1.基于重心偏移模型区分平衡能力障碍人群的方法，其特征在于，具体操作步骤包括如下：步骤1.摄像机的镜头正对在人体正面和侧面中间的位置，即从45o采集正常人和非正常人在搭建好的虚拟现实场景中的人体行走姿态视频；

步骤2.加载采集到的两组人体行走姿态视频，分别将视频图像提取成图片，然后将图片进行处理分别得到两类人体的重心坐标；

步骤3.根据得到的重心坐标数据，并提取重心夹角数据和人体上下重心均方差，通过SVM分类器将提取到的重心数据分类后，结合重心夹角数据和人体上下重心均方差，判断出平衡能力障碍人群。

2.如权利要求1所述的基于重心偏移模型区分平衡能力障碍人群的方法，其特征在于，所述步骤2操作过程如下：步骤2.1使用cvLoadImage函数读取采集到的两类人体姿态视频，设定读入视频的开始时间和结束时间，如果capture函数没有读取到含有人像的视频，则重新设定视频的开始时间和结束时间，如果capture函数读取到含有人像的视频，则进行下一步；

步骤2.2通过OpenCV中的CvCapture函将提取的两组视频分别拆帧，首先分别提取出两组视频中的空白场景进行图片保存，然后将拍摄的人体姿态视频每两秒取一帧保存为图片；

步骤2.3将保存的两组人体姿态图片分别与空白场景进行差分处理，得到只有人体姿态的图片；

步骤2.4将差分后的图片进行图像去噪；

步骤2.5将去噪后的图片进一步进行图像腐蚀，最终得到只有人体图像的黑白图像；

步骤2.6将腐蚀后得到的图像进行边缘提取，利用Canny边缘检测算子对腐蚀后的图像进行处理得到图像的连通区域，首先使用高斯滤波器与图像进行卷积，以减少边缘检测器上明显的噪声影响；然后，计算图像中每个像素点的梯度强度和方向，并应用非极大值抑制，以消除边缘检测带来的杂散响应；最后，使用双阈值检测来确定真实的和潜在的边缘，并通过抑制孤立的弱边缘最终完成边缘检测，使用findContours提取出人体轮廓图像；

步骤2.7计算人体轮廓图像的矩，通过轮廓图像的矩计算人体重心坐标。

3.如权利要求2所述的基于重心偏移模型区分平衡能力障碍人群的方法，其特征在于，所述步骤2.3中差分处理的具体过程是如下：首先，将保存的两组人体姿态图片与空白场景图片进行二值化处理，使得所有图像均为黑白图像；

然后，将二值化后的两组人体姿态照片与空白场景图片做差分处理，设第k时刻所提取到的含有人体的图像为xk，空白场景的图像为xj，对两张图像进行差分，得到差分图像为Δxk：Δxk＝xk-xj。

4.如权利要求2所述的基于重心偏移模型区分平衡能力障碍人群的方法，其特征在于，所述步骤2.4的图像去噪过程为：采用中值滤波法将差分处理图像中一点的像素值用该点邻域内各点的像素中值代换，得到去噪后的图片，具体过程是，设f(x,y)，g(x,y)分别为差分处理的图像和去噪处理后的图像，则中值滤波输出为g(x,y)＝med{f(x-k,y-l),(k,l∈W)}，其中，W为二维模板，k，l分别为图像的行和列。

5.如权利要求2所述的基于重心偏移模型区分平衡能力障碍人群的方法，其特征在于，所述步骤2.5的具体操作步骤如下：对通过差分以及去噪的图像进行腐蚀，通过getStructuringElement函数定义腐蚀窗口的大小，选择矩形窗口MORPH_RECT，腐蚀核的大小选择3×3，然后，通过腐蚀窗口MORPH_RECT使用erode函数进行腐蚀操作，得到只含有人像的图片。

6.如权利要求2所述的基于重心偏移模型区分平衡能力障碍人群的方法，其特征在于，所述步骤2.7中人体重心坐标的计算方法是：首先，计算人体轮廓图像的矩，将图片中的人体作为一个平面物体，将每个点的像素值作为该点的密度，该点的期望值就是该点的矩，采用图像的一阶矩计算人体重心坐标，如公式1-3所示：则人体图像重心的坐标为：

其中，V(i,j)表示人体图像在点(i,j)上的灰度值，当图像为二值图，V(i,j)只有黑色和白色，即0和1两种值，则M00表示为人体图像中白色区域的总和，即二值图像的面积，M10代表图像中白色区域横坐标值的累加；同理，M01代表图像中白色区域纵坐标值的累加，xc代表重心横坐标，yc代表重心纵坐标。

7.如权利要求2所述的基于重心偏移模型区分平衡能力障碍人群的方法，其特征在于，所述步骤3的操作步骤如下：步骤3.1将获取的重心坐标作为输入数据通过SVM分类器进行分类，得到带有标记的正常人和非正常人重心坐标数据；

步骤3.2分别提取正常人和非正常人的重心夹角；

步骤3.3分别计算正常人和非正常人的重心均方差；

步骤3.4结合步骤3.1-3.3得到人体重心坐标、重心夹角和重心均方差，区分出平衡能力障碍人群。

8.如权利要求7所述的基于重心偏移模型区分平衡能力障碍人群的方法，其特征在于，所述步骤3.1中采用SVM分类器分类的过程如下：首先，加载训练数据集和测试数据集，包含了训练数据和训练标签以及测试数据和测试标签，即人体重心坐标数据及正确标签，将其分为训练数据和测试数据两部分，通过SVMcgForRegress参数寻优函数获取当前数据的最优参数，使用得到的优化后的参数再通过svmtrain函数训练数据，得到训练完成的model；最后使用svmpredict函数进行测试，得到带有标记“1”或“-1”重心坐标数据。

9.如权利要求7所述的基于重心偏移模型区分平衡能力障碍人群的方法，其特征在于，所述步骤3.2的具体计算过程如下：通过计算出来的人体上中下三个重心坐标，使用atan2函数并转化为角度，可以计算出上中下重心坐标的夹角：设上重心P1的坐标为(x1,y1)，中间重心坐标P2(x2,y2)，下重心P3坐标为(x3,y3)，重心夹角为θ，则P1P2与x轴正方向的夹角弧度为atan2(y2-y1,x2-x1)，夹角θ1为atan2(y2-y1,x2-x1)*180/π，同理，P3P2与x轴正方向的夹角θ2为atan2(y3-y2,x3-x2)*

180/π，重心夹角θ表示为θ1+θ2，如公式7，分别计算出正常人和非正常人的重心夹角：其中，n为所提取的重心夹角数量，p1.y、p2.y、p3.y为三个重心点的纵坐标，p1.x、p2.x、p3.x为三个重心点的横坐标。

10.如权利要求7所述的基于重心偏移模型区分平衡能力障碍人群的方法，其特征在于，所述步骤3.3的具体见过程如下：对人体行走视频每隔两秒提取一帧图片，共20帧图片，对经过计算后提取出的上半身以及下半身重心的纵坐标，利用公式8分别计算均值以及方差：其中，n为实验对象个数，t∈[1,n]， 代表在t时间的上半身和下半身重心纵坐标的值， 代表重心纵坐标的均值，CGS为重心的均方差；

所述步骤3.4区分平衡能力障碍人群的方法是：

根据重心数据上的标记进行判断，若输出的平衡能力标记为“1”，则被区分为正常人，说明平衡能力较好；若输出的平衡能力标记为“-1”，则被区分为非正常人，说明存在平衡能力障碍；重心的夹角值相对大的，平衡能力好，重心的夹角值相对较小，存在平衡能力障碍；

重心方差值相对大的说明人体重心的波动越大、越不稳定，平衡能力越差。