CN103903281B

CN103903281B - 一种基于多特征分析和场景学习的老人摔倒检测方法

Info

Publication number: CN103903281B
Application number: CN201410136974.2A
Authority: CN
Inventors: 高田; 段芳芳; 李波; 闫中江; 周虎
Original assignee: Northwestern Polytechnical University
Current assignee: Northwestern Polytechnical University
Priority date: 2014-04-04
Filing date: 2014-04-04
Publication date: 2016-08-17
Anticipated expiration: 2034-04-04
Also published as: CN103903281A

Abstract

本发明涉及一种基于多特征分析和场景学习的老人摔倒检测方法，加入人体姿态变化、人体中心位置和有效面积比三个判断条件对其进行修正。并实时的学习场景，区别休息区，从而可以检测不同监控场景下的摔倒事件。本发明所提出的算法也对已有的摔倒检测算法中的一些误判情况提供了相应的解决办法。该方法复杂度低、计算量小并且检测率较高。

Description

一种基于多特征分析和场景学习的老人摔倒检测方法

技术领域

本发明涉及图像识别，具体涉及一种独居老人摔倒检测的方法，特别针对于老人摔倒后短时间内无法自救的情况。

背景技术

近些年来，针对于独居老人所提供的智能家居服务，已经形成一个热门的研究领域。根据调查所显示，在所有发生在独居老人的危险亊件中,摔倒事件带来的危害是最大的，可能会致使摔倒者失去意识,造成残疾甚至引起死亡。所以及时检测出可能发生的摔倒行为并向家人报警,使老年人得到救助是非常必要的。

中国发明专利号201110267262.0发明了一种基于全方位视觉的独居老人安全监护系统。其中关于摔倒检测的方法是根据在人体在各个姿态下的高宽比不同而判断是否摔倒，该发明的不足之处是人体是否摔倒仅依靠高宽比来判断，并且各个姿态的高宽比的值也并不为一定值，它跟老人的身高，胖瘦等因素都有关系，应根据实际情况来设定阈值。

中国发明专利号201110451993.0提供了一种基于视频的摔倒检测方法和设备。该发明主要依据运动对象的重心下移量来判断对象是否摔倒。该发明的不足之处是所求出的图像质心不一定和人体的重心重合，依据图像质心判断必定会带来误差。该发明的另一缺陷是无法排除在某些家居场景下老人躺下或坐下的情况，此时重心虽然下移了，但是老人并没有摔倒。

发明内容

要解决的技术问题

为了避免现有技术的不足之处，本发明提出一种基于多特征分析和场景学习的老人摔倒检测方法，包括获得监控场景中的运动对象并进行跟踪，根据人体高宽比、姿态变化、人体中心的位置、以及有效面积比等特征来确定人体是否摔倒。

技术方案

一种基于多特征分析和场景学习的老人摔倒检测方法，其特征在于步骤如下：

步骤1：通过摄像头采集图像数据，将当前图像第k帧中坐标为(x,y)的点的像素值C_k(x,y)与背景图像中相应点的像素值B_k(x,y)相减，得到差值图像D_k(x,y)，将差值图像D_k(x,y)与设定的阈值T作比较，得到二值化图像R_k(x,y)：

D_k(x,y)＝C_k(x,y)-B_k(x,y),(x＝0,...,width-1,y＝0,...height-1)

R_{k} (x, y) = \{\begin{matrix} 0 & B a c k g r o u n d & D_{k} (x, y) \leq T \\ 255 & F o r e g r o u n d & D_{k} (x, y) > T \end{matrix}\}, (x = 0, ..., w i d t h - 1, y = 0, ... h e i g h t - 1)

式中x的范围为[0，width-1]，y的范围为[0，height-1]，width及height分别表示图像的宽度和高度；在背景减法中B_k(x,y)采用了背景更新方法：

B_k(x,y)＝(1-α)B_k-1(x,y)+αC_k(x,y),(x＝0,...,width-1,y＝0,...height-1)

式中α表示调节更新速率；

步骤2：采用数学形态学上的膨胀和腐蚀算子对二值化图像R_k(x,y)进行处理得到图像E_k(x,y)；

步骤3：通过对人体高宽比、人体中心位置和有效面积比进行判断来检测老人是否摔倒：

a)在图像E_k(x,y)中，以最小外接矩形框提取人体的目标，当人体的高宽比大于阈值Th时，确定人体为站立状态；当人体的高宽比小于该阈值Th，计算当前帧的人体高宽比相对于前一帧的人体高宽比的变化比值K：

K＝r(n-1)/r(n),(n＝1,2,3...)

其中n表示是第几帧，r(n)表示当前帧的人体高宽比，r(n-1)表示前一帧的人体高宽比；当K>1.5时，人体可能发生摔倒，设置姿态变化标志down＝1，当人体的高宽比再次大于阈值Th时，将down赋值为0；

b)若人体高宽比小于阈值Th并且down＝1时，通过E_k(x,y)计算人体的中心位置M(x_c,y_c)：

\{\begin{matrix} x_{c} = \frac{Σ_{x = 0}^{w i d t h - 1} Σ_{y = 0}^{h e i g h t - 1} {xE}_{k} (x, y)}{Σ_{x = 0}^{w i d t h - 1} Σ_{y = 0}^{h e i g h t - 1} E_{k} (x, y)} \\ y_{c} = \frac{Σ_{x = 0}^{w i d t h - 1} Σ_{y = 0}^{h e i g h t - 1} {yE}_{k} (x, y)}{Σ_{x = 0}^{w i d t h - 1} Σ_{y = 0}^{h e i g h t - 1} E_{k} (x, y)} \end{matrix}

将当前帧的人体中心位置与其往前第20帧的人体中心位置进行比较：如果两个中心点的距离之差大于距离阈值d，则认为在当前帧人体处于运动状态；如果两个中心点的距离之差小于距离阈值d，则认为在当前帧人体处于静止状态，转入对人体有效面积比的判断；

c)计算人体的有效面积比EA-Ratio：

其中，S_人表示运动人体的面积，而S_矩形表示人体最小外接矩形的面积，EA-Ratio的范围为[0,1]；将当前帧的有效面积比与其往前第20帧的有效面积比进行比较，若两者的差值处于[-0.05,0.05]之间，则认为有效面积比不变，人体处于静止状态；若差值在该范围之外，则认为有效面积比变化，人体在不断运动；

步骤4：当步骤3的c)中检测到人体静止状态时，获取人体的中心位置，将该中心位置与“休息区”作比对，如果该中心位置不在“休息区”，检测为老人摔倒同时相关设备向老人的家人发出报警信息。

所述的“休息区”记录方法为：当老年人在某一位置静止，超过检测时间，记老年人此时的中心点为S(x,y)，记录该中心点S(x,y)到“可能是休息区”的队列中，其周围某一大小区域也被标记为“可能是休息区”；如果老人在该标记区域静止超过四次，每次的静止时间都超过检测时间，则将S(x,y)记录到“休息区”队列中，其周围某一大小区域也被标记为“休息区”。

所述的阈值T的取值范围为[40,100]。

所述的调节更新速率α的取值范围为[0,1]。

所述的阈值Th的取值范围为[1.5,2]。

所述的距离阈值d的取值范围为[0,50]。

有益效果

本发明提出的一种基于多特征分析和场景学习的老人摔倒检测方法，加入人体姿态变化、人体中心位置和有效面积比三个判断条件对其进行修正。并增加场景判断，区别休息区，从而可以检测不同监控场景下的摔倒事件。本发明所提出的算法也对已有的摔倒检测算法中的一些误判情况提供了相应的解决办法。该方法复杂度低、计算量小并且检测率较高。

附图说明

图1本发明流程图

图2人体高度比、人体中心位置和有效面积比判断流程图

具体实施方式

现结合实施例、附图对本发明作进一步描述：

步骤1：通过摄像头采集图像数据，使用背景减法获得运动目标：将当前图像第k帧中坐标为(x,y)的点的像素值C_k(x,y)与背景图像中相应点的像素值B_k(x,y)相减，得到差值图像D_k(x,y)，将差值图像D_k(x,y)与设定的阈值T作比较，阈值T的取值范围为[40,100]，实施例中阈值T取60，得到二值化图像R_k(x,y)：

D_k(x,y)＝C_k(x,y)-B_k(x,y),(x＝0,...,width-1,y＝0,...height-1)

R_{k} (x, y) = \{\begin{matrix} 0 & B a c k g r o u n d & D_{k} (x, y) \leq T \\ 255 & F o r e g r o u n d & D_{k} (x, y) > T \end{matrix}\}, (x = 0, ..., w i d t h - 1, y = 0, ... h e i g h t - 1)

式中x的范围为[0，width-1]，y的范围为[0，height-1]，width及height分别表示图像的宽度和高度；由于在监控场景中背景将会有一定的变化，在背景减法中B_k(x,y)采用了背景更新方法：

B_k(x,y)＝(1-α)B_k-1(x,y)+αC_k(x,y),(x＝0,...,width-1,y＝0,...height-1)

式中α表示调节更新速率，它的大小表明了更新时，第k帧图像所占的权重。α的取值范围为[0,1]，当α较大时，背景更新快，α较小时，背景更新慢。如果在背景中新增加了一个或多个静止的物品，通过设置合适的α值，可以使得在相应的一段时间内这些静止物品融入背景，本实施例中α取0.5。

步骤2：采用数学形态学上的膨胀和腐蚀算子对二值化图像R_k(x,y)进行处理得到图像E_k(x,y)，经过该步骤后，可去除小的空洞和噪声，能够准确提取目标区域。

步骤3：通过对人体高度比、人体中心位置和有效面积比进行判断来检测老人是否摔倒：

在图像E_k(x,y)中，以最小外接矩形框提取人体的目标，当人体的高宽比大于阈值Th时，确定人体为站立状态，阈值Th根据个人因素等会有所不同，取值范围为[1.5,2]，本实施例中取1.8；当人体的高宽比小于该阈值Th，计算当前帧的人体高宽比相对于前一帧的人体高宽比的变化比值K：

K＝r(n-1)/r(n),(n＝1,2,3...)

其中n表示是第几帧，r(n)表示当前帧的人体高宽比，r(n-1)表示前一帧的人体高宽比；当人体基本保持同一姿态时，K值变化不大，当人正常的坐下或躺下时，K值缓慢变大，而当人摔倒的瞬间，K值急剧增大；当K>1.5时，人体可能发生摔倒，设置姿态变化标志down＝1，当人体的高宽比再次大于阈值Th时，将down重新赋值为0；

在利用人体高宽比以及姿态变化标志进行初步的判断之后，若人体高宽比小于Th并且down＝1时，再进行人体中心位置的判断。加入人体中心位置的因素主要是为了判别人体在检测的这段时间内是否基本处于静止状态，通过E_k(x,y)计算人体的中心位置M(x_c,y_c)：

\{\begin{matrix} x_{c} = \frac{Σ_{x = 0}^{w i d t h - 1} Σ_{y = 0}^{h e i g h t - 1} {xE}_{k} (x, y)}{Σ_{x = 0}^{w i d t h - 1} Σ_{y = 0}^{h e i g h t - 1} E_{k} (x, y)} \\ y_{c} = \frac{Σ_{x = 0}^{w i d t h - 1} Σ_{y = 0}^{h e i g h t - 1} {yE}_{k} (x, y)}{Σ_{x = 0}^{w i d t h - 1} Σ_{y = 0}^{h e i g h t - 1} E_{k} (x, y)} \end{matrix}

将当前帧的人体中心位置与其往前第20帧的人体中心位置进行比较：如果两个中心点的距离之差大于距离阈值d，则认为在当前帧人体处于运动状态，距离阈值d的取值范围为[0,50]，本实施例中取20；如果两个中心点的距离之差小于距离阈值d，则认为在当前帧人体处于静止状态；

在某些情况下，例如人躺着或者坐着做一些运动时，中心位置可能变化不大，但是他却处于一种运动状态，而不是摔倒以后静止的状态。此时就会造成误判。于是加入了最后一个判断条件，有效面积比。有效面积比的加入是为了进一步确定人体此时基本处于一种静止的状态，计算人体的有效面积比EA-Ratio：

其中，S_人表示运动人体的面积，而S_矩形表示人体最小外接矩形的面积，EA-Ratio的范围为[0,1]；当人体摔倒后处于基本静止的状态时，有效面积比可认为不变，而当人体在做一些运动时，例如手臂展开，随着动作的改变，有效面积比在一直变化。另外为了避免逐帧比较时可能会带来误差(如有效面积比平稳增加，增加速度较慢的情况)，可每隔固定帧数作比较，如当前帧的有效面积比与其前20帧的那一帧的有效面积比比较，方法类似于上一步中的中心位置判断。若两者的差值处于[-0.05,0.05]之间，则认为有效面积比基本不变，人体处于静止状态，若差值在该范围之外，则认为有效面积比变化，人体在不断运动；

步骤4：场景学习：

当步骤3检测到老人静止状态时，获取人体的中心位置，将该中心位置与“休息区”作比对，如果该中心位置不在“休息区”，检测为老人摔倒同时相关设备向老人的家人发出报警信息。增加场景学习，可避免在监控过程中，老人在休息区休息时的误报警，提高了系统的准确率；

所述的“休息区”记录方法为：当老年人在某一位置静止，超过检测时间15分钟，记老年人此时的中心点为S(x,y)，记录该中心点S(x,y)到“可能是休息区”的队列中，其周围某一大小区域也被标记为“可能是休息区”；如果老人在该标记区域静止超过四次，每次的静止时间都超过检测时间15分钟，则将S(x,y)记录到“休息区”队列中，其周围某一大小区域也被标记为“休息区”。

Claims

1.一种基于多特征分析和场景学习的老人摔倒检测方法，其特征在于步骤如下：

D_k(x,y)＝C_k(x,y)-B_k(x,y),(x＝0,...,width-1,y＝0,...height-1)

R_{k} (x, y) = \{\begin{matrix} 0 & B a c k g r o u n d & D_{k} (x, y) \leq T \\ 255 & F o r e g r o u n d & D_{k} (x, y) > T \end{matrix}\}, (x = 0, ..., w i d t h - 1, y = 0, ... h e i g h t - 1)

B_k(x,y)＝(1-α)B_k-1(x,y)+αC_k(x,y),(x＝0,...,width-1,y＝0,...height-1)

式中α表示调节更新速率；

K＝r(n-1)/r(n),(n＝1,2,3...)

\{\begin{matrix} x_{c} = \frac{Σ_{x = 0}^{w i d t h - 1} Σ_{y = 0}^{h e i g h t - 1} {xE}_{k} (x, y)}{Σ_{x = 0}^{w i d t h - 1} Σ_{y = 0}^{h e i g h t - 1} E_{k} (x, y)} \\ y_{c} = \frac{Σ_{x = 0}^{w i d t h - 1} Σ_{y = 0}^{h e i g h t - 1} {yE}_{k} (x, y)}{Σ_{x = 0}^{w i d t h - 1} Σ_{y = 0}^{h e i g h t - 1} E_{k} (x, y)} \end{matrix}

c)计算人体的有效面积比EA-Ratio：

2.根据权利要求1所述的一种基于多特征分析和场景学习的老人摔倒检测方法，其特征在于所述的“休息区”记录方法为：当老年人在某一位置静止，超过检测时间，记老年人此时的中心点为S(x,y)，记录该中心点S(x,y)到“可能是休息区”的队列中，其周围某一大小区域也被标记为“可能是休息区”；如果老人在该标记区域静止超过四次，每次的静止时间都超过检测时间，则将S(x,y)记录到“休息区”队列中，其周围某一大小区域也被标记为“休息区”。

3.根据权利要求1所述的一种基于多特征分析和场景学习的老人摔倒检测方法，其特征在于所述的阈值T的取值范围为[40,100]。

4.根据权利要求1所述的一种基于多特征分析和场景学习的老人摔倒检测方法，其特征在于所述的调节更新速率α的取值范围为[0,1]。

5.根据权利要求1所述的一种基于多特征分析和场景学习的老人摔倒检测方法，其特征在于所述的阈值Th的取值范围为[1.5,2]。

6.根据权利要求1所述的一种基于多特征分析和场景学习的老人摔倒检测方法，其特征在于所述的距离阈值d的取值范围为[0,50]。