CN103186902A - 基于视频的摔倒检测方法和设备 - Google Patents
基于视频的摔倒检测方法和设备 Download PDFInfo
- Publication number
- CN103186902A CN103186902A CN2011104519930A CN201110451993A CN103186902A CN 103186902 A CN103186902 A CN 103186902A CN 2011104519930 A CN2011104519930 A CN 2011104519930A CN 201110451993 A CN201110451993 A CN 201110451993A CN 103186902 A CN103186902 A CN 103186902A
- Authority
- CN
- China
- Prior art keywords
- frame
- monitoring scene
- threshold value
- center
- people
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 53
- 238000012544 monitoring process Methods 0.000 claims abstract description 56
- 230000005484 gravity Effects 0.000 claims abstract description 32
- 238000001514 detection method Methods 0.000 claims description 27
- 230000033001 locomotion Effects 0.000 claims description 23
- 230000008569 process Effects 0.000 claims description 9
- 239000011295 pitch Substances 0.000 claims description 4
- 230000015572 biosynthetic process Effects 0.000 description 8
- 230000006399 behavior Effects 0.000 description 7
- 230000003068 static effect Effects 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 208000027418 Wounds and injury Diseases 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000006378 damage Effects 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 208000014674 injury Diseases 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 206010000117 Abnormal behaviour Diseases 0.000 description 1
- 238000005452 bending Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 230000008014 freezing Effects 0.000 description 1
- 238000007710 freezing Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 230000009017 pursuit movement Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000005236 sound signal Effects 0.000 description 1
- 230000003319 supportive effect Effects 0.000 description 1
Images
Landscapes
- Image Analysis (AREA)
- Closed-Circuit Television Systems (AREA)
Abstract
本发明提供一种基于视频的摔倒检测方法和设备,该方法包括:获得监控场景中的运动对象;在监控场景中跟踪运动对象;根据监控场景设定对象的重心下移阈值;以及利用所设定的阈值,确定所述对象是否在监控场景中摔倒。利用本发明能快速且准确地检测摔倒事件,可以检测到沿任何方向的以及离摄像机远近的摔倒,区别坐下与躺下,无需调任何参数,具有环境自适应性,以及检测不同家居场景中的摔倒事件。
Description
技术领域
本发明涉及图像模式识别,具体涉及一种基于视频的摔倒检测方法和设备,尤其适用于独居老人的摔倒事件检测。
背景技术
随着医学技术的巨大进步,很多国家面临社会老龄化问题,因此人们对健康保健机构的需求也日益增加。在很多发达国家,政府对为老年人服务的健康保健机构给予了很大重视以及经济上的支持。由于这些机构的大量需求,开发帮助老人与病人的技术目前已经是一个热门研究领域。这些帮助性的技术不仅能增加老人的独立生活能力,而且还减少护士短缺的压力。在开发这些帮助性的技术时,使用各种传感器和摄像机来监视人的各种活动并检测出发生在老人和病人身上的重大事件。为了提高独居老人的生活质量,减少社会负担,智能家居越来越为社会所青睐。
发生在老人和病人身上的重大事件之中,摔倒事件往往造成严重的伤害,如果身旁沒有其他人可以帮忙,就可能无法得到应有的、及时的帮助,进而造成更严重的伤害,甚至是死亡。因此,摔倒事件的及时检测并向有关机构报警,是这些机构关心的主要技术之一。
目前,检测摔倒有以下三大主要方法:(1)基于佩戴式传感器,利用被测对象身上佩戴的传感器来检测摔倒;(2)基于音频信号,根据被测对象摔倒撞击发出的声音来检测摔倒;(3)基于视频,通过在监控场景安装摄像机来检测摔倒行为。基于视频的摔倒检测比其它两种检测方法更鲁棒、更可靠及更方便。计算机视觉技术的迅速发展以及低价的摄像机,使得基于视频的摔倒检测成为重要的发展领域。
摔倒事件的检测技术的一个难点就是将摔倒异常行为与躺或坐的正常行为区分开来。在基于摄像头的检测方法中,V.Vaidehi等人(″Video based automatic fall detection in indoor environment,″RecentTrends in Information Technology(ICRTIT),2011 InternationalConference on,vol.,no.,pp.1016-1020,3-5 June 2011)提出使用图像中人的宽高比以及倾斜角度检测摔倒事件,这种方法无法将摔倒与正常行为躺下或坐区分开来。Chien-liang Liu等(“A fall detection systemusing k-nearest neighbor classifier”,Expert Systems withApplications,37(10),p.7174-7181,Oct 2010)提出通过时间差区分摔倒与躺,这样就对计算机处理速度要求比较高,且误报率较高。Hammadi Nait-Charif等(″Activity summarisation and fall detectionin a supportive home environment″,Pattern Recognition,2004.ICPR2004.Proceedings of the 17th International Conference on,vol.4,no.,pp.323-326 Vol.4,23-26 Aug.2004)提出在监控场景中,对某些区域形成自动语义总结(比如床,沙发,椅子等语义总结)方法来检测摔倒,如果床,沙发,椅子位置发生变化就会发生误报。
摔倒事件的检测技术的另一个难点就是实现快速检测且具有环境自适应性。如果检测摔倒事件耗时长,硬件的成本就会提高。如果监测设备的参数不能自动调节,针对不同家居场景,需要操作员调节相关的监测参数,才能准确检测到摔倒。
发明内容
本发明的目的是提供一种具有场景自适应性的摔倒事件检测方法和设备。
本发明的另一目的是在检测摔倒时可以将摔倒状态与躺、坐状态区分开来,以准确检测摔倒状态。
本发明的又一目的是在不同的监控场景中无需调整任何参数就可以准确检测到摔倒事件。
根据本发明的实施例,提供一种基于视频的摔倒检测方法,包括:获得监控场景中的运动对象;在监控场景中跟踪运动对象;根据监控场景设定对象的重心下移阈值;以及利用所设定的阈值,确定所述对象是否在监控场景中摔倒。
根据本发明的实施例,还提供一种基于视频的摔倒检测设备,包括:对象获得装置,用于监控场景中的运动对象;跟踪装置,用于在监控场景中跟踪运动对象;阈值设定装置,用于根据监控场景设定对象的重心下移阈值;以及确定装置,用于利用所设定的阈值,确定所述对象是否在监控场景中摔倒。
根据本发明的实施例,还提供一种基于视频的摔倒检测终端,包括:存储器,配置用于存储计算机可读指令;以及处理器,配置用于执行所述计算机可读指令,以执行以下步骤:获得监控场景中的运动对象;在监控场景中跟踪运动对象;根据监控场景设定对象的重心下移阈值;以及利用所设定的阈值,确定所述对象是否在监控场景中摔倒。
根据本发明的实施例,还提供一种机器可读介质,其中存储有可执行指令,当所述可执行指令被执行时,使得机器执行本发明实施例的上述基于视频的摔倒检测方法所包括的步骤。
以下结合附图进一步说明本发明的具体实施方式。
附图说明
图1是根据本发明的摔倒检测方法的实施例的流程图;
图2-1是在监控场景中的人坐着的示意图;
图2-2是在监控场景中的人站起来时使用背景减算法将人框住的示意图;
图2-3是人站起来时使用三帧差算法将人框住的示意图;
图3是在家居场景1中检测到的摔倒、坐、躺的状态示意图;
图4是在家居场景2中检测到的摔倒、坐、躺的状态示意图;
图5是在家居场景3中检测到的冻坏倒、坐、躺的状态示意图;以及
图6是本发明的基于视频的摔倒检测设备的实施例的方框图。
具体实施方式
在本发明的摔倒检测方法的实施例中,将摔倒事件大致分为四类:从床上摔下来,坐着的时候摔倒,走或站的时候摔倒,站在板凳或梯子上摔倒。所有摔倒都有一些共同特征:人摔倒后短时间内位置变化不大,摔倒后与摔倒前即将摔倒时相比,发生了重心下移。人的摔倒行为相对于躺下、坐下和弯腰行为,重心下移量要更大。通过设置重心下移量阈值可以将摔倒与躺、坐、弯腰区分开来。根据本发明的实施例,通过对监控场景的背景建模,再通过背景减获得前景对象,对被监测的对象人进行跟踪;由于通过跟踪来监测对象人并记录其活动情况,所以可以减少误报。在监测家居场景中的老人时,由于大多数时间老人的活动都是正常的,通过学习就可以将监控区域中的可供躺或坐的地方都标注出来。在检测摔倒时,将非可以躺或坐的地方的阈值降低些,以便提高检测的正确率。在进行摔倒检测时,使用的是重心下移与身高比值是否大于某阈值作为判断摔倒的根据,另外在检测过程中,不断学习监控场景,对阈值做相对调整,因而具有具体场景自适应性的特点。在整个监控过程中用到的背景建模、场境学习、摔倒检测等算法在没有影响检测的正确率基础上都经过简化,所以处理速度很快。
图1示出根据本发明的实施例的摔倒检测方法的流程图。下面对实施例中所涉及到的技术细节予以说明,并给出三种不同场景下的检测结果。
1.关于背景建模
背景建模方法比较多,其中混合高斯背景建模方法比较常用且效果比较好,该算法为每个像素构建混合高斯模型,但处理时间较长。本发明的实施例提出了一种新的背景建模方法,使用多次帧间差方法获得背景,算法简单,效果好,速度快,耗时少。
以下是图像中某像素点(i,j)在第t帧的背景计算公式:
其中Bij[t]为第t帧的某像素点(i,j)的背景灰度值;Cij[t]为第t帧的某像素点(i,j)的灰度值;T为阈值,一般设为20。
每隔k帧进行灰度比较,如果灰度差小于T,继续比较,直到比较L次,一般k=10,L=10。
2.关于获得运动物体
用两种方法框住运动物体:
1)背景减获得运动物体
其中,Fij为二值图,前景点为255,背景点为0;Cij为当前帧某点的灰度值;Bij为当前帧某点的背景灰度值;TB为阈值,一般室内取60。
该算法比较可靠,用于物体的跟踪。
2)相邻三帧相减获得运动物体
其中,Fij(t)为第t帧二值图,前景点为255,背景点为0;Cij(t)为第t帧某点的灰度值;TB为阈值,一般室内取60。
该算法在背景突然变化时,也能正确框住运动物体,用于摔倒检测。
当获得运动物体的二值图后,将相通的白点用长方形框住,再将这些交叉的或离得比较近的框合并成为一个大框,作为运动物体的定位框。
如图2所示,人从椅子上站起来后,椅子的位置发生了变化,图2-2和图2-3示出采用背景减、三帧差这两种算法检测的结果。可以看出,在背景突然发生变化后用相邻三帧相减的方法能更准确框住运动物体。
3.关于跟踪运动物体
使用同一个物体在相邻两帧距离最近的直观方法,实现物体跟踪,计算量少,速度快,记录监控场景中每个运动物体的位置,并对每个运动物体的状态(运动或静止)做标注。为每个运动物体分配对象号,采用下式来检测每个已经分配了对象号的物体在某个时刻是静止或运动状态:
其中,M(k,t)为在第t帧、对象号为k的物体的状态,1为运动状态,0为静止状态;Center(k,t)为在第t帧、对象号为k的物体的中心位置;n=25;Tp为阈值,当n=25时,Tp=20。
||Center(k,t)-Center(k,t+n)||为对象号为k的物体在第t帧的中心点与第t+1帧的中心点间距离。
4.关于学习监控场景
该步骤的主要目的是标注监控场景中可以坐、躺的地方,并将这些地方记录下来。
(1)人的检测
监控场景中检测到的前景主要包括:人、噪音和鬼影。当检测到前景对象为人时,需要将场景中的人标注出来。
以下是用于判断当前帧(即第t帧)的前景对象是否是人的检测公式:
P(k,t)为第t帧、对象号为k的前景是否为人的标志,如果P(k,t)=1,该前景k为人,否则该前景k为非人。M(k,ti)为在ti帧、对象k的状态标志。
对于当前帧中某个对象,从它刚进入监控场景至当前帧的这段时间,曾经发生过运动,也就是M(k,ti)=1,就可以认定该前景为人。
(2)标注可以坐、躺的地方,并将这些位置放入“躺或坐的地方”队列中去。
考察监控场景中的对象人,当人在某位置多次长时间状态为静止,那么该位置标定为可以坐或躺的地方。
S(x,y)为某位置(x,y)是否是可以坐或躺的地方,当S(x,y)=1,则是可以坐或躺的地方,否则不是。
(3)不断更新可以躺或坐的地方
由于床或椅子的位置可能发生移动,通过跟踪人的活动,来完成更新。该更新可以从下面三方面进行:
(a)当已经标定为坐或躺的地方出现包含该位置的前景框,将这些位置从“躺或坐的地方”队列移走,放入“疑是躺或坐的地方”队列。
(b)在对人的跟踪过程,如果人把东西放在非“躺或坐的地方”,然后离开,那么该东西所在位置就要放入“疑是躺或坐的地方”队列。
(c)不停地对非坐或躺的地方进行上述的步骤(2),检测新的坐或躺的位置。
(d)对“躺或坐的地方”队列以及“疑是躺或坐的地方”队列中长时间没有发生坐或躺的事件的位置,从“躺或坐的地方”以及“疑是躺或坐的地方”队列中移走。
5.自动调节阈值,通过相对重心下移方法检测摔倒
(1)比较准确地将人框住
将背景减获得的人的位置与帧间差法获得人的位置结合起来,可以得到较准确的人的位置。
(2)关于有可能摔倒的人
在“人”的队列中,考察每个人,如果对象人k在第t帧的状态是静止的,而且这种静止的状态持续了h秒了(可以将h设为30秒),则对象人k在第t帧为有可能摔倒的人,其所在位置记为Still(k,t)。
(3)计算相对重心下移量
考察在第t帧有可能摔倒的对象人k,找出那些离有可能摔倒的位置比较近的k对象的位置Stand(k,i),i<t帧,考察这一系列Stand(k,i),
Stand(k,i)=Kuang(k,i),if||Still(k,t)-Kuang(k,i)||<L,i<t
Kuang(k,i)为对象人k,在第i帧位置
||Still(k,t)-Kuang(k,t)||为对象人k在第t帧的中心位置和在第i帧的中心位置距离,L为阈值,一般L=20。
重心下移量:
Δh(k,i)=Stilly(k,t)-S tan dy(k,i)
Stilly(k,t)为Still(k,t)所代表的中心位置的y方向分量,Standy(k,i)为Stand(k,i)的y方向分量。
相对重心下移量:
Δh(k,i)/h(k,i),其中h(k,i)为与Stand(k,i)对应的人的高度。
(4)关于摔倒检测
Fall(k,t)=1为对象k在第t帧为摔倒。
在“可以躺或坐的地方”以及“疑是躺或坐的地方”,σ=0.5;在其它地方,σ=0.4。
图3、图4和图5示出在三种不同家居环境(即场景1、场景2、场景3)中监测的摔倒、坐、躺的状态。以下的表1中列出在这三种不同家居环境中的摔倒、坐、躺时发生的相对重心下移量。
表1
可以看出,在图3的场景1中,与坐相比,躺的相对重心下移量明显更大;与躺相比,摔倒的相对重心下移量明显更大。在图4的场景2中,与坐相比,躺的相对重心下移量稍小,摔倒的相对重心下移量稍大。在图5的场景3中,与坐相比,躺的相对重心下移量稍大;与躺相比,摔倒的相对重心下移量稍大。利用这些数据,可以在不同的家居场景中设置不同的相对重心下移量阈值,以区分摔倒与坐和躺,并准确地检测出摔倒事件。
图6示出根据本发明实施例的一种基于视频的摔倒检测设备的结构框图。本领域技术人员应该理解,图6所示的设备可以利用软件、硬件或软硬件结合的方式来实现。该设备包括:对象获得装置,用于监控场景中的运动对象;跟踪装置,用于在监控场景中跟踪运动对象;阈值设定装置,用于根据监控场景设定对象的重心下移阈值;以及确定装置,用于利用所设定的阈值,确定所述对象是否在监控场景中摔倒。
所述获得装置可包括:捕捉装置,用于监控场景的背景图像;建模装置,用于对所捕捉的(例如原始输入的)背景图像进行背景建模;以及背景减装置,用于通过背景减方法获得运动对象。
建模装置可采用下式进行背景建模与更新:
其中Bij[t]为第t帧的某像素点(i,j)的背景灰度值。Cij[t]为第t帧的某像素点(i,j)的灰度值。
在该实施例中可通过背景减方法与帧间差方法结合起来,获得运动对象的位置。
跟踪装置可包括:通过一个对象在相邻两帧距离最近的直观方法,来实现对象跟踪,并检测每个被跟踪对象是静止状态或运动状态的装置。
在该实施例中,可采用下式检测每个对象状态M(k,t):
C(k,t)为在第t帧、对象号为k的物体的中心位置。
所述跟踪装置可包括:检测运动对象是否为人的装置;标注对象人的装置;以及更新可以坐或躺的位置的装置。
在该实施例中,可采用下式来判断对象是否为人:
其中,p(k,t)是第t帧、对象号为k的前景是否为人的标志;如果p(k,t)=1,该前景k为人,否则该前景k不是人。
该实施例的设备还可包括:跟踪监控场景中的对象人,当该对象人在某位置多次为长时间静止状态时,标定该位置为可以坐或躺的地方的装置。
在该实施例中,可采用下式确定所述对象是否摔倒:
h(k,i)为对象人k在第i帧的高度,Δh(k,i)为对象人k在第i帧的中心位置与在第t帧的中心位置相比在y方向的下移量,σ为设定的阈值;
fall(k,t)=1表示对象k在第t帧为摔倒。
在该实施例中,所述阈值σ按如下方式设定:
在“可以坐或躺的位置”以及“疑是坐或躺的位置”,σ=0.5;
在其它位置,σ=0.4。
在该实施例中,确定对象是否摔倒包括判断对象的重心下移量与对象的身高之间的比值是否大于预定的阈值。建模装置可包括:使用多次帧间差方法获得背景的装置。
与现有的常规摔倒检测方法相比,本发明的实施例所提出的用环境学习以及相对重心下移方法检测摔倒,可以区分人的摔倒与躺、坐状态;能够检测到沿不同方向的摔倒及离摄像机远近的摔倒;在不同家居环境,无需调节监控设备的参数,可以检测到不同家居中的摔倒事件,并且方便了监控设备的安装;可以自动调节阈值,具有环境自适应性;处理速度快,可以同时检测多路视频,尤其适用于独居老人的智能家居环境。
Claims (28)
1.一种基于视频的摔倒检测方法,包括:
获得监控场景中的运动对象;
在监控场景中跟踪运动对象;
根据监控场景设定对象的重心下移阈值;以及
利用所设定的阈值,确定所述对象是否在监控场景中摔倒。
2.根据权利要求1的方法,其中,所述获得运动对象包括:
捕捉监控场景的背景图像;
对所捕捉的背景图像进行背景建模;以及
通过背景减方法获得运动对象。
3.根据权利要求2的方法,其中,采用下式进行背景建模与更新:
其中Bij[t]为第t帧的某像素点(i,j)的背景灰度值。Cij[t]为第t帧的某像素点(i,j)的灰度值。
4.根据权利要求2的方法,其中,通过背景减方法与帧间差方法结合起来,获得运动对象的位置。
5.根据权利要求1的方法,其中,所述跟踪运动对象包括:
通过一个对象在相邻两帧距离最近的直观方法,来实现对象跟踪,并检测每个被跟踪对象是静止状态或运动状态。
6.根据权利要求5的方法,其中,采用下式检测每个对象状态M(k,t):
C(k,t)为在第t帧、对象号为k的物体的中心位置。
7.根据权利要求1的方法,其中,所述跟踪运动对象包括:
检测运动对象是否为人;
标注对象人;以及
更新可以坐或躺的位置。
8.根据权利要求7的方法,其中,采用下式来判断对象是否为人:
其中,p(k,t)是第t帧、对象号为k的前景是否为人的标志;如果p(k,t)=1,该前景k为人,否则该前景k不是人。
9.根据权利要求7的方法,还包括:
跟踪监控场景中的对象人,当该对象人在某位置多次为长时间静止状态时,标定该位置为可以坐或躺的地方。
11.根据权利要求10的方法,其中,所述阈值σ按如下方式设定:
在“可以坐或躺的位置”以及“疑是坐或躺的位置”,σ=0.5;
在其它位置,σ=0.4。
12.根据权利要求1的方法,其中,确定所述对象是否摔倒包括判断对象的重心下移量与对象的身高之间的比值是否大于预定的阈值。
13.根据权利要求2的方法,所述背景建模包括:使用多次帧间差方法获得背景。
14.一种基于视频的摔倒检测设备,包括:
对象获得装置,用于监控场景中的运动对象;
跟踪装置,用于在监控场景中跟踪运动对象;
阈值设定装置,用于根据监控场景设定对象的重心下移阈值;以及
确定装置,用于利用所设定的阈值,确定所述对象是否在监控场景中摔倒。
15.根据权利要求14的设备,其中,所述获得装置包括:
捕捉装置,用于监控场景的背景图像;
建模装置,用于对所捕捉的背景图像进行背景建模;以及
背景减装置,用于通过背景减方法获得运动对象。
16.根据权利要求15的设备,其中,采用下式进行背景建模与更新:
其中Bij[t]为第t帧的某像素点(i,j)的背景灰度值。Cij[t]为第t帧的某像素点(i,j)的灰度值。
17.根据权利要求15的设备,其中,通过背景减方法与帧间差方法结合起来,获得运动对象的位置。
18.根据权利要求14的设备,其中,所述跟踪装置包括:
通过一个对象在相邻两帧距离最近的直观方法,来实现对象跟踪,并检测每个被跟踪对象是静止状态或运动状态的装置。
19.根据权利要求18的设备,其中,采用下式检测每个对象状态M(k,t):
C(k,t)为在第t帧、对象号为k的物体的中心位置。
20.根据权利要求14的设备,其中,所述跟踪装置包括:
检测运动对象是否为人的装置;
标注对象人的装置;以及
更新可以坐或躺的位置的装置。
21.根据权利要求20的设备,其中,采用下式来判断对象是否为人:
其中,p(k,t)是第t帧、对象号为k的前景是否为人的标志;如果p(k,t)=1,该前景k为人,否则该前景k不是人。
22.根据权利要求20的设备,还包括:
跟踪监控场景中的对象人,当该对象人在某位置多次为长时间静止状态时,标定该位置为可以坐或躺的地方的装置。
24.根据权利要求23的设备,其中,所述阈值σ按如下方式设定:
在“可以坐或躺的位置”以及“疑是坐或躺的位置”,σ=0.5;
在其它位置,σ=0.4。
25.根据权利要求14的设备,其中,确定所述对象是否摔倒包括判断对象的重心下移量与对象的身高之间的比值是否大于预定的阈值。
26.根据权利要求15的设备,所述建模装置包括:使用多次帧间差方法获得背景的装置。
27.一种基于视频的摔倒检测终端,包括:
存储器,配置用于存储计算机可读指令;以及
处理器,配置用于执行所述计算机可读指令,以执行以下步骤:
获得监控场景中的运动对象;
在监控场景中跟踪运动对象;
根据监控场景设定对象的重心下移阈值;以及
利用所设定的阈值,确定所述对象是否在监控场景中摔倒。
28.一种机器可读介质,其中存储有可执行指令,当所述可执行指令被执行时,使得机器执行权利要求1-13中的任意一个的方法所包括的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2011104519930A CN103186902A (zh) | 2011-12-29 | 2011-12-29 | 基于视频的摔倒检测方法和设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2011104519930A CN103186902A (zh) | 2011-12-29 | 2011-12-29 | 基于视频的摔倒检测方法和设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN103186902A true CN103186902A (zh) | 2013-07-03 |
Family
ID=48678060
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN2011104519930A Pending CN103186902A (zh) | 2011-12-29 | 2011-12-29 | 基于视频的摔倒检测方法和设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103186902A (zh) |
Cited By (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103903281A (zh) * | 2014-04-04 | 2014-07-02 | 西北工业大学 | 一种基于多特征分析和场景学习的老人摔倒检测方法 |
CN103955699A (zh) * | 2014-03-31 | 2014-07-30 | 北京邮电大学 | 一种基于监控视频的实时摔倒事件检测方法 |
CN104574441A (zh) * | 2014-12-31 | 2015-04-29 | 浙江工业大学 | 一种基于gmm和时序模型的跌倒实时检测方法 |
CN104954761A (zh) * | 2015-07-07 | 2015-09-30 | 满欣然 | 一种智能安全看护方法 |
CN105099759A (zh) * | 2015-06-23 | 2015-11-25 | 上海华为技术有限公司 | 一种检测方法及装置 |
CN105373774A (zh) * | 2015-10-10 | 2016-03-02 | 安徽清新互联信息科技有限公司 | 一种幼师体罚小孩行为的检测方法 |
CN105930871A (zh) * | 2016-04-26 | 2016-09-07 | 浪潮电子信息产业股份有限公司 | 一种基于改进的智能学习算法的老年人防摔倒技术 |
CN107687711A (zh) * | 2016-08-04 | 2018-02-13 | 青岛经济技术开发区海尔热水器有限公司 | 一种热水器安全监测装置及方法 |
CN108363966A (zh) * | 2018-01-30 | 2018-08-03 | 广东工业大学 | 一种室内跌倒检测方法及系统 |
CN108764131A (zh) * | 2018-05-25 | 2018-11-06 | 哈尔滨理工大学 | 一种基于视频处理的自适应阈值多目标摔倒检测方法 |
CN111046701A (zh) * | 2018-10-12 | 2020-04-21 | 深圳技威时代科技有限公司 | 一种摔倒检测方法及摔倒检测设备 |
CN111460908A (zh) * | 2020-03-05 | 2020-07-28 | 中国地质大学(武汉) | 一种基于OpenPose的人体摔倒识别方法及系统 |
CN111881898A (zh) * | 2020-09-27 | 2020-11-03 | 西南交通大学 | 基于单目rgb图像的人体姿态检测方法 |
CN107274434B (zh) * | 2017-07-14 | 2021-02-02 | 浙江大华技术股份有限公司 | 一种目标物体小幅度移动的检测方法和检测装置 |
CN113132636A (zh) * | 2021-04-16 | 2021-07-16 | 杜桥 | 一种具有人体形态检测的智能监控 |
US11256925B2 (en) | 2019-03-12 | 2022-02-22 | Wistron Corporation | Monitoring system and monitoring method thereof |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1874497A (zh) * | 2006-05-30 | 2006-12-06 | 浙江工业大学 | 基于全方位计算机视觉的独居老人家庭安保装置 |
JP2009039453A (ja) * | 2007-08-10 | 2009-02-26 | Paramount Bed Co Ltd | 寝台装置 |
CN101635083A (zh) * | 2009-06-01 | 2010-01-27 | 北京中星微电子有限公司 | 一种事件检测方法及装置 |
US20110231145A1 (en) * | 2008-11-28 | 2011-09-22 | Koninklijke Philips Electronics N.V. | Method and apparatus for fall detection |
-
2011
- 2011-12-29 CN CN2011104519930A patent/CN103186902A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1874497A (zh) * | 2006-05-30 | 2006-12-06 | 浙江工业大学 | 基于全方位计算机视觉的独居老人家庭安保装置 |
JP2009039453A (ja) * | 2007-08-10 | 2009-02-26 | Paramount Bed Co Ltd | 寝台装置 |
US20110231145A1 (en) * | 2008-11-28 | 2011-09-22 | Koninklijke Philips Electronics N.V. | Method and apparatus for fall detection |
CN101635083A (zh) * | 2009-06-01 | 2010-01-27 | 北京中星微电子有限公司 | 一种事件检测方法及装置 |
Cited By (25)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103955699A (zh) * | 2014-03-31 | 2014-07-30 | 北京邮电大学 | 一种基于监控视频的实时摔倒事件检测方法 |
CN103955699B (zh) * | 2014-03-31 | 2017-12-26 | 北京邮电大学 | 一种基于监控视频的实时摔倒事件检测方法 |
CN103903281B (zh) * | 2014-04-04 | 2016-08-17 | 西北工业大学 | 一种基于多特征分析和场景学习的老人摔倒检测方法 |
CN103903281A (zh) * | 2014-04-04 | 2014-07-02 | 西北工业大学 | 一种基于多特征分析和场景学习的老人摔倒检测方法 |
CN104574441B (zh) * | 2014-12-31 | 2017-07-28 | 浙江工业大学 | 一种基于gmm和时序模型的跌倒实时检测方法 |
CN104574441A (zh) * | 2014-12-31 | 2015-04-29 | 浙江工业大学 | 一种基于gmm和时序模型的跌倒实时检测方法 |
CN105099759A (zh) * | 2015-06-23 | 2015-11-25 | 上海华为技术有限公司 | 一种检测方法及装置 |
CN104954761A (zh) * | 2015-07-07 | 2015-09-30 | 满欣然 | 一种智能安全看护方法 |
CN105373774A (zh) * | 2015-10-10 | 2016-03-02 | 安徽清新互联信息科技有限公司 | 一种幼师体罚小孩行为的检测方法 |
CN105373774B (zh) * | 2015-10-10 | 2018-12-28 | 安徽清新互联信息科技有限公司 | 一种幼师体罚小孩行为的检测方法 |
CN105930871A (zh) * | 2016-04-26 | 2016-09-07 | 浪潮电子信息产业股份有限公司 | 一种基于改进的智能学习算法的老年人防摔倒技术 |
CN105930871B (zh) * | 2016-04-26 | 2019-06-25 | 浪潮电子信息产业股份有限公司 | 一种基于改进的智能学习算法的摔倒预警方法 |
CN107687711B (zh) * | 2016-08-04 | 2020-05-26 | 青岛经济技术开发区海尔热水器有限公司 | 一种热水器安全监测装置及方法 |
CN107687711A (zh) * | 2016-08-04 | 2018-02-13 | 青岛经济技术开发区海尔热水器有限公司 | 一种热水器安全监测装置及方法 |
CN107274434B (zh) * | 2017-07-14 | 2021-02-02 | 浙江大华技术股份有限公司 | 一种目标物体小幅度移动的检测方法和检测装置 |
CN108363966A (zh) * | 2018-01-30 | 2018-08-03 | 广东工业大学 | 一种室内跌倒检测方法及系统 |
CN108764131A (zh) * | 2018-05-25 | 2018-11-06 | 哈尔滨理工大学 | 一种基于视频处理的自适应阈值多目标摔倒检测方法 |
CN108764131B (zh) * | 2018-05-25 | 2021-11-30 | 哈尔滨理工大学 | 一种基于视频处理的自适应阈值多目标摔倒检测方法 |
CN111046701A (zh) * | 2018-10-12 | 2020-04-21 | 深圳技威时代科技有限公司 | 一种摔倒检测方法及摔倒检测设备 |
US11256925B2 (en) | 2019-03-12 | 2022-02-22 | Wistron Corporation | Monitoring system and monitoring method thereof |
CN111460908A (zh) * | 2020-03-05 | 2020-07-28 | 中国地质大学(武汉) | 一种基于OpenPose的人体摔倒识别方法及系统 |
CN111460908B (zh) * | 2020-03-05 | 2023-09-01 | 中国地质大学(武汉) | 一种基于OpenPose的人体摔倒识别方法及系统 |
CN111881898A (zh) * | 2020-09-27 | 2020-11-03 | 西南交通大学 | 基于单目rgb图像的人体姿态检测方法 |
CN113132636A (zh) * | 2021-04-16 | 2021-07-16 | 杜桥 | 一种具有人体形态检测的智能监控 |
CN113132636B (zh) * | 2021-04-16 | 2024-04-12 | 上海天跃科技股份有限公司 | 一种具有人体形态检测的智能监控系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103186902A (zh) | 基于视频的摔倒检测方法和设备 | |
JP7428213B2 (ja) | 情報処理システム、情報処理方法及びプログラム | |
CN106067244B (zh) | 一种用于周界探测系统的传感器阈值自适应调节方法及系统 | |
US9597016B2 (en) | Activity analysis, fall detection and risk assessment systems and methods | |
Gjoreski et al. | Accelerometer placement for posture recognition and fall detection | |
US9710761B2 (en) | Method and apparatus for detection and prediction of events based on changes in behavior | |
Saxena et al. | Crowd behavior recognition for video surveillance | |
Kim et al. | A people-centric sensing approach to detecting sidewalk defects | |
CN103955699A (zh) | 一种基于监控视频的实时摔倒事件检测方法 | |
WO2010141116A2 (en) | System and methods for improving accuracy and robustness of abnormal behavior detection | |
CN103903281A (zh) | 一种基于多特征分析和场景学习的老人摔倒检测方法 | |
CN111241913A (zh) | 一种检测人员摔倒的方法、装置及系统 | |
CN103198296A (zh) | 一种基于贝叶斯惊奇度计算的视频异常行为检测方法及装置 | |
Alqaysi et al. | Detection of abnormal behavior in dynamic crowded gatherings | |
KR20160074208A (ko) | 비콘신호를 이용한 안전 서비스 제공 시스템 및 방법 | |
CN101635083B (zh) | 一种事件检测方法及装置 | |
CN111191499B (zh) | 一种基于最小中心线的跌倒检测方法及装置 | |
Boudouane et al. | Wearable camera for fall detection embedded system | |
US20090324011A1 (en) | Method of detecting moving object | |
JP2010250775A (ja) | 犯罪防止装置およびプログラム | |
JP6650659B2 (ja) | 不審者検出装置およびプログラム | |
CN103974028A (zh) | 人员激烈行为侦测方法 | |
Zhang et al. | The impact of position errors on crowd simulation | |
CN115457731B (zh) | 跌倒侦测系统及其侦测方法 | |
ShanShan et al. | Fall detection method based on semi-contour distances |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C02 | Deemed withdrawal of patent application after publication (patent law 2001) | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20130703 |