朱國安 王金祥（通訊作者） 延邊大學工學院計算機科學與技術學科

1 研究的背景與意義

近年來，我國近視人群低齡化程度越來越高，中小學生，尤其是中學生中高度近視的例子屢見不鮮。溯其根源，多是由不良的學習姿勢和日常生活坐姿導致的。本文提出一種針對學生群體的坐姿或學習姿勢的識別方法，提醒學生矯正自身坐姿，預防近視。

2 目標檢測與定位

在處理視頻序列流時，首先要獲取視頻中主體處理部分。

本文采用三幀差分法和背景差法二者相互補充對人體的整體輪廓進行了檢測、提取和定位。

選取視頻中某連續的三幀圖像進行處理，最終得到符合要求的二值圖像。具體為取相鄰三幀，前后兩幀分別與中間幀做差，再對這兩個差相與運算得到運動目標信息本文以視頻的初始幾幀為臨時“模板”，隨著時間的延長，周期性的選取視頻序列中接近于模板的視頻幀來更新模板。這樣就能使背景模板適應場景的各種變化和干擾，提高檢測的正確性。

3 背景模型建立與輪廓提取

本文使用統計平均法來估計背景模型,用統計平均法對視頻的N幀圖像構建背景，對當前視頻幀和背景幀做幀差處理。對得到的結果圖像中的像素判定，當像素點灰度值高于預設閾值T 時，判定該點屬于人物目標區域；當低于閾值時，判定該點為靜止的背景。根據形態學濾波運算處理算法，本文采用腐蝕、膨脹、開閉運算的混合運算去噪獲取目標輪廓信息。

4 骨架提取與坐姿特征分析

本文考慮人物的骨架結構作為處理目標的特征參數，模擬出人體的主要骨架部分，提取其中的端點值的坐標作為姿勢的分析因子。

采用Zhang-Suen 圖像骨架提取算法進行坐姿分析。經典的Zhang 是一種并行快速細化算法，設一個像素點的8 鄰域中間為P1，P1上面為P2，按順時針排列其余個點。

①.循環所有前景像素，并按照以下條件標記要刪除的像素（灰度值為0）：

A.2 ≤ N(p1)≤ 6，中心像素P1 周圍的目標像素（灰度值為1）的個數在2~6 之間；

B.S(P1) = 1，8 鄰域像素中，按順時針方向，相鄰兩個像素出現0 →1 的次數為1；

C.P2 * P4 * P6=0； P4 * P6 * P8=0

②.條件A、B 與①一致，條件C 不同，滿足以下條件的像素P1 標記為刪除：

P2 * P4 * P8 = 0； P2 * P6 * P8=0

循環①②，直到圖像中沒有可“刪除”的像素，輸出的結果即為人物目標細化后的骨架。對單獨細化出的人物骨架還不足以判斷出人物的坐姿特征。因此，在主體算法中再設計一個判斷骨架的端點和交叉點的函數，在過濾后的骨骼化圖像中尋找端點和交叉點，記錄對應點的坐標值。

5 實驗分析與總結

在實驗中，對原視頻經過一系列處理，能夠得到已經去除噪聲的二值圖像和人物目標的骨骼化圖像。并利用cvContourArea 函數繪制并計算出人物的大致輪廓及其面積。在原視頻幀中根據條件M：2 ≤p2+p3+p4+p5+p6+p7+p8+p9 ≤6，利用從過濾后的骨骼化圖像中尋找端點和交叉點的方法，對符合條件的特征點cv：：Point用圓圈標識出來，并得到這些特征點的坐標C(xi,yi)。

統計特征點并歸一化處理，得到4 個方位偏移最大的點Ctop(x,y)、Cright(x,y)、Cbottom(x,y)、Cleft(x,y)。正常情況下，可粗略認為這四個特征點分別代表目標人物的頭部、腳部、左右手掌的坐標，根據這4 個特征點坐標的差異程度，來判斷目標人物的坐姿是否處于不良狀態，從而簡化坐姿識別的難度并提高準確性。

具體告警方式：

設A=|Ctop(x,y)-Cright(x,y)|；B=|Ctop(x,y)-Cleft(x,y) |

則，判斷閾值公式：

說明：S0為目標正常坐姿人物輪廓面積，S 為目標實時坐姿人物輪廓面積。

T ≥1, 坐姿正常，以綠色輪廓線繪制人物輪廓；

實驗結果如下圖所示：

在實際場景應用測試中，程序能較為準確的識別出學生的坐姿，該識別方法能夠達到預期效果，魯棒性強。