引用本文

张勤, 李岳炀, 李贻斌, 柴汇. 基于Kinect的学步期幼儿自然步态提取. 自动化学报, 2018, 44(6): 1096-1106. doi: 10.16383/j.aas.2018.c160729

ZHANG Qin, LI Yue-Yang, LI Yi-Bin, CHAI Hui. Extraction of Toddler's Natural Gait With Kinect. ACTA AUTOMATICA SINICA, 2018, 44(6): 1096-1106. doi: 10.16383/j.aas.2018.c160729

http://www.aas.net.cn/cn/article/doi/10.16383/j.aas.2018.c160729

关键词

Kinect，学步期幼儿，步态提取，数据滤波 

摘要

针对学步期幼儿的行走步态信息采集困难这一问题展开研究，提出一种基于Kinect的自然步态提取方法.通过Kinect直接获取人体的骨骼信息来采集不同月龄幼儿行走的关节数据，并利用关节位置平滑和骨骼长度曲线拟合实现对骨骼数据的滤波和截取；通过拟合幼儿行走的足端轨迹来提取不同月龄的步态时空参数，基于下肢的逆运动学解算来获得各关节角变化，并由此总结出学步期幼儿独立行走时的步态特征变化规律.

文章导读

学步期作为儿童发育的必经阶段, 代表其肌肉系统、骨骼系统和神经系统等逐步成熟的标志性动作就是独立行走.幼儿的行走步态与成年人的行走步态存在显著差别, 尤其是处于学步期的儿童身体发育较快, 因此其步态特征变化明显[1].针对该过渡期的幼儿步态特征进行提取和分析, 有利于揭示其内在的发展规律和影响幼儿步态成熟的关键因素.

反观现有的双足机器人的步态规划研究成果发现, 如何有效地模仿人类的自然步态模式一直被认为是实现双足仿人机器人步态优化的突破口之一[2].基于自然步态的规划方法是从仿生的角度出发, 建立人体步行数据与机器人的运动学和动力学模型间的匹配关系, 利用步态规划的评价机制对步态参数进行优化, 最终使得机器人生成稳定可控的自然步态, 但由于人体与双足机器人在质量分布、控制模型和驱动器特性等方面都存在较大差异, 因此人体步行数据无法直接映射到机器人的步态规划中.只有深入探索人体行走步态及保持平衡的内在机理, 才能为双足机器人的自然步态规划提供有效的理论支撑[3-6].本文尝试提取幼儿在学步阶段的步态特征并总结其学习行走的规律, 旨在未来将其应用到双足机器人的步态演化上.另外, 通过查阅文献发现, 成人的短时下肢肌肉功率输出能达到4 000 W以上[7], 13岁儿童的肌肉力量较弱, 短时肌肉平均功率约为300 W[8], 而学步期幼儿的肌肉功率输出更小, 更接近于目前双足机器人下肢单关节的功率输出.因此通过对幼儿步态的仿生研究, 可以将双足机器人行走的工程化实现难度降低.

国外早在20世纪开始关于儿童行走步态的研究, 早期的工作主要关注步态的时-空参数、儿童步态与成人步态的差异和行走的运动学分析等[9-11].其中, 美国骨科医生Sutherland被称为儿童步态分析研究方面的先驱, 他通过不同的动作控制原理和分析方法来了解儿童成长和发育的过程[12].

国内在这方面的研究相对较少, 主要集中在儿童肥胖症、小儿麻痹方面, 旨在对比正常发育儿童与患病儿童的步态差异, 为病症的及早发现与诊断、后期的治疗和复健提供科学依据[13-15].

要实现对儿童步态特征的提取与分析, 首先必须获取不同时期的行走数据.目前常用的采集方法分为两类:一类是接触式, 即给被测对象穿戴上特殊的装置如关节角度测量仪, 通过不断的记录关节活动的角度来获取儿童行走过程中的空间参数.这种直接测量方式的最大缺陷在于很难固定在年龄较小的学步期幼儿身上, 因为舒适性相对较差, 且很难控制幼儿在规定的区域完成相应的行走动作[16];另一类是基于视觉的方式, 在被测对象的关节处贴上反光片或发光体, 采用高速相机来连续录制儿童行走的过程, 后期通过图像处理技术来获取各标志点的运动特征参数, 进而提取儿童步态的时-空参数, 并进行运动学分析[17].但此方法的精度主要取决于后期图像处理的水平, 势必在图像特征提取和三维重建方面耗费大量精力.

针对上述两类方法存在的缺陷, 本文提出了一种基于Kinect的学步期幼儿步态提取方法, 利用Kinect可直接获取人体骨骼信息的特点快速得到不同时期幼儿行走的关节数据, 大大简化了在步态信息采集方面的工作, 为后期的步态提取和分析提供了方便.通过拟合幼儿行走足端轨迹来提取步态时空参数, 并利用下肢的逆运动学解算来获得各关节角变化, 最终总结出学步期幼儿行走的步态演化规律.

图 1  Kinect 2.0外观

图 2  Kinect 2.0人体关节示意图

图 3  骨骼数据滤波流程图

本文提出了一种基于Kinect的学步期幼儿步态提取方法, 通过直接获取人体的骨骼信息来采集不同月龄幼儿行走的关节数据, 大大降低了自然步态提取的难度, 数据采集更加方便, 使得针对幼儿学步期的海量步态特征提取成为可能.

首先, 对Kinect录制的行走视频进行关节位置平滑后, 通过基于曲线拟合的骨骼数据滤波算法对视频作进一步处理.不仅提取出各月龄下肢骨骼的长度, 并且截取出便于后期步态提取与分析的骨骼数据.

其次, 通过拟合幼儿行走时的足端轨迹来提取不同月龄的步态时间和空间参数, 利用下肢的逆运动学解算来获得髋、膝、踝关节的各关节角变化, 分析与总结学步期幼儿行走的自然步态特征, 并探索幼儿步态发育的规律与原因.

最后, 本文的研究目的是验证上述步态提取与分析方法的可行性和有效性, 因此区别于现有的儿童步态分析的研究成果, 本文仅针对单个幼儿学步过程进行了记录.

后续我们的工作包括以下三个方面: 1)继续记录幼儿行走的视频直至其步态规律基本接近成人水平, 进而分析上肢摆动数据与下肢行走数据间的关联, 研究其对于幼儿步态成熟与平衡策略的发展有何影响.并尝试将上述幼儿行走步态规律应用到双足机器人的步态演化上; 2)在提取幼儿行走步态特征的基础上, 探索有效的步态识别方法, 如借鉴基于CGI的时间模板方法来提高步态识别的鲁棒性[27]; 3)采集更多学步期幼儿的行走数据, 对比其步态特征的共性和差异.进一步研究幼儿的肌肉力量、身体形态、平衡性等因素在其步态发育的不同阶段如何产生确定性的影响.

作者简介

张勤

济南大学自动化与电气工程学院讲师, 山东大学控制科学与工程学院博士后.主要研究方向为传感器技术, 移动机器人.E-mail:csezhangq@ujn.edu.cn

李岳炀  

济南大学自动化与电气工程学院副教授.主要研究方向为随机系统故障诊断与容错控制.E-mail:cseliyy@ujn.edu.cn

柴汇  

山东大学机械工程学院博士后.主要研究方向为机器人技术.E-mail:pigging.chai@gmail.com

李贻斌  

山东大学控制科学与工程学院教授.主要研究方向为机器人技术.本文通信作者.E-mail:liyb@sdu.edu.cn