1.基于视觉刺激下的重心面积模型区分人体平衡障碍的方法，其特征在于，具体操作过程包括如下步骤：步骤1.按照与人体行走时正面呈90°的角度拍摄正常人和非正常人在搭建好的模拟现实的场景中的人体行走姿态视频；

步骤2.将采集到的正常人和非正常人的行走姿态视频分别提取成图片，然后将提取的图片分别进行处理得到正常人和非正常人的上中下重心坐标数据；

步骤3.根据得到的正常人和非正常人的上中下重心坐标数据，提取由上中下重心组成的三角形面积、重心三角形面积的均方差、以及人体行走的速度和路程轨迹图；通过SVM分类器将提取到的重心面积数据分类后，结合重心面积数据、三角形面积均方差、速度和轨迹路线图，判断并分类出平衡能力障碍人群。

2.如权利要求1所述的基于视觉刺激下的重心面积模型区分人体平衡障碍的方法，其特征在于，所述步骤2的具体过程如下：步骤2.1使用cvLoadImage函数读取采集到的正常人和非正常人的姿态视频，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，重复步骤2.1，如果capture函数读取到含有人像的视频，则进行步骤2.2；

步骤2.2通过OpenCV中的CvCapture函数将提取的正常人和非正常人的视频分别拆帧，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将保存的正常人和非正常人的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，差分的具体过程为：首先，将保存的正常人和非正常人的包含有人体姿态的图片与空白场景图做差分处理，设第k时刻提取到的含有人体的图像为Ip，空白场景的图像为Ie，对两张图像进行差分，得到差分图像为Idif：Idif＝Ip‑Ie；

步骤2.4将差分后的图片用双边滤波算法进行图像去噪；

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灰度图像；

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函数提取出人体轮廓图像；

步骤2.7我们将人体分为上中下三部分，分别计算人体轮廓图像的矩，通过轮廓图像的矩计算人体上中下重心坐标。

3.如权利要求2所述的基于视觉刺激下的重心面积模型区分人体平衡障碍的方法，其特征在于，所述步骤2.4的具体过程如下：使用双边滤波算法对差分处理后的图像进行滤波，双边滤波采用加权平均的方法，用周边像素亮度值的加权平均代表某个像素的强度，所用的加权平均基于高斯分布，用双边滤波算法将差分处理后的图像中一点像素的强度用周边像素亮度值的加权平均代表，令Idif, 分别为差分处理得到的图像和去噪处理后的图像，则双边滤波输出的结果为 其中，参数σs定义了用于过滤像素的空间邻域的大小，σr控制了由于强度差异而使相邻像素下降的程度，使权的和标准化。

4.如权利要求2所述的基于视觉刺激下的重心面积模型区分人体平衡障碍的方法，其特征在于，所述步骤2.5中图像的腐蚀过程如下：对通过差分和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。

5.如权利要求2所述的基于视觉刺激下的重心面积模型区分人体平衡障碍的方法，其特征在于，所述步骤2.7中人体重心坐标的计算方法如下：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。

6.如权利要求1所述的基于视觉刺激下的重心面积模型区分人体平衡障碍的方法，其特征在于，所述步骤3的具体过程如下：步骤3.1根据获得的正常人和非正常人的上中下重心坐标数据求出的重心三角形的面积作为输入数据，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分别求出正常人和非正常人的上中下重心所组成的三角形面积的均值和方差；

步骤3.3将整个模拟现实场景中，正常人和非正常人行走的路程均分前半段路程和后半段路程，使用路程和行走的时间，根据公式V＝S/t分别计算得到正常人在半段路程和后半段路程中的速度值，以及非常人在半段路程和后半段路程中的速度值；

步骤3.4已知人体上中下三个重心的坐标数据，分别对其横坐标求平均，对其纵坐标求和得到重心三角形的重心坐标，将每帧图片上的重心三角形的重心的纵坐标依次连接起来画出人体行走轨迹路线图；

步骤3.5结合步骤3.1至3.4得到的人体上中下重心所组成的三角形面积、面积均方差、速度和路程轨迹图，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；重心三角形面积值小，平衡能力好，重心三角形面积值大说明存在平衡能力障碍；重心三角形面积均方差值相对大的说明人体重心面积的波动越大、越不稳定，平衡能力越差；

速度值大的说明平衡能力好，速度值小的说明平衡能力差，肢体稳定性不好；路程轨迹趋势相对平缓，平衡能力好；路程轨迹波动趋势相对大的，平衡能力差。

7.如权利要求6所述的基于视觉刺激下的重心面积模型区分人体平衡障碍的方法，其特征在于，所述步骤3.1的具体操作过程如下：面积提取过程为：通过计算出来的人体上中下三个重心坐标，先使用getDistance函数求出三个坐标点两两之间的距离a，b，c；然后再求出三边总和的一半p；最后根据海伦公式其中p＝(a+b+c)/2；

SVM分类器分类的过程为：首先加载训练数据集和测试数据集，其中包含了训练数据和训练标签以及测试数据和测试标签，即人体重心面积数据及正确标签，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。

8.如权利要求6所述的基于视觉刺激下的重心面积模型区分人体平衡障碍的方法，其特征在于，所述步骤3.2的具体过程如下：对人体行走视频每隔两秒提取一帧图片，共提取30帧图片，对经过计算后提取出的上中下三个重心所组成的三角形的面积，利用公式4分别计算均值以及方差：其中，n为实验对象的个数，t∈[1，n]， 代表在t时刻上中下三重心所组成的三角形面积大小， 代表上中下三重心所组成的三角形面积大小的均值，AOA为重心面积的均方差。