CN111127446A - 一种面向步态分析的足底压力图像分区方法 - Google Patents

Abstract

本发明涉及一种面向步态分析的足底压力图像分区方法，包括如下步骤：获取足底压力数据并进行前期处理；对前期处理后的足底压力数据聚类，获得脚印区域的足底压力图像并积分投影，获得足跟和脚掌压力中心；建立足底压力特征点定位模型，定位出足底压力图像的特征点；根据足部各区域与足底压力特征点间的相对位置关系对足底压力图像进行分区，其中，足底压力特征点定位包括模型训练和特征点搜索两个阶段；模型训练阶段，选取足够数量的足底压力图像作为训练集，手工标记特征点的准确位置，建立足底压力特征点定位模型；特征点搜索阶段，根据足跟和脚掌压力中心对足底压力特征点定位模型初始化，再通过模型搜索找到足底压力图像特征点的准确位置。

Description

一种面向步态分析的足底压力图像分区方法

技术领域

本发明涉及步态分析领域，具体涉及一种面向步态分析的足底压力图像分区方法。

背景技术

人体在静止站立或者动态行走时，足底会受到地面给人的反作用力，其中垂直于足底与地面接触平面的反作用力最为明显，这个力就是足底压力。当人体足部结构发生病变或功能障碍时，足底压力分布也会产生巨大的变化。现代医学手段通过将足底压力按照解剖学分区，对比健康足和病理足的足底压力分布情况和同一患者不同足底压力区域的压力分布情况，可以辅助医生诊断患者病足的患病原因并指定康复治疗方案。

现有足底压力分区均为医生或科研人员凭借主观经验手工分区或数据采集软件套用固定模板对足底压力数据初步分区后再由软件使用者手动调整的半手工分区，这些足底压力分区方法太过依赖于人的经验和主观意识，而且存在效率低、成本高的缺点，无法大规模推广使用，也难以用于对大批量足底压力数据进行快速分区处理，更不能用作为步态分析设备的实时足底压力分区算法。

因此，开发一种高效、低成本、便于代码实现的足底压力分区的方法十分有必要。

发明内容

本发明技术决问题：克服现有技术的不足，提供一种面向步态分析的足底压力图像分区方法，自动从足底压力图像中框选出脚印区域，并根据特征点定位的方法，将足底压力图像分区，具有高效、低成本和能够快速实现的优点。

本发明采取的技术方案如下：获取足底压力数据并进行前期处理；对前期处理后的足底压力数据聚类，获得脚印区域的足底压力图像；对足底压力图像进行积分投影，获得足跟和脚掌压力中心；建立足底压力特征点定位模型，定位出足底压力图像的特征点；根据足部各区域与足底压力特征点间的相对位置关系对足底压力图像进行分区。其中，足底压力特征点定位包括模型训练和特征点搜索两个阶段；在模型训练阶段，选取足够数量的足底压力图像作为训练集，手工标记训练样本中特征点的准确位置，建立足底压力特征点定位模型，模型训练阶段仅执行一次；在特征点搜索阶段，根据足跟和脚掌压力中心对足底压力特征点定位模型初始化，再通过模型搜索找到足底压力图像特征点的准确位置。

具体实现如下：

步骤(1)：获取足底压力数据并进行前期处理，具体包括以下子步骤：

步骤(11)：采用阵列式压力传感器获取时域内相邻多帧(至少3帧)包含完整脚印的足底压力数据；

步骤(12)：使用步骤(11)获得的多帧足底压力数据对中间帧进行时域均值滤波；

步骤(13)：对步骤(12)获得的中间帧数据依次进行最大值滤波处理、插值处理，得到尺寸统一、行列间距相等的足底压力数据；

步骤(2)：对步骤(1)中前期处理后的足底压力数据进行聚类，定位脚印在足底压力数据中的位置，获得脚印区域的足底压力图像，具体包括以下子步骤：

步骤(21)：使用DBSCAN聚类算法对步骤(1)获得的前期处理后的足底压力数据进行聚类，得到多个压力区域块，脚印区域可能由若干个压力区域块组成；

步骤(22)：以步骤(21)获得的每个压力区域块的最小外接矩中心点作为该区域块的中心，使用K-均值聚类算法将每个脚印包含的所有压力区域块聚合成一个大的足底压力区域块；

步骤(23)：将步骤(22)获得的脚印区域压力数据提取出来，得到一张包含完整脚印的足底压力图像；

步骤(3)：对步骤(2)中获得的足底压力图像进行积分投影，获得足跟和脚掌压力中心，具体包括以下子步骤：

步骤(31)：以步骤(2)获得的足底压力图像最小外接矩的长边方向为纵轴，短边方向为横轴，将足底压力图像沿纵轴积分投影得到灰度直方图；

步骤(32)：若步骤(31)获得的灰度直方图含有多个相近的峰值点，可采用长度为N的滑动窗口对灰度直方图进行均值滤波；

步骤(33)：由于脚掌比足跟宽，滤波后的灰度直方图的最高峰值点为脚掌中心行，次高峰值点为足跟中心行；

步骤(34)：在脚掌纵向中行上下两侧各取足底压力图像总行数的1/6行得到脚掌区，将脚掌区图像沿横轴积分投影得到脚掌灰度直方图，脚掌灰度直方图最高峰值点为脚掌中心列，次高峰值点为足跟中心列，脚掌中心行与脚掌中心列的交点即为脚掌中心点，足跟中心行与足跟中心列的交点即为足跟中心点；

步骤(4)：建立足底压力特征点定位模型，定位出足底压力图像的特征点；具体包括模型训练和特征点搜索两个阶段：

步骤(41)：在模型训练阶段，选取足够数量的足底压力图像作为训练集，手工标记训练样本中特征点的准确位置，建立足底压力特征点定位模型，该模型训练阶段仅执行一次；

步骤(42)：在特征点搜索阶段，根据足跟和脚掌压力中心对足底压力特征点定位模型初始化，再通过迭代模型找到足底压力图像特征点的准确位置；

进一步的，所述模型训练阶段处理方法为：选取N张(N>200)步骤(3)获得的足底压力图像作为训练集合；手工标记好每幅足底压力图像准确的n个(n>＝6)特征点的位置(特征点的选取包括足跟、脚掌中心点以及足底压力轮廓的拐点，特征点应当与足部各区域间有明显的相对位置关系)，特征点排序后的坐标依次串联形成一个形状向量，N张足底压力图像得到的形状向量集合记为X_u，其中第i张足底压力图像得到的形状向量记为X_ui，X_ui＝(x_i0,…,x_i(n-1),y_i0,…,y_i(n-1))^T,i＝0,…,N-1，其中，x_ik、y_ik分别表示第i幅足底压力训练图像中特征点k的横纵坐标，0≤k＜n，n为特征点的个数；形状向量集合X_u作为建立足底压力特征点定位模型部分的输入，根据形状向量集合X_u建立足底压力特征点定位模型，供足底压力特征点搜索时使用；所述手工标记训练样本中特征点的准确位置和建立足底压力特征点定位模型部分仅在建立活动形状模型时执行一次；

更进一步的，所述足底压力特征点定位模型是一种基于模板的特征点定位方法，可以为ASM模型或AAM模型；首先，该模型可以通过Procrustes归一化方法，即通过平移、旋转、缩放变换操作，在不改变点分布模型的基础上将形状向量集合X_u对齐到同一个形状向量X，该形状向量X即为特征点模板；然后，为每个特征点构建局部特征；至此，特征点定位模型便构建完成；

更进一步的，所述将形状向量集合X_u对齐到同一个形状向量X包括以下步骤：

步骤(411)：以某个训练样本X_j为形状基准

对其他训练样本X_i进行平移、旋转和缩放，使所有样本尽可能与基准形状接近；训练样本X_i与形状基准

之间的接近程度使用欧式距离定义

得到变换后的形状向量为X′_i＝M(s,θ)[X_i]-t，其中，s为缩放尺度、θ为旋转角度、t平移向量；

步骤(412)：计算所有变换后的训练样本X′_u的平均形状作为新的形状基准

并计算当前形状基准

与上次形状基准

之间的平移、旋转和缩放偏差；

步骤(413)：迭代步骤(411)和(412)，若偏差小于指定阈值或迭代超过规定最大迭代次数时停止迭代；最后一次得到的形状基准作为所有训练样本对齐后的平均形状向量X。

更进一步的，所述为每个特征点构建局部特征的具体操作为：计算训练样本中特征点i(i＝0,1,…,n-1)的平均局部纹理

和方差S_i；首先，在第j(j＝0,1,…,N-1)个训练样本的第i个特征点两侧，沿垂直于该点前后两个特征点连线的方向上分别选择n个压力点，构成一个长度为2n+1的向量，对该向量所包含的压力值求导得到一个局部纹理g_ij，对训练集中所有样本同样操作可得到第i个特征点的N个局部纹理，计算均值

和方差

进一步的，所述特征点搜索阶段包括根据足跟和脚掌压力中心对模型初始化，再通过迭代模型找到足底压力图像特征点的准确位置；具体包括以下几个子步骤：

步骤(421)：以足跟和脚掌压力中心为基准，计算目标足底压力图像中足跟和脚掌压力中心(x₁,y₁)和(x₂,y₂)与形状基准

中足跟和脚掌压力中心(x′₁,y'₁)和(x'₂,y'₂)之间的平移、旋转、缩放偏差，对形状基准

进行变换得到模型的初始位置X_c；

步骤(422)：搜索足底压力图像中每个特征点的新位置；首先，将活动形状模型的初始位置X_c覆盖在足底压力图像上，对于模型中第i个特征点，在垂直于其前后两个特征点连线方向上以其为中心，两边各选m(m>n)个压力点，加上特征点i构成一个长度为2m+1的搜索邻域；让长度为n个压力点的窗口在该搜索邻域内滑动，计算每个窗口的局部纹理g_i，并计算该局部纹理和平均纹理

之间的马氏距离，使得马氏距离最小的那个窗口的中心点作为特征点i的新位置。

步骤(423)：计算模型初始位置的形状向量与更新位置后的形状向量的平移、旋转和缩放参数；

步骤(424)：重复步骤(422)、(423)，计算新的形状向量X_new与原形状向量X_c的距离D_x，

其中，x_newi、y_newi分别为新的形状向量X_new的第i个特征点的横坐标和纵坐标，x_ci、y_ci分别为原形状向量X_c的第i个特征点的横坐标和纵坐标。若

或循环达到最大次数，则搜索完成，至此，得到足底压力图像中每个特征点的准确位置；

步骤(5)：根据足部各区域与足底压力特征点之间的相对位置关系，结合步骤(4)中获得的足底压力图像的特征点，对足底压力图像进行分区。

本发明具有以下有益效果：

(1)本发明所述的足底压力分区方法可以去除原始足底压力数据的接触噪声、粘着噪声、网络信号噪声和采集电路噪声，并通过两次聚类和最小外接矩算法自动从足底压力图像中提取框选出脚印区域；

(2)本发明采用多次积分投影的方法检测脚掌中心点和足跟中心点，保证了足跟中心和脚掌中心点的可靠定位，同时提高了足底压力特征点搜索阶段的模型初始化的准确度，进而提高了足底压力特征点定位的精度和足底压力图像分区的准确度；

(3)本发明所述的足底压力分区方法选取足跟中心点、脚掌中心点以及足底压力轮廓的拐点等具有鲜明特征的点作为足底压力图像的特征点，有利于根据训练样本集合建立足底压力特征点定位模型，同时所选特征点与足部各区域间有明显的相对位置关系，也有利于依据特征点给足底压力图像分区；

(4)本发明所述的足底压力分区方法通过先准确定位足底压力图像特征点，再以特征点与足部各区域间的相对位置关系为依据，对足底压力图像进行分区的方法，可以得到精准的足底压力分区结果；

(5)本发明采用的足底压力特征点定位模型的模型训练阶段仅需执行一次，训练好之后的模型在足底压力特征点搜索阶段可以直接使用，保证了该足底压力分区方法可以高效执行。

附图说明

为了更清楚地说明本发明方法的技术方案，下面将对实施例描述所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是本发明方法的流程示意图；

图2是足底压力图像做积分投影的示意图；

图3是本发明实施例中足底压力特征点定位部分的子流程框图；

图4是本发明实施例中足底压力特征点选取示意图；

图5是本发明实施例中活动形状模型的初始位置X_c覆盖在足底压力图像上的效果图；

图6是本发明实施例中足底压力图像分区结果示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。

实施例1

如图1所示，本发明的核心在于提供一种面向步态分析的足底压力图像确定方法，包括如下步骤：

步骤(1)：获取足底压力数据并进行前期处理，具体包括以下子步骤：

步骤(11)：采用阵列式压力传感器获取时域内相邻多帧(至少3帧)包含完整脚印的足底压力数据；

步骤(12)：使用步骤(11)获得的多帧足底压力数据对中间帧进行时域均值滤波；

步骤(13)：对步骤(12)获得的中间帧数据依次进行最大值滤波处理、插值处理，得到尺寸统一、行列间距相等的足底压力数据；

步骤(2)：对步骤(1)中前期处理后的足底压力数据进行聚类，定位脚印在足底压力数据中的位置，获得脚印区域的足底压力图像，具体包括以下子步骤：

步骤(21)：使用DBSCAN聚类算法对步骤(1)获得的前期处理后的足底压力数据进行聚类，得到多个压力区域块，脚印区域可能由若干个压力区域块组成；

步骤(22)：以步骤(21)获得的每个压力区域块的最小外接矩中心点作为该区域块的中心，使用K-均值聚类算法将压力区域块聚集成脚印区域；

步骤(23)：将步骤(22)获得的脚印区域压力数据提取出来，得到一张包含完整脚印的足底压力图像；

步骤(3)：按照图2所示的方法，对步骤(2)中获得的足底压力图像进行积分投影，获得足跟和脚掌压力中心，具体包括以下子步骤：

步骤(31)：以步骤(2)获得的足底压力图像最小外接矩的长边方向为纵轴，短边方向为横轴，将足底压力图像沿纵轴积分投影得到灰度直方图；

步骤(32)：若步骤(31)获得的灰度直方图含有多个相近的峰值点，可采用长度为N的滑动窗口对灰度直方图进行均值滤波；

步骤(33)：由于脚掌比足跟宽，滤波后的灰度直方图的最高峰值点为脚掌中心行，次高峰值点为足跟中心行；

步骤(34)：在脚掌纵向中行上下两侧各取足底压力图像总行数的1/6行得到脚掌区，将脚掌区图像沿横轴积分投影得到脚掌灰度直方图，脚掌灰度直方图最高峰值点为脚掌中心列，次高峰值点为足跟中心列，脚掌中心行与脚掌中心列的交点即为脚掌中心点，足跟中心行与足跟中心列的交点即为足跟中心点；

步骤(4)：如图3所示建立足底压力特征点定位模型，定位出足底压力图像的特征点；具体包括模型训练和特征点搜索两个阶段；

步骤(41)：在模型训练阶段，选取N张(N>200)的足底压力图像作为训练集，手工标记训练样本中特征点的准确位置，建立足底压力特征点定位模型，该模型训练阶段仅执行一次；

步骤(42)：在特征点搜索阶段，根据足跟和脚掌压力中心对足底压力特征点定位模型初始化，再通过迭代模型找到足底压力图像特征点的准确位置；

进一步的，所述模型训练阶段处理方法为：选取N张步骤(3)获得的足底压力图像作为训练集合；手工标记好每幅足底压力图像准确的n个(n>＝6)特征点的位置(特征点的选取包括足跟、脚掌中心点以及足底压力轮廓的拐点，特征点应当与足部各区域间有明显的相对位置关系)，如图4所示，作为实例，本实施例中选取了17个特征点,即：F1，F2，…,F16，F17，其中包括足跟中心点F2和脚掌中心点F1；特征点排序后的坐标依次串联形成一个形状向量，N张足底压力图像得到的形状向量集合记为X_u，其中第i张足底压力图像得到的形状向量记为X_ui，X_ui＝(x_i0,…,x_i(n-1),y_i0,…,y_i(n-1))^T,i＝0,…,N-1，其中，x_ik、y_ik分别表示第i幅足底压力训练图像中第k个特征点F_k(x_ik,y_ik)的横纵坐标，0≤k＜n；形状向量集合X_u作为建立足底压力特征点定位模型部分的输入，根据形状向量集合X_u建立足底压力特征点定位模型，供足底压力特征点搜索时使用；所述手工标记训练样本中特征点的准确位置和建立足底压力特征点定位模型部分仅在建立活动形状模型时执行一次；

更进一步的，所述足底压力特征点定位模型是一种基于模板的特征点定位方法，作为优选，本实施例中采用活动形状模型；首先，该模型可以通过Procrustes归一化方法，即通过平移、旋转、缩放变换操作，在不改变点分布模型的基础上将形状向量集合X_u对齐到同一个形状向量X，该形状向量X即为特征点模板；然后，为每个特征点构建局部特征；至此，特征点定位模型便构建完成；

更进一步的，所述将形状向量集合X_u对齐到同一个形状向量X的具体步骤如下：

步骤

选取X_u中第一个形状向量作为初始平均形状向量

步骤

将每个形状向量X_ui向平均形状向量

对齐，对齐过程中的变换向量记为T＝(scosθ,ssinθ,t_x,t_y)^T，其中，s为缩放尺度、θ为旋转角度、t_x为x轴平移向量、t_y为y轴平移向量，对齐后的形状向量记为X′_ui；

对齐的操作为X′_ui＝X_uiT，其中，变换向量T的计算方法为：

其中，

W为权重矩阵，计算方法为：

首先，计算第i个形状中特征点k(x_ik,y_ik)、l(x_ik,y_ik)之间的距离：

然后，计算特征点k的加权值

其中方差V_Dkl为所有N个足底压力图像中特征点k(x_ik,y_ik)、l(x_ik,y_ik)距离D_ikl(i＝0,…,N-1)的方差；加权，值w_k表示特征点k的稳定程度；

最后，以w_k为对角线作对角矩阵W，该对角矩阵即为权重矩阵；

步骤

更新对齐后的所有形状向量X′_ui的平均形状向量，记为

步骤

重复步骤

直到收敛或最大迭代次数，然后输出对齐后的形状向量，记为X；

收敛判定条件为：计算前后两次平均形状向量之间的变换向量T,若同时满足条件|s-1|＜0.001,|θ|＜0.001π/180,|t|＜0.01，则收敛；

更进一步的，所述为每个特征点构建局部特征的具体操作为：计算训练样本中特征点i(i＝0,1,…,n-1)的平均局部纹理

和方差S_i；首先，在第j(j＝0,1,…,N-1)个训练样本的第i个特征点两侧，沿垂直于该点前后两个特征点连线的方向上分别选择h个压力点，构成一个长度为2h+1的向量，对该向量所包含的压力值求导得到一个局部纹理g_ij，对训练集中所有样本同样操作可得到第i个特征点的N个局部纹理，计算均值

和方差

进一步的，所述建立活动形状模型包括PCA分析，步骤如下：

步骤(PCA-1)：计算对齐后的N个形状向量的平均形状向量

步骤(PCA-2)：计算N个形状向量的协方差矩阵

步骤(PCA-3)：计算协方差矩阵的特征值λ_i并从大到小排序，其对应的特征向量记为p_i,i＝0,1,…,2n-1；

步骤(PCA-4)：选取前k个最大特征值，并将相应的特征向量构成主成分分析矩阵P＝(p₀,p₁,…,p_k-1)；

步骤(PCA-5)：构建活动形状模型为

其中，b是一个k维形状参数，用来控制特征点的形状变化；此处将b约束为

进一步的，所述特征点搜索阶段包括以下步骤：根据足跟和脚掌压力中心对活动形状模型初始化，再通过迭代模型找到足底压力图像特征点的准确位置，具体步骤如下：

步骤(421)：通过仿射变换对活动形状模型初始化；目标足底压力图像中足跟和脚掌压力中心坐标分别记为(x₁,y₁)和(x₂,y₂)，主动形状模型中足跟和脚掌压力中心的坐标分别记为(x'₁,y'₁)和(x'₂,y'₂)，首先，计算缩放尺度s和旋转角度θ，令平移向量t_x和t_y为0，对活动形状模型进行缩放和旋转，得到临时形状，记临时形状的足跟和脚掌压力中心坐标分别为(x″₁,y″₁)，并计算出平移向量t_x,t_y，然后，令s＝0,θ＝0,对临时形状进行平移，得到模型的初始位置X_c；

步骤(422)：搜索足底压力图像中每个特征点的新位置；首先，将活动形状模型的初始位置X_c覆盖在足底压力图像上,具体如图5所示，其中点F_c1，F_c2，…,F_c16，F_c17，均为初始位置X_c中的特征点。对于模型中第i个特征点，在垂直于其前后两个特征点连线方向上以其为中心，两边各选m(m>h)个压力点，加上特征点i构成一个长度为2m+1的搜索邻域；让长度为h个压力点的窗口在该搜索邻域内滑动，计算每个窗口的局部纹理g_i，并计算该局部纹理和平均纹理之间的马氏距离，使得马氏距离最小的那个窗口的中心点作为特征点i的新位置；

步骤(423)：更新姿态参数；计算活动形状模型初始位置的形状向量X_c与更新位置后的形状向量X_new的变换向量T和变形参数b；

步骤(424)：重复步骤(422)、(423)，计算新的形状向量X_new与原形状向量X_c的距离D_x，

其中，x_newi、y_newi分别为新的形状向量X_new的第i个特征点的横坐标和纵坐标，x_ci、y_ci分别为原形状向量X_c的第i个特征点的横坐标和纵坐标。若

或循环达到最大次数，则搜索完成，至此，得到足底压力图像中每个特征点的准确位置；

步骤(5)：如图6所示，其中点F_o1，F_o2，…,F_o16，F_o17，均为足底压力图像中每个特征点F1，F2，…,F16，F17的准确位置。根据足部各区域与足底压力特征点之间的相对位置关系，结合步骤(4)中获得的足底压力图像的特征点，对足底压力图像进行分区；在本实施例中，将足底压力图像分成脚趾区、脚掌区、足中内侧、足中外侧、足跟内侧和足跟外侧这6个区域；具体的步骤为：F_o3-F_o17号特征点的包络面为整个足印区域；F_o3-F_o4-F_o5-F_o16-F_o17号特征点的包络面为足跟区域，F_o3号和F_o2号特征点连线可将足跟区域分割成足跟内侧区域和足跟外侧区域；F_o5-F_o6-F_o15-F_o16号特征点的包络面为足中区域，F_o1号和F_o2号特征点的连线可将足中区域进一步分割成足中内侧区域和足中外侧区域；F_o7-F_o8-F_o9-F_o13-F_o14-F_o15号特征点的包络面为脚掌区域；F_o9-F_o10-F_o11-F_o12-F_o13号特征点的包络面为脚趾区域。

Claims (10)

1.一种面向步态分析的足底压力图像分区方法，其特征在于，包括如下步骤：

步骤(1)：获取足底压力数据并进行前期处理；

步骤(2)：对步骤(1)中前期处理后的足底压力数据进行聚类，定位脚印在足底压力数据中的位置，获得脚印区域的足底压力图像；

步骤(3)：对步骤(2)中获得的足底压力图像进行积分投影，获得足跟和脚掌压力中心；

步骤(4)：建立足底压力特征点定位模型，定位出足底压力图像的特征点；

步骤(5)：根据足部各区域与足底压力特征点之间的相对位置关系，结合步骤(4)中获得的足底压力图像的特征点，对足底压力图像进行分区。

2.根据权利要求1所述的面向步态分析的足底压力图像分区方法，其特征在于：所述步骤(1)的具体实施过程包括：

步骤(11)：采用阵列式压力传感器获取时域内相邻多帧(至少3帧)包含完整脚印的足底压力数据；

步骤(12)：使用步骤(11)获得的多帧足底压力数据对中间帧足底压力数据进行时域均值滤波；

步骤(13)：对步骤(12)获得的中间帧足底压力数据依次进行最大值滤波处理、插值处理，得到尺寸统一、行列间距相等的前期处理足底压力数据。

3.根据权利要求1所述的面向步态分析的足底压力图像分区方法，其特征在于：所述步骤(2)的具体过程包括：

步骤(21)：使用DBSCAN聚类算法对步骤(1)获得的前期处理后的足底压力数据进行聚类，得到多个压力区域块，脚印区域由若干个压力区域块组成；

步骤(22)：以步骤(21)获得的多个压力区域块中的每个压力区域块的最小外接矩中心点作为该压力区域块的中心，采用K-均值聚类算法将压力区域块聚集成脚印区域；

步骤(23)：将步骤(22)获得的脚印区域压力数据提取出来，得到一张包含完整脚印的足底压力图像。

4.根据权利要求1所述的面向步态分析的足底压力图像分区方法，其特征在于：所述步骤(3)的具体过程包括：

步骤(31)：以步骤(2)获得的足底压力图像的最小外接矩的长边方向为纵轴，短边方向为横轴，将足底压力图像沿纵轴积分投影得到灰度直方图；

步骤(32)：若步骤(31)获得的灰度直方图含有多个相近的峰值点，采用长度为N的滑动窗口对灰度直方图进行均值滤波；

步骤(33)：基于脚掌比足跟宽，滤波后的灰度直方图的最高峰值点为脚掌中心行，次高峰值点为足跟中心行；

步骤(34)：在脚掌纵向中心行上下两侧各取足底压力图像总行数的1/6行得到脚掌区，将脚掌区图像沿横轴积分投影得到脚掌灰度直方图，脚掌灰度直方图最高峰值点为脚掌中心列，次高峰值点为足跟中心列，脚掌中心行与脚掌中心列的交点即为脚掌中心点，足跟中心行与足跟中心列的交点即为足跟中心点。

5.根据权利要求1所述的面向步态分析的足底压力图像分区方法，其特征在于：所述步骤(4)实现过程：包括模型训练和特征点搜索两个阶段：

步骤(41)：在模型训练阶段，选取N张足底压力图像作为训练集，N>200；手工标记训练样本中特征点的准确位置，建立足底压力特征点定位模型，该模型训练阶段仅执行一次；

步骤(42)：在特征点搜索阶段，根据足跟和脚掌压力中心对足底压力特征点定位模型初始化，再通过迭代模型找到足底压力图像特征点的准确位置。

6.根据权利要求5所述的面向步态分析的足底压力图像分区方法，其特征在于：所述模型训练阶段的处理方法为：选取N张步骤(3)获得的足底压力图像作为训练集合；手工标记好每幅足底压力图像准确的n个特征点的位置，n为特征点的个数，n>＝6，特征点的选取包括足跟、脚掌中心点以及足底压力轮廓的拐点，特征点应当与足部各区域间有明显的相对位置关系，特征点排序后的坐标依次串联形成一个形状向量,N张足底压力图像得到的形状向量集合记为X_u，其中第i张足底压力图像得到的形状向量记为X_ui，X_ui＝(x_i0,…,x_i(n-1),y_i0,…,y_i(n-1))^T,i＝0,…,N-1，其中，x_ik、y_ik分别表示第i幅足底压力图像中第k个特征点F_k(x_ik,y_ik)的横纵坐标，0≤k＜n；形状向量集合X_u作为建立足底压力特征点定位模型部分的输入，根据形状向量集合X_u建立足底压力特征点定位模型，供足底压力特征点搜索时使用，所述手工标记训练样本中特征点的准确位置和建立足底压力特征点定位模型部分仅在建立活动形状模型时执行一次。

7.根据权利要求6所述的面向步态分析的足底压力图像分区方法，其特征在于：所述足底压力特征点定位模型是一种基于模板的特征点定位，采用ASM模型或AAM模型建立，建立方法为：首先，通过Procrustes归一化方法，即通过平移、旋转、缩放变换操作，在不改变点分布模型的基础上将形状向量集合X_u对齐到同一个形状向量X，该形状向量X即为特征点模板；然后，为每个特征点构建局部特征，至此特征点定位模型构建完成。

8.根据权利要求7所述的面向步态分析的足底压力图像分区方法，其特征在于：所述将形状向量集合X_u对齐到同一个形状向量X包括以下步骤：

步骤(411)：以某个训练样本X_j为形状基准

对其他训练样本X_i进行平移、旋转和缩放，使所有样本与基准形状接近；训练样本X_i与形状基准

之间的接近程度使用欧式距离定义

得到变换后的形状向量为X′_i＝M(s,θ)[X_i]-t，其中，s为缩放尺度、θ为旋转角度、t平移向量；

步骤(412)：计算所有变换后的训练样本X′_u的平均形状作为新的形状基准

并计算当前形状基准

与上次形状基准

之间的平移、旋转和缩放偏差；

步骤(413)：迭代步骤(411)和步骤(412)，若偏差小于指定阈值或迭代超过规定最大迭代次数时停止迭代；最后一次得到的形状基准作为所有训练样本对齐后的平均形状向量X。

9.根据权利要求7所述的面向步态分析的足底压力图像分区方法，其特征在于：所述为每个特征点构建局部特征的具体操作为：计算训练样本中特征点i的平均局部纹理

和方差S_i，i＝0,1,…,n-1；首先，在第j个训练样本的第i个特征点两侧，j＝0,1,…,N-1，沿垂直于该点前后两个特征点连线的方向上分别选择h个压力点，构成一个长度为2h+1的向量，对该向量所包含的压力值求导得到一个局部纹理g_ij，对训练集中所有样本同样操作得到第i个特征点的N个局部纹理，计算均值

和方差

10.根据权利要求5所述的面向步态分析的足底压力图像分区方法，其特征在于：所述特征点搜索阶段包括：根据足跟和脚掌压力中心对模型初始化，再通过迭代模型找到足底压力图像特征点的准确位置；具体步骤为：

步骤(421)：以足跟和脚掌压力中心为基准，计算目标足底压力图像中足跟和脚掌压力中心(x₁,y₁)和(x₂,y₂)与形状基准

中足跟和脚掌压力中心(x'₁,y'₁)和(x'₂,y'₂)之间的平移、旋转、缩放偏差，对形状基准

进行变换得到模型初始位置X_c；

步骤(422)：搜索足底压力图像中每个特征点的新位置；首先，将活动形状模型的初始位置X_c覆盖在足底压力图像上，对于模型中第i个特征点，在垂直于其前后两个特征点连线方向上以其为中心，两边各选m个压力点，m>h，加上特征点i构成一个长度为2m+1的搜索邻域；使长度为h个压力点的窗口在该搜索邻域内滑动，计算每个窗口的局部纹理g_i，并计算该局部纹理和平均纹理

之间的马氏距离，使得马氏距离最小的窗口的中心点作为特征点i的新位置；

步骤(423)：计算模型初始位置X_c的形状向量与更新位置后的形状向量的平移、旋转和缩放参数；

步骤(424)：重复步骤(422)、(423)，计算新的形状向量X_new与原形状向量X_c的距离D_x，

其中，x_newi、y_newi分别为新的形状向量X_new的第i个特征点的横坐标和纵坐标，x_ci、y_ci分别为原形状向量X_c的第i个特征点的横坐标和纵坐标，若

或循环达到最大次数，则搜索完成，则搜索完成，至此得到足底压力图像中每个特征点的准确位置。

Images