CN103577810A - 智能看护方法 - Google Patents

Abstract

本发明实施例公开了一种智能看护方法，利用机器人摄影机在家中巡逻，自动监测老人行走时是否跌倒，包括以下步骤：S1机器人撷取人物画面做图像处理；S2计算人物的重心；S3判断画面中人物是否跌倒；S4若人物跌倒，则发出通知信号。本发明能侦测人行走的动作，快速对人的异常动作做出判断，准确率高；利用机器人摄影机拍摄人的行走步态来进行居家巡逻侦测，当老人发生跌倒时，机器人自动撷取画面并向家人或医疗人员发送信息，在能有效的达到及时救援的目的的同时，不需要负担长时间监护的人力成本。

Description

智能看护方法

技术领域

本发明涉及图像识别领域，尤其涉及一种利用图像识别进行家居智能看护的方法。

背景技术

人体步态研究成为现今重要的客体，步态信息研究可以给人类生活带来许多益处和方便，其主要体现在以下两个方面：第一，社会医疗技术的发达使得人口老龄化成为必然的趋势，，而且随着年龄的增长，跌倒的次数会越来越高。跌倒可能造成老年人身体上骨折、内脏的损害，并造成行动上的不方便，导致心理以及社会问题。而对于独居的老年人更是危险，发生跌倒后，若未能及时发现并给予治疗，甚至会导致死亡，因此跌倒成为老年人重大伤亡的原因之一。一般家庭为了解决此类问题，会将老年人送往疗养院，或者请专人来照顾，但这对一般家庭来说会有很大的经济负担。第二，辨识系统运用在医学上可以减少医生诊断患者或患者等待门诊的时间，例如可以通过辨识步态而得知患者是否患有帕金森氏症。

发明内容

本发明实施例所要解决的技术问题在于，提供一种智能看护方法，利用机器人摄影机在家中巡逻，自动监测老人行走时是否跌倒，包括以下步骤：

S1机器人撷取人物画面做图像处理；

S2计算人物的重心；

S3判断画面中人物是否跌倒；

S4若人物跌倒，则发出通知信号；

其中，

步骤S1包括

S11从画面图像中撷取人物，在侦测行人时拍到的图片，将其与无人时拍摄的背景图片做相减运算，可以得到只有人物的图片；

S12将人物影像二值化；

进一步地，在将人物图像二值化之前先将图像转为灰阶可以避免二值化之后产生太多的杂讯。

进一步地，本发明方案将图像二值化之后采用形态学的侵蚀法通过图像侵蚀的方式对图像进行滤波。

步骤S2包括

S21计算头部和脚部的重心；

S22计算由头部和脚部三点形成的三角形的面积和高；

S23由三角形面积与高计算三角形的底；

步骤S3包括

S31由步骤S23取得的三角形的底计算底与高的比例；

计算头部和脚部重心时需将任务图像分割为头部区域及脚部区域，其中，所述头部区域高度占身高的20%，所述脚部区域高度占身高的33%。

进一步地，头部重心由所述头部区域的顶端向下选取65%的像素确定，头部重心的定义为该像素至头部边界上的每一个点的距离和为最小。

脚部重心为脚部区域底端向上选取25%的像素确定。

优选地，考虑到人蹲下或其他动作与站立时的区别，所述脚部重心为脚部区域底端向上选取12.5%的像素确定。

S32由S31取得的比例与训练统计得到的阈值T比较，大于T则为站立，小于T则为非站立。

进一步地，所述阈值T为3～3.5。

实施本发明，具有如下有益效果：

本发明能侦测人行走的动作，快速对人的异常动作做出判断，准确率高；利用机器人摄影机拍摄人的行走步态来进行居家巡逻侦测，当老人发生跌倒时，机器人自动撷取画面并向家人或医疗人员发送信息，在能有效的达到及时救援的目的的同时，不需要负担长时间监护的人力成本。

附图说明

图1是本发明流程示意图；

图2本发明头部重心撷取的示意图；

图3是本发明三角中心公式计算示意图；

图4是本发明站立图片范例图；

图5是本发明非站立图片范例图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作进一步地详细描述。

图1是本发明流程示意图，本发明所述的智能看护方法，包括：

S1机器人撷取人物画面做图像处理；

S2计算人物的重心；

S3判断画面中人物是否跌倒；

S4若人物跌倒，则发出通知信号；

其中，

步骤S1包括

S11从画面图像中撷取人物，在侦测行人时拍到的图片，将其与无人时拍摄的背景图片做相减运算，可以得到只有人物的图片；

S12将人物影像二值化；

进一步地，在将人物图像二值化之前先将图像转为灰阶可以避免二值化之后产生太多的杂讯。

进一步地，本发明方案将图像二值化之后采用形态学的侵蚀法通过图像侵蚀的方式对图像进行滤波。

步骤S2包括

S21计算头部和脚部的重心；

S22计算由头部和脚部三点形成的三角形的面积和高；

S23由三角形面积与高计算三角形的底；

步骤S3包括

S31由步骤S23取得的三角形的底计算底与高的比例；

计算头部和脚部重心时需将任务图像分割为头部区域及脚部区域，其中，所述头部区域高度占身高的20%，所述脚部区域高度占身高的33%。

进一步地，头部重心由所述头部区域的顶端向下选取65%的像素确定，头部重心的定义为该像素至头部边界上的每一个点的距离和为最小。

脚部重心为脚部区域底端向上选取25%的像素确定。

优选地，考虑到人蹲下或其他动作与站立时的区别，所述脚部重心为脚部区域底端向上选取12.5%的像素确定。

S32由S31取得的比例与训练统计得到的阈值T比较，大于T则为站立，小于T则为非站立。

进一步地，所述阈值T为3～3.5。

如图2所示，计算头部重心时需将任务图像分割为头部区域及脚部区域，所述头部区域高度占身高的20%，中心位置如图中的点所示。

进一步地，头部重心由所述头部区域的顶端向下选取65%的像素确定，头部重心的定义为该像素至头部边界上的每一个点的距离和为最小。

参照图3所示，将头与双脚的三个重心找出后，利用寻找出来的三个重心进行三角形法则的计算，来判断图片中人物是站立还是非站立的姿势，判断的方法是将此三个重心点连成一个三角形，令头部的重心为A，两脚的重心为B与C，角A所对的边为a，角B所对的边为b，角C所对的边为c。用两点距离公式算出三角形的三边长a、b和c后，利用公式（1）和（2）算出三角形的面积，再用面积和a算出高，计算采用公式（3），得出的底BC为两脚重心的间距，头部重心的高为h，再计算出高和底的比例v，如公式（4），进而判断是否超过定义的阈值T来判定人是否站立，若值大于T则判定为站立，小于T则判定为非站立。

Q=(a+b+c)/2    （1）

$\mathrm{area}=\sqrt{Q(Q-a)(Q-b)(Q-c)}---\left(2\right)$

$h=2\×\frac{\mathrm{area}}{a}---\left(3\right)$

$v=\frac{h}{a}---\left(4\right)$

本发明采用SVM（support vector machine）进行训练，优选采用Polynomial函数进行辨识分类。

图4、图5分别为本发明站立以及非站立图片的范例图，对其采用本发明方法，将判断的阈值T设置为3.09，其正确率达到了90%。实验的统计结果如表1、表2所示。

表1站立判别统计表

表2非站立判别统计表

以上所揭露的仅为本发明一种较佳实施例而已，当然不能以此来限定本发明之权利范围，因此依本发明权利要求所作的等同变化，仍属本发明所涵盖的范围。

Claims (8)

1.一种智能看护方法，其特征在于，利用机器人摄影机在家中巡逻，自动监测老人行走时是否跌倒，包括以下步骤：

S1机器人撷取人物画面做图像处理；

S2计算人物的重心；

S3判断画面中人物是否跌倒；

S4若人物跌倒，则发出通知信号；

其中，

步骤S1包括

S11从画面图像中撷取人物；

S12将人物影像二值化；

步骤S2包括

S21计算头部和脚部的重心；

S22计算由头部和脚部三点形成的三角形的面积和高；

S23由三角形面积与高计算三角形的底；

步骤S3包括

S31由步骤S23取得的三角形的底计算底与高的比例；

S32由S31取得的比例与训练统计得到的阈值T比较，大于T则为站立，小于T则为非站立。

2.根据权利要求1所述的方法，其特征在于，计算头部和脚部重心时需将任务图像分割为头部区域及脚部区域，其中，所述头部区域高度占身高的20%，所述脚部区域高度占身高的33%。

3.根据权利要求1或2所述的方法，其特征在于，头部重心由所述头部区域的顶端向下选取65%的像素确定。

4.根据权利要求1或2所述的方法，其特征在于，脚部重心为脚部区域底端向上选取25%的像素确定。

5.根据权利要求4所述的方法，其特征在于，所述脚部重心为脚部区域底端向上选取12.5%的像素确定。

6.根据权利要求1所述的方法，其特征在于，在将人物图像二值化之前先将图像转为灰阶。

7.根据权利要求1或6所述的方法，其特征在于，将图像二值化之后采用侵蚀法对图像进行滤波。

8.根据权利要求1所述的方法，其特征在于，所述阈值T为3～3.5。

Images