基于视觉的摄影人体测量方法用于瑜伽姿势分析，使用LabVIEW-ML

《Biophysica》：A Vision-Based Photoanthropometric Approach for Yoga Pose Analysis Using LabVIEW-ML

　　

在这项工作中，研究人员提出了一种新颖的框架，将人体测量与姿势识别相结合，使用LabVIEW的视觉开发模块，专门针对瑜伽姿势。瑜伽是一项起源于印度多年的练习，现已全球流行，对平衡人体身心有重要贡献。一个关键挑战是使用无接触技术实时准确识别瑜伽姿势。为实现这一目标，所提出的系统通过数字化瑜伽姿势进行人体测量，并利用校准边界框（Calibrated Bounding Boxes）增强摄影人体测量（photoanthropometric）建模，使用YOLO版本4（YOLOv4）表示姿势，结合几何检查以归一化边界框尺寸并处理姿势变化。开发的中间模型提高了测量精度，而最终阶段在LabVIEW ML环境中处理姿势分类，用于实时瑜伽姿势识别。本研究聚焦于山式（Tadasana）姿势。使用微软XBOX 360 Kinect传感器捕获图像，并通过LabVIEW 2019 Vision IMAQ进行处理。开发了一个推理模型用于特征提取和匹配，从而通过边界框促进精确的姿势识别。实验结果表明，所提出的系统在人体测量方面实现了95.4%的姿势识别准确率，证明了其在康复和健康监测方面的潜力。

**论文解读：基于视觉的摄影人体测量方法用于瑜伽姿势分析**

**研究背景与问题**
瑜伽作为一项起源于印度的身心练习，已被世界卫生组织（WHO）证实有助于预防非传染性疾病（NCDs），并促进身心健康。NCDs占过早死亡的80%以上，其中85%发生在中低收入国家。瑜伽能降低心率、控制焦虑和压力、改善心理健康，使其成为患病个体的有益实践。WHO全球传统医学中心（投资2.5亿美元）建议将瑜伽作为实现全民健康和可持续发展目标（SDG）的主要方法，即到2030年全球减少15%的缺乏身体活动。然而，实时、无接触地准确识别瑜伽姿势仍是一个关键挑战。现有方法如基于骨架的模型在精细肢体边缘和运动跟踪方面存在局限，而基于计算机视觉的方法虽准确性更高，但将个体真实身高与视觉技术相关联仍存在瓶颈。此外，传统方法依赖训练数据集，计算复杂度高。为此，研究人员开展本研究，旨在开发一种集成人体测量与姿势识别的新框架，利用摄影人体测量和YOLOv4实现实时瑜伽姿势分析。论文发表在《Biophysica》。

**主要技术方法**
研究人员采用以下关键技术：
1. 使用微软XBOX 360 Kinect RGB摄像头（分辨率1280×960，12帧/秒）捕获图像，在绿色背景布遮挡下减少干扰。
2. 采用预训练YOLOv4模型进行人体定位和边界框生成，结合非极大值抑制（NMS）算法筛选置信度最高的头部边界框。
3. 基于David A. Winter的标准人体测量比例，利用头部高度（L_head）通过比例常数（如头高比K_head=0.130）估计全身高度（H），并进一步计算上肢长度、下肢长度、躯干高度和伸展高度等人体度量。
4. 在LabVIEW 2019 Vision IMAQ和LabVIEW ML环境中构建嵌入式处理流水线，包括特征提取、人体测量计算、摄影人体测量分析、软控制单元和监测模块，实现实时姿势分类和偏差分析。

**研究结果**
**4.1 实验设置**：在瑜伽工作室搭建专用实验装置，Kinect传感器距瑜伽垫约7英尺，使用Intel Core i5-8250U CPU、12 GB RAM、512 GB SSD的笔记本电脑，软件环境为LabVIEW 2021和YOLOv4计算机视觉模块。

**4.2 人体测量数据分析**：通过比较10名受试者的理论人体测量值（基于比例）与实际测量值，计算平均百分比偏差（APD）。单个受试者的APD为1.8%，对应准确率98.2%。对于全部10名受试者，四个特征（头部高度、上肢长度、下肢长度、躯干高度）的整体APD为4.62%，准确率95.4%。其中躯干测量偏差略高，归因于受试者穿着宽松衣物。

**4.3 实验**：以山式（Tadasana）和提里亚克山式（Tiryak Tadasana）为例，展示受试者站立、伸展、左右弯曲的姿势。实验还测试了双脚并拢与双脚间距1.5英尺两种条件下的姿势，发现间距1.5英尺时侧弯更舒适，可获得最大角动量。

**4.4 比较**：与基于骨架化的方法（准确率89.67%）相比，所提出的摄影人体测量框架在验证上肢手腕运动和下肢足部定位方面表现更优，准确率提升至95.4%。与现有睡眠姿势分析和瑜伽姿势识别方法对比，虽因数据集、硬件和评估协议不同不能直接数值比较，但定性表明本方法在实时性、无训练数据集依赖性方面具有创新性。

**讨论与结论**
讨论部分指出，所提出的摄影人体测量框架通过整合校准边界框提取和AI分类，实现了实时瑜伽姿势分析。系统采用YOLOv4进行姿势定位，结合LabVIEW Vision IMAQ和LabVIEW ML构建完整端到端处理流水线。10名受试者的实验验证了提取的人体测量特征的可靠性，总体准确率95.4%，最佳个体准确率98.2%。摄影人体测量过程通过结合人体测量建模和YOLO检测表现出有效性能。结论强调，该框架为推进自动化瑜伽姿势分析和嵌入式健康技术提供了稳健且可扩展的基础。未来可扩展至扭曲和复杂瑜伽姿势的分析。