很高也不能因此断定是色情图, 比如气温很高的时候人们的衣着。
5 常用的人体识别技术及作用
现在常用的生物识别技术, 利用人类特有的生理特征 (如指纹、人脸、虹膜、视网膜等) 或行为特征 (如签名、声音、步态等) 进行身份识别的技术, 提供了一种高可靠性、高稳定性的身份鉴别途径, 其中最重要的是人脸。与其他人体生物特征 (指纹、掌纹、虹膜、声音、笔迹) 相比, 它不仅具有很强的自身稳定性和个体差异性, 而且直接、友好, 更符合人类的视觉习惯。这些优点使得人脸识别技术在身份识别、自动监控、人机交互等众多领域有着很大的发展潜力。
6 一种人体识别方法
可以采用人脸识别程序作为不健康图像识别的第一步。
首先进行基于数学形态学的图像边缘检测、图像分割, 方法有基于直方图分割、基于形态学区域增长的图像分割和基于边缘信息的分开合并图像分割等, 得到几个不同的图像区域, 然后采用“绿坝”制造商的肤色检测技术, 使用不同人种的肤色参数进行检测, 分辨图像是自然图像还是动画图片。对自然图像分为带人脸的和不带人脸两种。可以对图像的几何形状特征进行提取及测量, 提取区域面积、边界周长、偏心率、形状参数、圆形性、球状性等直观易测的特征。采用判别分析方法对这些特征进行筛选得到具有判别意义的特征, 分辨出人体;对无人脸图像则直接进行人体的分辨;动画图像的处理方法类似, 只是更容易一些。
形态检测对于识别人物的动作具有重要作用。使用形态检测, 结合前述的人体检测结果能够显示人物的行为动作。依据动作判断是否为不健康图片显得更加可靠。
7 特定人物的检测
一种较为复杂的设想, 对普通人体与特定人物的人脸拼接过的图像的检测, 可以采用人体生物特征数据库的特征数据来进行人脸识别, 能够直接确定图片是否为特定人物。这需要对图片进行扫描以提取人体特征图像, 然后进行量化, 对提取的特征图像进行处理, 最终生成特征模版与数据库中的相关数据进行比较, 达到一定的相似度就可以判断为特定人物。
8 结语
声音、语言、行为特征对情感识别都很重要, 但离不开人脸特征及表情。为了做到人与机器人的无障碍交流, 需要做的工作还很多。相关领域的研究使得机器情感越来越接近人类的生活。
参考文献
[1]冈萨雷斯.数字图像处理[M].电子工业出版社.
[2]吴作好, 曾洁, 邹娟, 等.几种人体生物特征的生物识别技术比较[J].现代电子技术, 2007, 14:121～124.
[3]吴薇, 刘军, 李旭霞.图像分割中的阈值选取方法[J].西安工业学院学报, 2002, 4:309～313.
[4]雷艳敏, 黄秋元.基于数学形态学的图像边缘检测[J].西安理工大学学报 (信息与管理工程版) , 2005, 5:25～27.
红外图像中人体目标检测技术研究 篇6
由于红外图像对比度低、边缘模糊、信噪比低、噪声大和人体目标非刚体等特性,使得对红外图像进行人体目标检测难度较大。目前常用的运动目标检测方法背景减除法[1]、帧差法[2]、光流法[3]等,在摄像机不固定的情况下,基于背景的目标检测方法将变得十分困难,因此采用单帧图像分割的方法显得更加可行。
本文采用的红外序列图像中人体目标检测的方法是:采用FAST(Features from Accelerated Segment Test)[4]算法,在单帧图像中进行特征点提取;基于检测出的特征点,利用基于局部二值模型纹理特征(Local Binary Pattern, LBP)核函数的算法提取图像的局部特性,得到人体可能存在的感兴趣区域;利用双密度双树小波变换和小波熵提取训练样本的特征信息,并采用模式识别方式对提取出的感兴趣区域(Regions of Internet,ROI)进行分类检测,得到人体目标所在区域。
1 基于特征点的人体目标区域初定位
由于传统的基于视频的目标检测方法,在摄像机不固定的条件下,运算量过大且鲁棒性较差,因此在此基于单帧图像进行人体目标检测。本文采用先提取红外图像中的特征点,然后在特征点的邻域内搜寻人体目标的方法进行人体目标区域提取,如图1所示。
1.1 基于FAST算法的特征点提取
FAST算法是一种运算简单的特征点检测方法,首先通过Segment-Test算法来定义特征点:如果图像中以某一个像素点p为中心,r为半径的一个Bresenham圆上,超过N个连续像素的亮度均超过像素p某一阈值,或者低于像素p某一阈值,则该像素p处存在一个特征角点。在应用时,为了减少所提取的特征点的数量,将相邻的特征点进行合并,如图2所示。
1.2 基于CS-LBP算法的区域特性提取
LBP算法[5,6]首先是作为一种纹理操作的算子提出来的,并且在很多计算机视觉领域得到了很成功的应用。
LBP算法根据每个像素与其邻域像素的相对差值来描述该像素的特性,因此对由光线条件变化导致的像素值变化有很强的鲁棒性。如果邻域像素的亮度值大于或等于中心像素的亮度值,则该邻域像素对应的属性取值为1,否则取值为0。CS-LBP算法[7]是比较圆周上每对中心对称的像素之间的亮度值,因此在CS-LBP中,需要做的比较次数相对LBP算法降低了1/2。图像中位于(x,y)位置的像素CS-LBP值可根据其邻域信息计算如式(1)所示:
式中:T为一个很小的阈值。根据式(1),CS-LBPR,N,T具有2N/2个可能取值,因此整个图像区域上的CS-LBPR,N,T值的统计直方图特征维数为2N/2。在特征角点检测出来以后,需要在其周围确定一个图像区域,以根据该区域上的信息计算出用于描述该区域局部视觉特征向量。根据CS-LBP算法的原理,以该特征点为中心,以1为半径,比较其8邻域像素的灰度值,可计算出其LBP直方图,根据直方图特性可以提取出特征角点周围的特征区域,即所提取出的待选感兴趣区域(ROI)。
图3、图4分别展示了所计算出的LBP直方图和提取出的ROI区域。
2 候选ROI分类检测
本文基于离散小波变换(DWT)和小波熵对训练样本进行分类特征提取。在此基础上,为了更加准确地从所有选定的感兴趣区域中提取出人体目标,同时利用Boosting[8]、支持向量机(SVM)[9]的模式识别方法组成复合分类器,进行候选ROI区域分类筛选。本文主要训练了人体、车辆、其他(包括房屋、树木等非人体、车辆目标)等三类样本。
双密度双树离散小波变换(Double-density Dual-tree DWT)[10],综合了双密度小波和双树小波的优点,具有平移不变性和抗混叠特性、基2冗余且尺度不变、近似连续小波变换和具有良好的方向特性。双密度双树离散小波变换(DD-DT DWT),具有两个不同的尺度函数φh(t),φg(t)和四个不同的小波函数ψh,i(t),ψg,i(t),(i=1,2),其中ψh,1(t)和ψg,1分别是由ψh,2(t)和ψg,2偏移0.5构成,即:
式中:ψh,1,ψg,1和ψh,2,ψg,2分别为近似希尔伯特变换对,即:
图像经过双密度双树离散小波变换后生成4个低频子带和32个高频子带。小波系数能够反映16个频带上的细节信息,图像的小波熵能够反映图像小波变换频率空间的能量分布信息,将双密度双树离散小波变换与小波熵结合起来具有更大的表征能力。
定义单一尺度j下的小波能量Ej为该尺度下小波系数Cj(k)的平方和:
信号总能量为:
相对小波能量为:
如果把小波系数矩阵看作一个概率分布序列,则由此序列计算得到的熵反映了该系数矩阵的稀疏程度,即概率分布的有序程度,成为小波熵,根据香农熵的原理,小波熵定义为:
本文所采用的机器学习样本主要来自于OTCBVS Benchmark Dataset数据库和自己拍摄得到的红外图像,图5所示为部分机器学习样本。由于程序编程需要,所有样本宽度都是4的倍数,高度无此限制。正样本都是在人体轮廓的基础上外扩至少2个像素,负样本由自编程序在已有图像序列和视频中随机生成。最终获得人体正样本382个,车辆正样本288个,非人体非车辆负样本755个。
3 实验结果与分析
为了检验本文提出的方法性能,进行了实地实验,实验分别在下午温度比较高的时候和晚上温度比较低的时候进行,试验场景分别选择了背景相对简单的野外空地和背景相对复杂的城市道路场景。所有序列图像均由固定摄像机拍摄,图像大小均为384×288。红外序列图像中运动人体目标检测结果如图6所示。
根据实验结果,本算法在背景相对简单的环境下有很高的识别率和很低的虚惊率,可以正确识别红外序列图像中的人体目标,但算法同样存在着缺陷,由图6(c)可见,在背景相对复杂的环境下,温度较低时第81帧图像到第90帧图像中存在着漏检的情况,而在之后的图像序列中,检测率较高。
4 结 语
针对红外图像的特点,本文采用了基于FAST-LBP的红外人体目标检测方法,并采用了基于离散小波变换的小波熵进行分类特征提取,使得对候选区域的特征提取更加精确。使用Boosting和SVM组成的复合分类器进行目标区域分类,确保了目标检测的鲁棒性。经试验验证,本文提出的方法具有一定的可靠性,但在温度较低、背景复杂的情况下,检测效果相对其他情况下要稍差,检测率要低于其他情况,虚警率要高于其他情况。这个问题可以通过增加分类器的各类目标学习样本来解决。本文所采用的方法,对目标检测有很好的鲁棒性,不会随着图像中目标数量的增加而影响系统运行速度,同时多个目标之间交叉遮挡时也能达到很好的检测效果。
参考文献
[1]MITAL A,PARAGIOS N.Motion-based background sub-traction using adaptive kernel density estimation[C]//Pro-ceedings of IEEE Computer Society Conference on Computer Vision and Pattern Recognition.[S.l.]:IEEE,2004,2:302-309.
[2]MOSCHENI F,BHATTACHAREE S,KUNT M.Spatial temporal segmentation based on region merging[J].IEEE Transaction on Pattern Analysis and Machine Intelligence,1998,20(9):897-915.
[3]BARRON J,FLEET D,BEAUCHEMIN S.Performance of optical flow techniques[J].International Journal of Com-puter Vision,1994,12(1):42-77.
[4]ROSTEN E,DRUMMOND T.Machine learning for high-speed corner detection[C]//2006European Conference on Computer Vision.[S.l.]:ECCV,2006:430-443.
[5]Anon.LBP Website[EB/OL].[2011-12-20].http://www.ee.oulu.fi/mvg/page/lbp_bibliography.
[6]LU Hui-min,ZHANG Hui,ZHENG Zhi-qiang.A real-time local visual feature for omnidirectional vision based on FAST and CS-LBP[C]//Proceedings of The10th Workshop on Omnidirectional Vision,Camera Networks,and Non-classi-cal Cameras.Zaragoza,Spain:[s.n.],2010:111-121.
[7]HEIKKIL¨A M,PIETIK¨AINEN M,SCHMID C.Descrip-tion of interest regions with local binary patterns[J].Pat-tern Recognition,2009,42(3):425-436.
[8]FREUND Y,SCHAPIRE R E.Experiments with a newing boosting algorithm[J].Proceeding of the Thirteenth Inter-national Confrrence.Morgan Kauman,San Francisco.[S.l.]:[s.n.],1996,148-156.
[9]李伟红,基于支持向量机的人脸特征选择及识别研究[D].重庆:重庆大学,2006.
[10]SELESNICK I W.The double-density dual-tree DWT[J].IEEE Transactions on Signal Processing,2004,52(5):1304-1314.
运动人体检测论文 篇7
2012年8月7日,成都发生了一起暴走引发的猝死事件。根据媒体的相关描述,年仅的40岁的“IT”工作者在参加大型暴走活动中不幸发生猝死,家人发现时已经不幸身亡。经医院鉴定很可能是死于运动猝死,由器质性心脏病引发猝死[1]。
2014年6月6日,徐州云龙湖暴走族中发生了一起悲剧。据媒体报道,一名身穿牛仔裤的50多岁中年男子在暴走的过程中突然倒地不省人事,后经抢救无效死亡。经医院检查发现,是因为剧烈运动诱发了心肌梗塞。
徐州市体育科学研究所所长李越指出,暴走的学名是“健步走”,是极佳的有氧运动方式,但参与者要根据自身的身体状况来确定运动强度,同时要注意科学的运动方法,否则可能反受其害[2]。本文从医学角度浅析暴走对人体的好处、注意事项及危险因素。
2暴走运动的起源与发展
近年来,“暴走”一词频见诸网络报端,与暴走活动相关的事件报道也屡见不鲜。“暴走”一词源于日语“暴艘”,原意是指“大飙车”,即驾驶摩托车、汽车等机动车成群结队地在大街上赛车,横冲直撞、扰乱交通。也引申为骑自行车横冲直撞。本研究中的暴走,作为大众常见的一种运动方式,是指:选定一条路线,少则几十人多则上千人组成团队,有组织有纪律的沿着既定的路线疾行。一般队伍领头一人负责扛旗,旗上写着暴走团队名号,每隔几十米就有一人身上挎着小型音响,播放节奏明快的音乐,成员们统一着装,跟随音乐的节奏极快的大步行走。
“暴走”作为一种街头运动起源于美国,风靡欧美,流行于韩、日、香港等多地。其作为一种操作简单、方便时尚的健身方式为大众所追捧,目前在世界上的参与人数超过7000万。目前在我国,暴走运动在全国各地都发展迅速,已经成为了一项大众流行运动。
暴走运动的出现,是人性回归和外显,体现出人们对自然的向往和追求,也是对压力大、节奏快的当代生活的一种理性调节。
3暴走运动的锻炼价值
3.1增强心肺功能,消脂健体
从生理角度来看,疾步行走是一种适合绝大多数人的有氧代谢运动方式,能锻炼循环系统和呼吸系统,逐步提高身体机能。疾步行走可以使身体获取充足的氧气,增强神经系统的快速反应和协调能力,促进人体的新陈代谢,增强肌肉弹性和韧性,从而使人体保持活力,延缓衰老[3]。
在合适的环境中,暴走运动的作用更加凸显。在户外新鲜的空气中疾行,大脑的思维活动变得清晰灵活,可以有效的消除脑疲劳,提高学习和工作效率;在阳光明媚的时候行走,人体受太阳照射增加,有利于帮助人体的血液循环,增强免疫功能。适量的紫外线照射促进维生素D的合成,调节身体中的钙、磷代谢,有助于骨骼和牙齿的坚固,是适合城市人的补钙方法。
此外,暴走运动增强心脏功能,使心脏跳动慢而有力,增强供血功能;增加血管弹性,减少血管破裂的几率;增强肌肉力量,并使得关节灵活,起到了强健腿足、筋骨的作用。疾步行走还促进肠胃蠕动,增强消化腺的分泌功能,改善食欲;长期坚持快步行走可以减少甘油三脂和胆固醇在动脉壁上聚积,减少血糖转化成三油甘脂的机会,对于高血压、糖尿病、肥胖症、习惯性便秘等症状都有良好的改善。
3.2改善精神状态,锻炼个人意志
暴走作为一种动静结合的健身方式,可以缓解神经肌肉紧张。据专家测定,当处于烦躁、焦虑的情绪之中时,以轻快的步伐散步15分钟,就会缓解紧张情绪,稳定心神[4]。长期坚持极速走可使人缓解心慌心悸,消除疲劳,使人感到精神愉悦。
其次,暴走运动者在进行锻炼时,都会选择开阔的自然作为场地,享受自然风光的同时,也增加了锻炼的趣味性。暴走的过程中陶冶了情操,即便行走的过程中感到疲劳,也因为开阔的风景分散了注意力,使得大部分人都能坚持到底,从而也锻炼了个人的意志力。
3.3培养团队协作意识,促进人与人之间的联系
暴走多是以团队为集体进行的运动,一个队伍中的大家都来自天南地北,男女老幼,各年龄阶段也不尽相同[5],为了保持行走过程中的整齐和协调,参与者会互相协调、互相迁就,在这样一个平等互助的氛围中,参与者不自觉的就培养了团队协作精神、大局意识。特别是在城市道路上行进时,全体成员都要遵守交通规则,相互监督、相互帮助,向心力和凝聚力在这个过程中形成。由暴走运动所拓展开的这种精神是运动本身所带来的正能量,是一种积极向上的社会氛围。而这种精神面貌也将影响到个体,在潜移默化中提高了个人的素质与素养。
由此可以认为,由暴走运动所产生的团队配合的良好氛围是暴走运动能够大面积发展和受到广大群众欢迎的主要原因之一。暴走运动的团队精神的保持则必须有一个良好的载体来加强和巩固。这就需要通过精心的设计与规划,增加内容丰富性来保持。
4暴走运动中所需注意的事项
4.1暴走运动的基本动作要领
1.头部正直,两眼前视,适当挺胸和收腹,保持躯干正直,帮助行走更轻松。
2.以肩关节为轴摆臂,在快速行走时屈肘,夹角约在80-100度。适当扭动髋部,以利于增加步幅。
3.下肢动作主要以摆动的形式来完成。暴走运动时,脚跟先着地,继而滚动到全部脚掌,使身体重心快速前移。
4.步幅和步频应根据个人的具体身高和腿长合理搭配,步幅保持自然开阔,步频较快,动作舒展大方。
4.2选择适宜的环境,根据自身状况,适度暴走
暴走被称为一种极限运动,原因是与散步或者旅行不同,暴走追求的是在快步走的过程中使身体的各个系统调动起来,协调起来,以达到健身的目的。暴走运动的路线选择以空气清新、环境优雅的地点为宜,如环公园、沿河边以及郊外等地。有基础疾病的人如:高血压、高血脂、高血糖,骨质疏松等疾病的人群应适度进行此项运动,有一定的降血压、血脂、血糖的作用,起到强身健体的作用。一般人群参加暴走运动也要循序渐进,不宜初次就高强度、远距离的快步行走,以免身体不堪负荷。
4.3做好准备工作,预防发生意外,培养良好的个人素质
暴走之前的热身运动能帮助身体的各项机能进入到剧烈运动前的准备状态,是非常必要的。如果选择在野外暴走则要备好背包、地图、指南针、照明等工具,提前规划路线,了解沿路的环境。暴走的过程中还要注意卫生,随行所产生的垃圾不要随手丢弃,保持环境整洁。此外,选择合适的衣服、鞋帽和充足的水。衣服以纯棉为好,鞋子最好选择专业的行走鞋。
充足的水非常重要,因为暴走是高强度的极限运动,在运动过程中骨骼肌会大量产热,人们特别容易因为无法及时排汗而排出热量,调节体温,进而出现胸闷、眩晕、恶心、肌肉抽搐等症状。
另外,暴走者应掌握一定的急救知识,一旦发生上述情况应该让患者平躺于阴凉处,脱掉外衣,双足翘起,使用物理降温法迅速降低体温,直至症状消失。而后可以让其摄取一些流质饮品,最好是饮用水加少量的盐,及时补充电解质。
5暴走运动对人体的危害
暴走运动也是一把双刃剑,科学合理的暴走能起到强身健体的作用,而不科学的锻炼将会引起身体各个系统相应的临床症状。
5.1暴走对心血管系统的危害
暴走容易诱发心血管疾病。暴走运动中,伴随机体运动量的加大,交感神经兴奋、血流加快、心率加快、血管的外围阻力增强,易导致血压升高或者血管栓塞而引起的心脏骤停,不及时处理将发生生物学死亡[6]。本文开始的事例就是一个很好的证明。而在此过程中的血管栓塞的栓子随着血液的快速流动而游走,当达到某一支较细的血管时由于血管的直径小于栓子的直径而无法通过,则会在此栓塞。被栓塞的血管所支配的组织或器官因得不到有效的血供而丧失正常的功能,继而引起身体相应的临床症状。普通人长时间、高强度、高密度的进行暴走会增加心脏的负担,引起心脏疾病。
5.2暴走运动会加重痛风患者的痛苦
众所周知,当大量的运动过后会有手脚酸软的感觉,暴走运动同样如此。暴走运动的大强度运动之后,机体会产生大量的乳酸、酮酸等代谢产物,这些产物跟尿酸竞争肾脏的同一个排泄通道,造成尿酸排泄不畅。不少因活动过度和疲劳而导致的痛风发作,就是基于此原理。这些患者本以为加强运动强度能促进身体健康,有利于痛风好转,没想到由于不科学的运动的方式,反而导致痛风发作。
痛风是很复杂的疾病,导致痛风发作主要有两个因素:嘌呤摄入过多;尿酸排泄不畅。尿酸是嘌呤代谢的最终产物,通过肾脏排出体外。如果摄入过多,加之排出不畅,痛风就这样因为暴走而症状加重。
5.3暴走对运动系统的危害
长时间、高强度的暴走可能引起局部的应力,以组织的增生、肥大为代偿,超越代偿能力即形成轻微损伤,累积、迁徙而形成慢性损伤。当人体有慢性疾病或退行性变形,可以降低应力的适应能力,局部有畸形时,可增加局部应力。当我们在暴走中注意力不集中、姿势不正确、力度不适合或者疲劳等等,均可使应力集中,这些都是慢性损伤的原因,这类损伤主要包括:软组织慢性损伤,包括肌肉、肌腱、腱鞘、韧带和滑囊的慢性损伤;对骨的慢性损伤,主要指在骨结构较纤细及易产生应力集中部位的疲劳骨折;对软骨的慢性损伤,包括关节软骨及骨骺软骨的慢性损伤;周围神经卡压伤,神经本属软组织结构,其功能特殊,损害后表现及其他软组织损伤不同,故单独分类。
6结语
暴走运动对人体利大于弊。应该提倡科学合理的暴走运动,拒绝无目的、高强度的剧烈暴走。参与暴走运动的爱好者首先需要了解自己的身体状况,合理规划运动强度。计划长期坚持这项运动之前,进行一次全面的体检,对自身身体条件有充分的了解和把握,确定运动量和运动强度,从而达到科学强身健体的目的。
参考文献
[1]李惠.IT男暴走,猝死在三环[EB/OL].http://news.ifeng.com/gundong/detail_2012_08/07/16603505_0.shtml,凤凰网,2012-8-7.
[2]汤晓琛.徐州广场舞大妈转行,每晚上万人集体暴走(图)[EB/OL].http://news.sina.com.cn/c/2014-07-10/052330496507.shtml,新华网,2014-7-10.
[3]袁平野.以“柔”制“暴”[J].每月聚焦,2011,(8):13.
[4]郭吉强.大学体育(4版)[M]..北京:体育大学出版社,2010.14-15.
[5]高慧林.暴走运动研究[J].体育文化导刊,2010,(9):21-22.
运动人体检测论文 篇8
纵观现代自动感应节能灯的应用, 我们发现节能灯系统存在一些弊端:节能灯感应系统只对动态人体的感应有效, 而对静态人体的感应却是无效的。简单的讲, 就是节能灯系统对在感应范围内一直处于相对运动的人体会有感应, 并会启用延时系统命令具体开灯时间;但如果人体处于相对静止状态 (安静看书, 闭目休息等) 或微动状态 (学生在写作业) 时, 节能灯感应系统就会感应不到人体, 节能灯会自动关闭。正是由于这种条件的约束使得节能灯不能全面的推向市场并应用服务于社会。因此, 我们完善了感应系统功能, 增加了人体静态感应部分, 使节能灯能在学校、政府机关、企业、公司、写字楼、医院、宾馆等场所真正的应用起来。
1 系统总体功能与结构
1.1 模块功能
(1) 采用热释电红外传感器探测室内是否有人, 如果某探测区域内有人存在, 则对应的热释电红外传感器检测到人体辐射出的红外线, 产生微弱的电流, 电流经过IC电路转换为电压信号并加以放大, 再输入给单片机进行处理。单片机通过控制继电器, 从而控制节能灯的断开和闭合。人若一直在此区域, 继电器将一直使导通节能灯回路, 如若人离开, 则红外传感器的下一个周期检测不到人体, 继电器将断开节能灯回路, 从而实现了节能与智能的效果。 (2) 采用光电传感器模块检测室内光照强度, 利用光电转换模块将光照强度转换为电流的大小, 再将小信号电流经过流压转换及小信号放大电路后, 送给单片机, 通过单片机来自动控制节能灯的亮度。
1.2 结构原理
结构原理如图1 所示, 本系统设计由热释红外传感器模块、光电传感器模块stc12c5a60s2 单片机、继电器模块、手动开关以及节能灯组成。通过热释电红外传感器模块和光电传感器模块采集是否有人存在和光照强度的数据, 送给单片机, 通过单片机来实现智能系统的控制。
2 系统硬件组成
2.1 热释电红外传感器模块
热释电红外传感器由三部分组成, 分别是敏感单元、滤光窗和菲涅尔透镜。敏感单元是由特殊材料做出的很薄的薄片, 共两片, 做在同一硅晶片上, 每片薄片两面各引出一根电极, 电极两端则构成一个等效小电容, 等效小电容能产生自极化, 在两端产生微量的极性相反的正负电荷, 再把两个等效小电容极性相反的串联起来, 就构成了传感器的核心部分。当传感器没有检测到人体辐射的红外线时, 两个等效小电容自极化产生的等量电荷因他们极性相反串联而相互抵消, 回路中没有电流, 传感器无输出。当传感器检测到人体时, 两个等效小电容产生的电荷极性相同, 产生电流。滤光窗是由一块薄玻片镀上多层滤光层波膜构成的, 滤光窗能滤除7um-14um波长以外的红外线。人体温度36-37°, 辐射的红外线最强的波长为9.7um, 正好在滤光窗的响应波长7um-14um, 所以有效检测人体红外线, 阻止其它红外线。传感器只有配合菲涅尔透镜使用才能发挥最大作用, 不加的话, 其检测半径为1m-2m, 加的话检测半径为8m-10m。菲涅尔透镜有很多小圆圈, 而且都有一定凹陷, 可以形成可见区和盲区, 当有人在透镜前运动, 人体辐射的红外线通过透镜后在传感器上形成不断交替变化的可见区和盲区, 使传感器敏感单元的温度不断发生变化从而输出电流。菲涅尔透镜还有聚焦作用给敏感单元。
另外, 在热释电红外传感器模块中加入一个磁感圈和一个弹性铁片, 磁感圈的任意一底面对准弹性铁片。在初始状态铁片垂直于菲涅尔透镜, 当有人在红外传感器检测区域内时, 点亮对应的节能灯, 单片机输出高频交流控制信号给磁感圈, 使磁感圈产生磁场吸起弹性铁片, 遮住菲涅尔透镜, 并延时3 分钟, 让两个等效小电容的电荷被空气中的离子中和。延时结束后, 打开弹性铁片, 可再次检测区域内是否有人存在, 从而实现了静态人体的检测。
2.2 光电传感器模块
光电传感器内部核心元件是光敏电阻, 光敏电阻的光电效应是其光照强度与电阻阻值成一定的线性关系, 从而输出不同大小的电流, 在通过运放, 将小电流转换为电压并放大, 输入给单片。然后再通过单片机来控制节能灯的光照强度。
2.3 控制模块
stc12c5a60s2 单片机是由宏晶科技生产的高速、低功耗、超强抗干扰的新一代8051 单片机, 指令代码完全兼容传统8051, 但速度快8 到12 倍。内部集成MAX810 专用复位电路, 2 路PWM。本设计使用stc12c5a60s2 单片机作为主控制器, 通过对于人体的检测和室内光照强度的检测, 来控制节能灯的亮灭和照明亮度。如图2 程序流程图。
3 结束语
本节能控制系统的设计, 通过在热释电红外传感器外加了一个磁感圈和薄弹性铁片, 并通过单片机产生两路PWM来产生高频交流信号使磁感圈产生磁场, 实现了对静态人体的检测;通过光电传感器实现了节能灯对光照亮度的自动调节。本系统成本低、实用性高, 适用于学校、企业、写字楼、大型商场等室内场所, 有效的实现了节能与智能的目的。
摘要：本项目研究的节能控制系统, 与市面上的智能照明系统相比, 能够准确有效的检测到静态人体。通过热释电红外传感器和光电传感器模块分别采集是否室内有人以及光照强度的信息, 再送到单片机进行处理, 单片机再发出控制信号来控制节能灯的亮灭及其亮度, 从而实现了节能灯亮灭及其亮度的智能控制。
关键词：节能控制系统,热释电红外传感器,光电传感器模块,单片机,智能控制
参考文献
[1]卿太全.热释电人体红外传感器原理与应用 (上) [J].电子世界, 1995 (10) :25-26.
[2]曾克根.基于主动式热释电红外传感器的自动控制[J].电子世界, 2013 (24) :35-36.
[3]桂要生.基于红外技术的智能照明系统的设计[J].计算机与数字工程, 2009 (8) :102-103.
[4]刘云.高校照明用电管理对策[J].电力需求侧管理, 2004 (4) :45-46.
【运动人体检测论文】推荐阅读：
高校运动人体科学实验教学改革的论文08-02
人体运动08-02
人体运动能量11-12
人体运动学08-05
运动人体科学类课程05-08
体育运动与人体健康07-17
运动人体科学实验教学07-04
运动人体科学实验室11-21
人体运动中的拉伸12-13
运动人体科学学院级学生实习总结06-07