CN102722715A - 一种基于人体姿势状态判决的跌倒检测方法 - Google Patents

Abstract

本发明公开了一种基于人体姿势状态判决的跌倒检测方法，通过对二值化处理后的图像提取目标区域，对目标区域提取物体Zernike矩特征、高度、宽度、宽高比、目标区域面积、目标区域周长、轮廓面积、轮廓周长、帧差最大行列特征变量、运动物体高度特征变量。将提取出来的这些变量分别送入两个离线训练好的分类器对被监控者的运动情况作出判断，最终判定被监控者的真实运动状况。本发明完全运用图像处理技术，能够准确有效地区分行走、下蹲和跌倒的姿势状态，并可满足在较低性能的硬件平台上实现实时处理的要求。

Description

一种基于人体姿势状态判决的跌倒检测方法

技术领域

本发明涉及计算机视觉信息处理领域，特别涉及一种基于人体姿势状态判决的跌倒检测方法。

背景技术

近年来，随着社会不断发展，对监控系统的需求已经从简单的“看”发展为“查”，甚至“报”，其关键在于如何利用图像处理技术对获取的视频数据进行处理，因此智能监控系统的主要功能是通过摄像头从连续的视频图像中提取出运动目标，对运动目标的运动行为进行识别和跟踪，并对其行为进行理解和描述。

其中人体的跌倒检测属于人体运动行为识别的一个重要的部分，尤其是独居老人或者在野外单独活动的个人，如果发生了跌倒而无人知道，有可能带来不堪设想的后果；同时目前视频监控点较多，需要较多的人员同时对视频进行观看，极有可能产生漏报等情况。如何让监控设备能够智能化地判断被监控对象是否发生了跌倒，并及时向相关人员报警是目前智能化监控系统的发展方向之一。

目前视频监控研究处于初步阶段，多数监控系统只具备了移动侦测的功能，无法实现对视频监控中异常行为进行判断和报警，存在以下缺点，包括：监控系统长期需要专人值守，耗费了人力资源；长时间的监控会引起监控者视觉疲劳和注意力下降，容易出现报警不准确、不及时甚至错报、漏报的现象；数据的保存主要为被动式存储，无法实现报警主动存储。

对这方面的学术研究相对比较少，使用关键词“跌倒检测”在中国电子期刊网中进行搜索，共计找到11条记录，这些检测方法主要针对的是老年人的行走安全，采用的方法主要是基于传感器的。另外，在人体异常行为的检测之中，也有基于视频图像分析的方法，比如对于非法进入设定区域的检测。

类似的技术也有基于传感器的跌倒检测，但该技术在实际使用中存在以下的缺点，包括：需要额外佩戴硬件传感器获取人体运动信息；加速度传感器和系统其它单元之间的通讯稳定性无法得到保证；加速度传感器单元电路器件需要定时充电；所需的传感器装置加重了系统的成本。

采用视频图像分析目前主要以复杂数学建模方法为主，在实际使用中存在一些缺点，包括：复杂的数学运算需要较高性能的硬件平台支持才能满足系统的实时性处理的要求，这无疑降低了系统的实用性；在异常行为的行为的定义与区分上，现有的系统没有对特定的异常行为作出检测，针对性较弱，也常会把下蹲等不带危险性的属于人体正常运动的行为定义为异常，误报率较高；在实用的算法上，目前的多数方案所选取的特征的维数往往有限，没有充足的特征维数保证检测的准确性。

发明内容

本发明的目的在于克服现有技术的上述缺点与不足，提供一种基于人体姿势状态判决的跌倒检测方法，完全运用图像处理技术，能够有效地区分行走、下蹲和跌倒的姿势状态，并可满足在较低性能的硬件平台上实现实时处理的要求。

本发明通过的目的通过以下技术方案实现：

一种基于人体姿势状态判决的跌倒检测方法，包括以下步骤：

S1初始化系统，获取图像数据；

S2对获取到的图像进行相邻帧差分，对差分后的图像进行二值化处理；

S3对步骤S2得到的二值化图像提取目标区域；

S4判断S3得到的目标区域中是否有物体运动，若否，返回步骤S 1，对一下帧图像进行检测；若有，则进行步骤S5；

S5判断运动的物体是人体还是噪声干扰，若是噪声干扰则返回步骤S1，对一下帧图像进行检测；若是人体则进行步骤S6；

S6对目标区域提取Zernike距特征和运动轮廓特征，所述运动轮廓特征包括物体的高度、物体的宽度、物体的宽高比、目标区域面积、目标区域周长、轮廓面积、轮廓周长、帧差最大行列特征变量、运动物体高度特征变量；

S7将物体的宽高比、目标区域面积、目标区域周长、帧差最大行列特征变量、运动物体高度特征变量送入预先训练好的第一分类器；所述第一分类器用于区分行走与非行走姿势状态；

当第一分类器判定为行走姿势状态时，返回步骤S1，对一下帧图像进行检测；

当第一分类器判定为非行走姿势状态时，进行步骤S8;

S8将Zernike距特征、物体的高度、物体的宽度、轮廓面积、轮廓周长送入预先训练好的第二分类器；所述第二分类器用于区分下蹲与跌倒姿势状态；

当第二分类器判定为下蹲姿势状态时，返回步骤S1，对一下帧图像进行检测；

当第二分类器判定为跌倒姿势状态时，标记跌倒行为，并发出警报。

步骤S3所述对步骤S2得到的二值化图像提取目标区域，具体包括以下步骤：

S31初步检测：以整幅视频帧图像为对象，逐行计算整幅图像的各行像素值，得到图像最大行像素值；计算各行像素值与图像最大行像素值的比值，分别与设定的阈值TH1比较；略去图像中行像素值小于阈值TH1的区域，记录初步的包含物体的矩形框的纵坐标Yup、Ydown；其中阈值TH1由用户根据具体情况设定，TH1应该选择一个比较小的阈值；

以整幅视频帧图像为对象，逐列计算整幅图像的各列像素值，得到图像最大列像素值；计算各列像素值与图像最大列像素值的比值，分别与设定的阈值TH2比较；略去图像中列像素值小于阈值TH2的区域，记录初步的包含物体的矩形框的横坐标Xleft、Xright；其中阈值TH2由用户根据具体情况设定，TH2应该选择一个比较小的阈值；

在点（Xleft，Ydown）和点（Xright，Yup）之间的矩形区域即为初步的目标区域。

S32精细检测：以步骤S31得到的初步的目标区域为对象，逐行计算初步的目标区域的各行像素值，得到区域最大行像素值；计算各行像素值与区域最大行像素值的比值，分别与设定的阈值TH3比较；略去初步的目标区域中行像素值小于阈值TH3的区域，记录最终的包含物体的矩形框的纵坐标Ymax和Ymin；其中阈值TH3由用户根据具体情况设定，TH3应该选择一个比TH1略大的阈值；

以步骤S31得到的初步的目标区域为对象，逐列计算初步的目标区域的各列像素值，得到区域最大列像素值；计算各列像素值与区域最大列像素值的比值，分别与设定的阈值TH4比较；略去初步的目标区域中列像素值小于阈值TH4的区域，记录最终的包含物体的矩形框的横坐标Xmax和Xmin；其中阈值TH4由用户根据具体情况设定，TH4应该选择一个比TH2略大的阈值；

得到在点（Xmin，Ymin）和点（Xmax，Ymax）之间的矩形区域即为最终的目标区域。

在对被检测物体进行运动检测的时候，决定整个系统检测的正确率的关键在于对黑白二值图像的目标区域的框选的准确性。在准确框选了目标区域之后，根据本发明的方法对跌倒情况的检测能够得到很好的结果。而光照、机器噪声、外来物体干扰对于检测照成的影响也主要体现在对于运动区域框选准确性的影响上。提高运动区域框选的准确性对于提高整个检测算法的准确性有着举足轻重的作用，因此，本发明通过两次检测提取目标区域，极大提高了准确率。

步骤S4所述判断S3得到的目标区域中是否有物体运动，具体为：

计算目标区域各行的行像素和、各列的列像素和，若最大的行像素和低于阈值TH5或者最大的列像素和低于阈值TH6，则判断目标区域中无物体运动。

步骤S5所述判断运动的物体是人体还是噪声干扰，具体为：

计算运动物体的轮廓面积，若轮廓面积大于阈值TH7，则判定为人体；若若轮廓面积小于阈值TH7，则判断为噪声干扰。

步骤S7所述第一分类器采用以下方法进行离线训练：

将人工判断属于行走姿势状态的目标区域做为正样本，将人工判断属于非行走姿势状态类的目标区域作为负样本；分别对正、负样本提取下述特征：物体的宽高比、目标区域面积、目标区域周长、帧差最大行列特征变量、运动物体高度特征变量，将提取出来的特征送入分类器训练。

步骤S8所述第二分类器采用以下方法进行离线训练：

将人工判断属于跌倒状态的目标区域做为正样本，将人工判断属于下蹲状态的目标区域作为负样本；分别对正、负样本提取下述特征：物体的宽高比、目标区域面积、目标区域周长、帧差最大行列特征变量、运动物体高度特征变量、Zernike距特征、物体的高度、物体的宽度、轮廓面积、轮廓周长，将提取出来的特征送入分类器训练。

采用离线训练的方法，一方面，通过充足的样本的训练，可以保证分类器的分类准确率；另一方面，系统在提前完成样本训练后即可投入运行，避免了分类器训练所需的大量时间的影响，从而保证了整个检测流程的实时性。

步骤S2所述对获取到的图像帧帧序列进行相邻帧差分，对差分后的图像进行二值化处理，具体为：将图像划分为若干个宏块图像，将相邻帧的对应宏块图像做差分后再进行二值化处理。

本发明的原理如下：将人的行走、下蹲和跌倒看作三种不同的姿势状态，虽然每个姿势状态内部由于不同人不同习惯的影响会有差别，但是三个不同的姿势状态之间的整体差异性较大，可以对不同姿势状态提取多类特征训练可靠的SVM分类器。在进行分步判决时，通过已经训练的分类器，能够准确地识别某一时刻被监控者的运动行为。

与现有技术相比，本发明具有以下优点和有益效果：

1、本发明通过图像处理技术直接获取人体运动信息，无需额外佩戴其他硬件传感器，可以在摄像头所能监控的区域内直接实现行为的监测。专门针对异常行为中的跌倒行为进行判断，能够准确区分行走、下蹲与跌倒的姿势状态，具有很高的鲁棒性；同时对可能出现的干扰，例如树枝晃动、球运动等干扰做了一定的消除，进一步提高了监测准确性。

2、本发明无需进行复杂的数学运算，分类器采用离线训练的方法，一方面可以通过充足的样本的训练保证分类准确率，另一方面保证了整个检测流程的实时性。对于硬件平台的要求较低，可在包括嵌入式等性能较低的平台上实现实时化处理，具有较高的实用性。

3、在判断过程中，只要第一分类器判断被监控者的运动行为属于行走姿势状态类，则输出判断结果，停止继续提取特征；只对第一分类器判断为属于非行走（下蹲、跌倒）姿势状态类的运动情况实施继续检测，通过分步判断的方法，在很大程度上降低了处理的数据量，进一步保证了检测的实时性。

附图说明

图1为本发明基于人体姿势状态判决的跌倒检测方法的流程图。

图2宽高比deltaY2X在不同行为中的取值变化曲线图。

图3为帧差最大行列特征变量Ypel2Xpel在不同行为中的取值变化曲线图。

图4为运动物体高度特征变量Heightdelta在不同行为中的取值变化曲线图。

图5为跌倒姿态的二值化图像。

图6为下蹲姿态的二值化图像。

图7为第一跌倒姿势的二值化图像。

图8为第二跌倒姿势的二值化图像。

具体实施方式

下面结合实施例及附图，对本发明作进一步地详细说明，但本发明的实施方式不限于此。

实施例

如图1所示，本发明基于人体姿势状态判决的跌倒检测方法，包括以下步骤：

S1初始化系统，通过摄像头接口获取图像数据。

S2对获取到的图像进行相邻帧差分，对差分后的图像进行二值化处理：将图像划分为若干个宏块图像，将相邻帧的对应宏块图像做差分后再进行二值化处理，将每个宏简化成逻辑0或逻辑1。

S3对步骤S2得到的二值化图像提取目标区域，具体包括以下步骤：

S31初步检测：以整幅视频帧图像为对象，逐行计算整幅图像的各行像素值，得到图像最大行像素值；计算各行像素值与图像最大行像素值的比值，分别与设定的阈值TH1比较；略去图像中行像素值小于阈值TH1的区域，记录初步的包含物体的矩形框的纵坐标Yup、Ydown；其中阈值TH1由用户根据具体情况设定，TH1应该选择一个较小的阈值；这一步中通过选取较小的阈值，初步检测出大致的目标区域，目的在于滤除掉不属于物体运动的区域。

以整幅视频帧图像为对象，逐列计算整幅图像的各列像素值，得到图像最大列像素值；计算各列像素值与图像最大列像素值的比值，分别与设定的阈值TH2比较；略去图像中列像素值小于阈值TH2的区域，记录初步的物体的矩形框的横坐标Xleft、Xright；其中阈值TH2由用户根据具体情况设定，TH2应该选择一个较小的阈值；

在点（Xleft，Ydown）和点（Xright，Yup）之间的矩形区域即为初步的目标区域；

S32精细检测：以步骤S31得到的初步的目标区域为对象，逐行计算初步的目标区域的各行像素值，得到区域最大行像素值；计算各行像素值与区域最大行像素值的比值，分别与设定的阈值TH3比较；略去初步的目标区域中行像素值小于阈值TH3的区域，记录最终的包含物体的矩形框的纵坐标Ymax和Ymin；其中阈值TH3由用户根据具体情况设定，TH3应该选择一个比TH1略大的阈值；这一步中通过选取相对较大的阈值，精确地检测出运动区域。

以步骤S31得到的初步的目标区域为对象，逐列计算初步的目标区域的各列像素值，得到区域最大列像素值；计算各列像素值与区域最大列像素值的比值，分别与设定的阈值TH4比较；略去初步的目标区域中列像素值小于阈值TH4的区域，记录最终的包含物体的矩形框的纵坐标Xmax和Xmin；其中阈值TH4由用户根据具体情况设定，TH4应该选择一个比TH2略大的阈值；

得到在点（Xmin，Ymin）和点（Xmax，Ymax）之间的矩形区域即为最终的目标区域。

一般来说，运动物体（人）在整幅图像中所占的面积相对较小，对一幅图像的整行整列进行、列像素加和的时候往往加入了很多属于背景噪声的像素，物体面积所占比例越小，受噪声影响越大。对于同一环境（地点、光照、背景噪声、运动情况等）的运动物体检测，以往经典算法可以通过选择一个合适的阈值来保证检测的准确率，但是在相对较复杂的存在一定变化的环境下，往往就需要工作人员根据环境变化调节阈值才能够保证检测的准确率。本发明在步骤S3中采用的检测算法，通过第一步的初步检测，将基本能够确定不属于运动区域的部分先行滤除，第二步再在此基础上进行精细检测。通过这样的处理，在第二步精细检测中，背景噪声像素明显减少，就算运动物体在整幅图像中所占的面积不大，仍然能够通过第一步的检测来缩小范围，使得在第二步检测中，运动物体在被处理图像中所占的面积增大。由于背景噪声减少了，所采用的检测算法可以适用的环境也就更加广泛，抵御环境噪声的能力也就更加强。

S4判断S3得到的目标区域中是否有物体运动，若否，返回步骤S1，对一下帧图像进行检测；若有，则进行步骤S5。

所述判断S3得到的目标区域中是否有物体运动，具体为：

计算目标区域各行的行像素和、各列的列像素和，若最大的行像素和低于阈值TH5或者最大的列像素和低于阈值TH6，则判断目标区域中无物体运动。

S5判断运动的物体是人体还是噪声干扰，若是噪声干扰则返回步骤S1，对一下帧图像进行检测；若是人体则进行步骤S6；

所述判断运动的物体是人体还是噪声干扰，具体为：

计算运动物体的轮廓面积，若轮廓面积大于阈值TH7，则判定为人体；若若轮廓面积小于阈值TH7，则判断为噪声干扰。

由于人体在图像中所占的面积具有一定的范围，一般大于树叶、球、小鸟等物体的面积，因此可将轮廓面积与设定的阈值进行比较，从而判断运动的物体是人体还是噪声，剔除干扰。

S6对目标区域提取Zernike距特征和运动轮廓特征，所述运动轮廓特征包括物体的高度Height、物体的宽度Width、物体的宽高比DeltaY2X、目标区域面积RectS、目标区域周长RectC、轮廓面积ContourS、轮廓周长ContourLength、帧差最大行列特征变量Ypel2Xpel、运动物体高度特征变量HeightDelta；

（1）物体的宽高比DeltaY2X表征的是目标区域的高度Y与宽度X的比值。变量deltaY2X的计算公式为：

deltaY2X=（Ymax-Ymin）/（Xmax-Xmin）

其中，Ymax、Ymin分别为目标区域的最大、最小纵坐标，Xmax、Xmin分别为目标区域的最大、最小横坐标。由于人体是一个类似于矩形的刚性物体，所以在运动检测中常常用矩形框对人体进行框定。在人体正常步行的时候，框选的矩形的高度Y应该大于宽度X，比值deltaY2X的值应该是个较大的值（至少大于1）；而当人体处于跌倒或下蹲姿势状态的时候，高度不断变小，框选矩形向跌倒的方向倾斜，而宽度相应变大，当完全跌倒的时候，比值deltaY2X的值应该是一个相对行走时较小的值（至少不大于1）。因此，可以用deltaY2X可以作为判断人体姿势状态的一个参数。图2为从多个不同运动情况的视频试验中得到的deltaY2X的变化情况。由图2可知，在不同的运动情况下，deltaY2X的变化情况有一定的差异，这些差异被监控对象的身高、体型、行走习惯等有关。但是在跌倒发生的时候，deltaY2X的值总是比正常行走时候的deltaY2X的值要小得多，两者之间有非常明显的分界线，所以特征变量deltaY2X可以很好地表征人体的运动情况。

（2）帧差最大行列特征变量Ypel2Xpel定义为相邻帧差法得到的二值化图像的列非零像素个数最大值Ypelsmax与行非零像素个数最大值Xpelsmax的比值。计算公式为：

Ypel2Xpel=Ypelsmax/Xpelsmax

相邻帧差分法所得到的经过二值化的图像是人体的大致运动轮廓，由于人体是一个类似于矩形的刚性物体，在正常行走的时候，检测出来的二值图像的竖直Y方向的非零像素点个数最大值应该大于水平X方向的非零像素点个数最大值，所以比值Ypel2Xpel应该取一个较大的值（至少大于1）；而当人体跌倒或下蹲时，检测出来的二值图像的竖直Y方向的非零像素个数最大值与水平X方向的非零像素个数最大值的比值将发生改变，此时的Ypel2Xpel应该取一个较小的值（跌倒时不大于1）。因此，可以用Ypel2Xpel作为判断人体姿势状态的一个参数。图3为从多个不同运动情况的视频试验中得到的Ypel2Xpel的变化情况。由图3可知，在不同的运动情况下，Ypel2Xpel的变化情况有一定的差异，这些差异同样与被监控对象的身高、体型、行走习惯等有关。但处于跌倒姿势状态的时候，Ypel2Xpel的值总是比正常行走时的Ypel2Xpel的值要小得多，两者之间有非常明显的分界线，所以特征变量Ypel2Xpel可以很好地表征人体的运动情况。

（3）运动物体高度特征变量HeightDelta表征的是被监控人体在运动时的高度的变化情况。计算公式是：

Heightdelta=（Ymax-Ymin）/ManHeight

其中ManHeight是根据统计平均，对于每一个被判别为人体运动的高度的统计更新得到的表征人体高度的变量。ManHeight的计算公式是：

ManHeight=（Height 1+Height2+……+Heightn）/n

采用统计更新的方法计算ManHeight的优点在于可以通过多次测量统计得到人体的平均高度，并且可以对人体远离摄像头、接近摄像头等高度的渐变的情况作相应的更新，提高了计算人体高度获取的准确性。

由于人体在正常步行的情况下，横向运动的变化较大，而在竖直高度方向上的变化较小，因此在正常行走下高度比Heightdelta应该是一个接近于1的值；而在发生跌倒或下蹲情况的时候，竖直方向迅速变小，所以此时的变量Heightdelta的值应该也随着急剧减小（一直减到一个小于1的值）。基于以上推论，可以知道表征运动人体高度变化情况的变量Heightdelta可以作为检测姿势状态的一个参数。图4为从多个不同运动情况的试验中得到的Heightdelta的变化情况。由图4可知，Heightdelta在不同的运动情况下的取值会有一定的变化，这主要与被监控人体的运动习惯有关。但是处于跌倒姿势状态时，Heightdelta的值总是小于正常行走时候的Heightdelta的值，所以变量Heightdelta同样可以很好地表征人体的运动情况。

（4）目标区域的面积RectS及周长RectC的计算公式如下，

RectS=（Xmax-Xmin）*（Ymax-Ymin）

RectC=2*[（Xmax-Xmin）+(Ymax-Ymin)

由于人体在正常行走的情况下，形状近似于一个矩形，而在下蹲的情况下，矩形在X轴的变化不大，而在Y轴的高度急剧减小（也即Ymax-Ymin的值减小）。这将造成RectS和RectC的急剧减小，所以可以将最小矩形的面积RectS和最小矩形的周长RectC作为辅助判断人体运动方式的参数。虽然由于被监控人体的运动习惯的不同，不同人所得到的RectS值和RectC值会有一定的差别，但是在人正常行走的时候所得到的RectS值和RectC值都要明显大于下蹲时候所得到的RectS值和RectC值。所以，变量RectS和RectC同样可以用来区分人行走和非行走的姿势状态。

（5）轮廓面积ContourS指的是二值化处理之后目标物体所包含的非0运动像素点的个数，轮廓周长ContourLength指的是二值化处理之后目标物体的边缘所包含的非0像素点的个数。

由于人体处于下蹲姿势状态的时候，躯体蜷缩，整个人体区域所占的面积变小，周长也变小；而人体在跌倒的情况下，躯体较为伸展，整个人体区域所占的面积和周长都相对较大。图5和图6分别为下蹲时和跌倒时的二值化图像。由图5和图6可知，由于运动人体身体的蜷缩，在下蹲的情况下，提取出来的二值图像非0像素区域所占的面积和周长要明显小于跌倒情况时提取出来二值图像非0像素所占的面积和周长。所以，可以把ContourS和ContourLength作为区分下蹲与跌倒姿势状态类的辅助参数。

（6）Zernike矩特征是一种用于图像识别的，具有平移、旋转和比例不变性的图像特征。Zernike矩是一组多项式：

{V_nm(x,y)}

这组多项式在单位圆{x²+y²≤1}内是正交的,具有如下形式:

$\left\{V_{\mathrm{nm}}(x,y)\right\}=V_{\mathrm{nm}}(\mathrm{\ρ},\mathrm{\θ})=R_{\mathrm{nm}}\left(\mathrm{\ρ}\right)e^{{\mathrm{jm}}^{\mathrm{\θ}}}$

并且满足

$\∫\∫x^2+y^2\≤1{\left[V_{\mathrm{nm}}(x,y)\right]}^{\′}*V_{\mathrm{pq}}(x,y)\mathrm{dxdy}=\frac{\mathrm{\π}}{n+1}*{\mathrm{\δ}}_{\mathrm{np}}{\mathrm{\δ}}_{\mathrm{mq}}$

当a=b时，δ_ab=1

其他，δ_ab=0。

n表示正整数或是0；m是正整数或是负整数它表示满足|m|≤n而且|n-m|是偶数这两个条件；ρ表示原点到象素（x，y）的向量的距离；θ表示向量ρ跟x轴之间的夹角（逆时针方向）。

本发明将Zernike矩特征用于人体运动行为的检测，将人的下蹲和跌倒看作两类不同的姿势状态，虽然每个姿势状态类内部由于不同人不同习惯的影响会有一点差别，但是两个不同的姿势状态类之间的整体差异性较大。考虑到人体下蹲与跌倒的行为在宏观上的形状差异性，可以将下蹲和跌倒分别类比成字符识别中的两类不同的特殊字符形状，对两类姿势状态提取Zernike矩，可以将下蹲和跌倒的姿势状态进行有效地区分，并且保留了Zernike矩平移、旋转和比例不变性的优点。表1是对于如图6所示下蹲姿态的二值图像和如图5所示的跌倒姿势状态的二值图像提取出来的Zernike矩特征。表2是如图7所示的第一种跌倒姿势状态的二值图像及如图8所示的第一种跌倒姿势状态的二值图像提取出来的Zernike矩特征。

表1图6所示下蹲姿态的二值图像和图5所示的跌倒姿势状态的二值图像提取出来的Zernike矩特征

下蹲

123.909

0.541

14.413

5.592

19.941

15.477

32.233

19.504

跌倒

153.170

82.320

226.732

89.996

27.014

12.282

33.782

38.023

表2图7所示的第一种跌倒姿势状态的二值图像及图8所示的第一种跌倒姿势状态的二值图像提取出来的Zernike矩特征

跌倒1	153.170	82.320	226.732	89.996	27.014	12.282	33.782	38.023
									跌倒2	152.875	151.441	157.532	135.179	30.221	0.893	25.549	27.175

对于下蹲和跌倒情况，提取出来的Zernike矩系数相差较大，而两类不同的姿势状态间提取出来的Zernike矩系数相差较小。根据相似度计算法则

$V={\mathrm{\Σ}}_{i=0}^n[Z_f\left(i\right)-Z_t\left(i\right)]/[Z_f\left(i\right)+Z_t\left(i\right)]$

可以计算出下蹲和跌倒姿势状态类的Zernike矩系数相似度的值为3.512690，而同一类姿势状态的Zernike矩系数相似度的值为0.875061，相似度的值越小表示相似度越高。将提取出来的Zernike矩特征送入SVM分类器，通过分类器的加权计算，可以很好地区分跌倒和下蹲的姿势状态。

S7物体的宽高比DeltaY2X、目标区域面积RectS、目标区域周长RectC、帧差最大行列特征变量Ypel2Xpel、运动物体高度特征变量HeightDelta送入预先训练好的第一分类器；所述第一分类器用于区分行走与非行走姿势状态；当第一分类器判定为行走姿势状态时，返回步骤S1，对一下帧图像进行检测；

当第一分类器判定为非行走姿势状态时，进行步骤S8;

所述第一分类器采用以下方法进行离线训练：将人工判断属于行走姿势状态的目标区域做为正样本，将人工判断属于非行走姿势状态类的目标区域作为负样本；分别对正、负样本提取下述特征：物体的宽高比、目标区域面积、目标区域周长、帧差最大行列特征变量、运动物体高度特征变量，将提取出来的特征送入分类器训练。

S8将Zernike距特征、物体的高度Height、物体的宽度Width、轮廓面积ContourS、轮廓周长ContourLength送入预先训练好的第二分类器；所述第二分类器用于区分下蹲与跌倒姿势状态；

当第二分类器判定为下蹲姿势状态时，返回步骤S1，对一下帧图像进行检测；

当第二分类器判定为跌倒姿势状态时，标记跌倒行为，并发出警报；

所述第二分类器采用以下方法进行离线训练：

将人工判断属于跌倒状态的目标区域做为正样本，将人工判断属于下蹲状态的目标区域作为负样本；分别对正、负样本提取下述特征：物体的宽高比、目标区域面积、目标区域周长、帧差最大行列特征变量、运动物体高度特征变量、Zernike距特征、物体的高度、物体的宽度、轮廓面积、轮廓周长，将提取出来的特征送入分类器训练。

上述实施例为本发明较佳的实施方式，但本发明的实施方式并不受所述实施例的限制，其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化，均应为等效的置换方式，都包含在本发明的保护范围之内。

Claims (7)

1.一种基于人体姿势状态判决的跌倒检测方法，其特征在于，包括以下步骤：

S1初始化系统，获取图像数据；

S2对获取到的图像进行相邻帧差分，对差分后的图像进行二值化处理；

S3对步骤S2得到的二值化图像提取目标区域；

S4判断S3得到的目标区域中是否有物体运动，若否，返回步骤S 1，对一下帧图像进行检测；若有，则进行步骤S5;

S5判断运动的物体是人体还是噪声干扰，若是噪声干扰则返回步骤S1，对一下帧图像进行检测；若是人体则进行步骤S6；

S6对目标区域提取Zernike距特征和运动轮廓特征，所述运动轮廓特征包括物体的高度、物体的宽度、物体的宽高比、目标区域面积、目标区域周长、轮廓面积、轮廓周长、帧差最大行列特征变量、运动物体高度特征变量；

S7将物体的宽高比、目标区域面积、目标区域周长、帧差最大行列特征变量、运动物体高度特征变量送入预先训练好的第一分类器；所述第一分类器用于区分行走与非行走姿势状态；

当第一分类器判定为行走姿势状态时，返回步骤S1，对一下帧图像进行检测；

当第一分类器判定为非行走姿势状态时，进行步骤S8；

S8将Zernike距特征、物体的高度、物体的宽度、轮廓面积、轮廓周长送入预先训练好的第二分类器；所述第二分类器用于区分下蹲与跌倒姿势状态；

当第二分类器判定为下蹲姿势状态时，返回步骤S1，对一下帧图像进行检测；

当第二分类器判定为跌倒姿势状态时，标记跌倒行为，并发出警报。

2.根据权利要求1所述的基于人体姿势状态判决的跌倒检测方法，其特征在于，步骤S3所述对步骤S2得到的二值化图像提取目标区域，具体包括以下步骤：

S31初步检测：以整幅视频帧图像为对象，逐行计算整幅图像的各行像素值，得到图像最大行像素值；计算各行像素值与图像最大行像素值的比值，分别与设定的阈值TH1比较；略去图像中行像素值小于阈值TH1的区域，记录初步的包含物体的矩形框的纵坐标Yup、Ydown；其中阈值TH1由用户根据具体情况设定；

以整幅视频帧图像为对象，逐列计算整幅图像的各列像素值，得到图像最大列像素值；计算各列像素值与图像最大列像素值的比值，分别与设定的阈值TH2比较；略去图像中列像素值小于阈值TH2的区域，记录初步的包含物体的矩形框的横坐标Xleft、Xright；其中阈值TH2由用户根据具体情况设定；

在点（Xleft，Ydown）和点（Xright，Yup）之间的矩形区域即为初步的目标区域；

S32精细检测：以步骤S31得到的初步的目标区域为对象，逐行计算初步的目标区域的各行像素值，得到区域最大行像素值；计算各行像素值与区域最大行像素值的比值，分别与设定的阈值TH3比较；略去初步的目标区域中行像素值小于阈值TH3的区域，记录最终的包含物体的矩形框的纵坐标Ymax和Ymin；其中阈值TH3由用户根据具体情况设定；

以步骤S31得到的初步的目标区域为对象，逐列计算初步的目标区域的各列像素值，得到区域最大列像素值；计算各列像素值与区域最大列像素值的比值，分别与设定的阈值TH4比较；略去初步的目标区域中列像素值小于阈值TH4的区域，记录最终的包含物体的矩形框的纵坐标Xmax和Xmin；其中阈值TH4由用户根据具体情况设定；

得到在点（Xmin，Ymin）和点（Xmax，Ymax）之间的矩形区域即为最终的目标区域。

3.根据权利要求1所述的基于人体姿势状态判决的跌倒检测方法，其特征在于，步骤S4所述判断S3得到的目标区域中是否有物体运动，具体为：

计算目标区域各行的行像素和、各列的列像素和，若最大的行像素和低于阈值TH5或者最大的列像素和低于阈值TH6，则判断目标区域中无物体运动。

4.根据权利要求1所述的基于人体姿势状态判决的跌倒检测方法，其特征在于，步骤S5所述判断运动的物体是人体还是噪声干扰，具体为：

计算运动物体的轮廓面积，若轮廓面积大于阈值TH7，则判定为人体；若若轮廓面积小于阈值TH7，则判断为噪声干扰。

5.根据权利要求1所述的基于人体姿势状态判决的跌倒检测方法，其特征在于，步骤S7所述第一分类器采用以下方法进行离线训练：

将人工判断属于行走姿势状态的目标区域做为正样本，将人工判断属于非行走姿势状态类的目标区域作为负样本；分别对正、负样本提取下述特征：物体的宽高比、目标区域面积、目标区域周长、帧差最大行列特征变量、运动物体高度特征变量，将提取出来的特征送入分类器训练。

6.根据权利要求1所述的基于人体姿势状态判决的跌倒检测方法，其特征在于，步骤S8所述第二分类器采用以下方法进行离线训练：

将人工判断属于跌倒状态的目标区域做为正样本，将人工判断属于下蹲状态的目标区域作为负样本；分别对正、负样本提取下述特征：物体的宽高比、目标区域面积、目标区域周长、帧差最大行列特征变量、运动物体高度特征变量、Zernike距特征、物体的高度、物体的宽度、轮廓面积、轮廓周长，将提取出来的特征送入分类器训练。

7.根据权利要求1所述的基于人体姿势状态判决的跌倒检测方法，其特征在于，步骤S2所述对获取到的图像帧帧序列进行相邻帧差分，对差分后的图像进行二值化处理，具体为：将图像划分为若干个宏块图像，将相邻帧的对应宏块图像做差分后再进行二值化处理。

Images