CN104392201A - 一种基于全向视觉的人体跌倒识别方法 - Google Patents
一种基于全向视觉的人体跌倒识别方法 Download PDFInfo
- Publication number
- CN104392201A CN104392201A CN201410508093.9A CN201410508093A CN104392201A CN 104392201 A CN104392201 A CN 104392201A CN 201410508093 A CN201410508093 A CN 201410508093A CN 104392201 A CN104392201 A CN 104392201A
- Authority
- CN
- China
- Prior art keywords
- human body
- radius
- ratio
- image
- body contour
- 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.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/20—Movements or behaviour, e.g. gesture recognition
- G06V40/23—Recognition of whole body movements, e.g. for sport training
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
- G08B21/02—Alarms for ensuring the safety of persons
- G08B21/04—Alarms for ensuring the safety of persons responsive to non-activity, e.g. of elderly persons
- G08B21/0407—Alarms for ensuring the safety of persons responsive to non-activity, e.g. of elderly persons based on behaviour analysis
- G08B21/043—Alarms for ensuring the safety of persons responsive to non-activity, e.g. of elderly persons based on behaviour analysis detecting an emergency event, e.g. a fall
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Psychiatry (AREA)
- Social Psychology (AREA)
- Business, Economics & Management (AREA)
- Psychology (AREA)
- Emergency Management (AREA)
- Gerontology & Geriatric Medicine (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Human Computer Interaction (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明提出一种基于全向视觉的人体跌倒识别方法,其内容包括是:监测系统使用全向视觉系统采集和处理图像,全向视觉系统能够采集到360°视角范围内的图像信息以消除盲点,系统将原始图像分别展开为柱面投影图和透视投影图,利用背景分割技术将人体轮廓从图像中去噪并提取出来后,分别分析柱面投影图里的人体轮廓所显示的宽高比以及透视投影图里人体轮廓的最小外接圆和最大内切圆半径之比,通过人在正常状态下和跌倒时所对应的不同的比值,分别对比设定的相应阈值,来判断人是否跌倒,并对跌倒事故发出警报。本发明由于采用全向视觉系统,能够对360°视角范围进行无死角的实时监测,及时准确,可节省大量人力成本。
Description
技术领域
本发明属于机器视觉领域,具体涉及一种360°视角范围内的人体跌倒识别的方法。
背景技术
现今人口老龄化社会中,空巢老人数量日益增加,他们的健康保障面临着严重的威胁。意外跌倒对老年人的伤害极大,而空巢老人跌倒后由于身旁无人及时照应,导致伤情加重甚至死亡,意外跌倒事故成为对空巢老人的一个最主要的健康危害。
目前,针对人体跌倒检测已有许多不同类型的方法,包括使用特殊传感器的系统,以及人工视频监控系统。使用特殊传感器的系统,一般是通过加速度传感器方式进行跌倒识别,其缺点在于准确率不高,容易造成误报。人工视频监控系统,其缺点在于耗费大量人力成本,有的系统无法进行全视角范围的监测。
发明内容
为了解决现有技术中无法进行全视角范围监测、浪费人力成本和准确率不高的问题,本发明提出一种新型的基于全向视觉系统监测人体跌倒的方法。
本发明的作用原理如下:
折反射系统是一种能够同时提供透射和反射光线的折反射光学系统,并且能够用于采集360°视角的场景。这种系统拥有只需处理一幅图像的优势,而不必处理普通相机采集的环形连续图像中的边界不连续的问题。
本发明所用硬件设备图像采集装置是由一个装有CCD相机的全向视觉系统和一个双曲线折反射镜组成,双曲线折反射镜在上,CCD相机置于双曲线折反射镜的下方,图像采集装置置于天花板上,这样安装就能无死角的采集整个场景的图像,图像采集装置与计算机服务器连接,采集到的图像将传送给计算机服务器。从全向视觉系统采集到的图像将被用于检测是否有跌倒事故发生。
一种基于全向视觉的人体跌倒识别方法,其内容包括如下步骤:
(1)将全向视觉系统采集的图像传送至计算机服务器进行处理;系统以1帧/秒的采样频率处理图像,系统将原始图像分别展开为柱面投影图和透视投影图,并分别进行高斯滤波;
(2)对展开后的柱面投影图和透视投影图,分别利用前30秒钟的图像训练一个之后可定期更新的基本的背景模型,使用这个模型将前景从背景中分割出来;
(3)将前景的二值图像轮廓从背景中分割出来后,利用形态学开操作将小的噪声消除,再用闭操作重建边缘部分;
(4)对柱面投影图和透视投影图分别进行处理;对柱面投影图,运用连通区域标记技术来标注每个连续的物体并得到它的面积,通过人体面积的最小值Sa来排除非人体的噪声;同样,通过另一个人体面积的最小值Sb对透视投影图进行相同方法处理;
(5)对柱面投影图,计算出去除噪声之后得到的人体轮廓的宽W和高H,得出人体轮廓的宽高比K=W/H,通过人在正常状态下和跌倒时的不同的宽高比,来分析人是否跌倒;当检测到宽高比K大于设定的阈值Ta时,就读取此帧之前第8秒钟至第3秒钟的6个图像帧和此帧之后的第5秒钟至第10秒钟的6个图像帧中检测到的12个宽高比K,如果前6个图像帧中的宽高比K都小于1而后6个图像帧中的宽高比K都大于1并且大于阈值Ta时,那么就判定是发生了跌倒事故,将Fa置为TRUE;
(6)对透视投影图,计算出去除噪声之后得到的人体轮廓的最大内切圆半径Ri和最小外接圆半径Rc,得出人体轮廓的最小外接圆和最大内切圆半径之比P=Rc/Ri,通过人在正常状态下和跌倒时的不同的外接圆内切圆半径之比P,来分析人是否跌倒;当检测到P大于设定的上限阈值Tb2时,就读取此帧之前第8秒钟至第3秒钟的6个图像帧和此帧之后的第5秒钟至第10秒钟的6个图像帧中检测到的12个P,如果前6个图像帧中的P都小于设定的下限阈值Tb1而后6个图像帧中的P都大于上限阈值Tb2时,那么就判定是发生了跌倒事故,将Fb置为TRUE;
(7)只要Fa或Fb其中之一为TRUE,系统即发出跌倒警报,向值班室的计算机发送可疑画面并向手机发送短信息通知护理人员处理。
本发明的技术方案,由于采用全向视觉系统,因此可对整个场景实施无死角的实时监测;在跌倒识别方法上,分别采用分析柱面投影图里的人体轮廓所显示的宽高比以及透视投影图里人体轮廓的最小外接圆和最大内切圆半径之比这两种方法进行人体跌倒识别,避免了单一方法对某些特殊的跌倒姿势识别不准确,提高了人体跌倒识别的准确性。本发明的技术方案可节省大量人力成本,能够对360°视角范围进行无死角的实时监测,及时准确。
附图说明
附图1是本发明的全向视觉系统图像采集装置的结构原理;
附图2是对展开成柱面投影图的基于人体轮廓宽高比的跌倒检测方法示意图,左图为正常状态,右图为跌倒状态;
附图3是对展开成透视投影图的基于人体轮廓最小外接圆和最大内切圆半径之比的跌倒检测方法示意图,上图为正常状态,下图为跌倒状态;
附图4是本发明的工作流程图。
具体实施方式
下面结合附图对本发明做进一步详细说明。
据图1所示,图像采集装置由一个装有CCD相机的全向视觉系统和一个双曲线折反射镜组成,CCD相机在下,双曲线折反射镜在上,将图像采集装置置于天花板上,这样就能几乎无死角的采集整个场景的图像。因为双曲线镜头满足单视点约束,所以采集到的全向图像可以进行柱面投影展开获取柱面投影图像。柱面投影图的视角如图2所示。由于柱面投影图像对以图像采集装置为圆心的径向的跌倒姿势无法较好的判断跌倒,系统将把采集得到的原始图像分别展开成柱面投影图和透视投影图,利用不同的方法进行跌倒识别,如果其中一种投影图识别出跌倒行为,系统即发出跌倒警报。透视投影图的视角如图3所示。
本发明的基于全向视觉的人体跌倒识别方法,如图4所示,具体实现步骤如下:
(1)当系统工作时,首先由全向视觉系统采集图像,将图像传送至计算机服务器,系统以1帧/秒的采样频率处理图像,系统将原始图像分别展开为柱面投影图和透视投影图,并分别进行高斯滤波;
(2)对展开后的柱面投影图和透视投影图,分别利用前30秒钟的图像训练一个基本的背景模型,使用之前训练好的模型将前景从背景中分割出来,之后定期更新学习的背景像素;
(3)将前景的二值图像轮廓从背景中分割出来后,利用形态学开操作将小的噪声消除,再用闭操作重建边缘部分;
(4)接下来将分别对柱面投影图和透视投影图进行处理。对柱面投影图,运用连通区域标记技术来标注每个连续的物体并得到它的面积,通过人体面积的最小值Sa来排除非人体的噪声,即将面积小于Sa的物体的灰度值置0。同样,通过另一个人体面积的最小值Sb对透视投影图进行相同方法处理;
(5)对柱面投影图,计算出去除噪声之后得到的人体轮廓的宽W和高H,得出人体轮廓的宽高比K=W/H,通过人在正常状态下和跌倒时的不同的宽高比,如图2所示,来分析人是否跌倒;
对柱面投影图,当检测到宽高比K大于设定的阈值Ta时,就读取此帧之前第8秒钟至第3秒钟的6个图像帧和此帧之后的第5秒钟至第10秒钟的6个图像帧中检测到的12个宽高比K,如果前6个图像帧中的宽高比K都小于1而后6个图像帧中的宽高比K都大于1并且大于阈值Ta时,那么就判定是发生了跌倒事故,将Fa置为TRUE;
(6)对透视投影图,计算出去除噪声之后得到的人体轮廓的最大内切圆半径Ri和最小外接圆半径Rc,得出人体轮廓的最小外接圆和最大内切圆半径之比P=Rc/Ri,通过人在正常状态下和跌倒时的不同的外接圆内切圆半径之比P,如图3所示,来分析人是否跌倒;
对透视投影图,当检测到P大于设定的上限阈值Tb2时,就读取此帧之前第8秒钟至第3秒钟的6个图像帧和此帧之后的第5秒钟至第10秒钟的6个图像帧中检测到的12个P,如果前6个图像帧中的P都小于设定的下限阈值Tb1而后6个图像帧中的P都大于上限阈值Tb2时,那么就判定是发生了跌倒事故,将Fb置为TRUE;
(7)只要Fa或Fb其中之一为TRUE,系统即发出跌倒警报,向值班室的计算机发送可疑画面并向手机发送短信息通知护理人员处理。
在上述步骤7中,所述人体轮廓的最小外接圆半径Rc和最大内切圆半径Ri的计算方法如下:
首先,预先选取初始圆心O的位置:先寻找到人体轮廓的上端点(x1,y1)和下端点(x2,y2),在这两点之间以(y2-y1)/n为间距,水平地画出n-1条直线将轮廓划分成n份,将直线与轮廓的交点以及上端点和下端点作为采样点取出;同样,寻找到人体轮廓的左端点(x3,y4)和右端点(x4,y4),在这两点之间以(x4-x3)/m为间距,竖直地画出m-1条直线将轮廓划分成m份,将直线与轮廓的交点以及左端点和右端点作为采样点取出。将这些采样点的横坐标与纵坐标分别求算术平均值,得出坐标点O(x,y),作为初始圆心。通过这种方法选取的初始圆心的位置与最小外接圆的圆心较为接近,只需在初始圆心O附近搜索即可快速地找到最小外接圆的圆心。
求所述人体轮廓的最小外接圆半径Rc的算法:从初始圆心O开始,寻找轮廓上的各个像素点到O的最大距离,即为此轮廓外接圆的半径,但未必是最小外接圆的半径;以O为中心,在其周围移动圆心位置,重复该步骤计算外接圆半径,直至计算出的外接圆半径明显大于初始圆心O附近的外接圆半径时,停止搜索,找出这些外接圆半径中的最小值,即为最小外接圆半径Rc。
求所述人体轮廓的最大内切圆半径Ri的算法:仍从初始圆心O开始,寻找轮廓上的各个像素点到O的最小距离,即为此轮廓内切圆的半径,但未必是最大内切圆的半径;以O为中心,在其周围移动圆心位置,重复该步骤计算内切圆半径,直至计算出的内切圆半径明显小于初始圆心O附近的内切圆半径时,停止搜索,找出这些内切圆半径中的最大值,即为最大内切圆半径Ri。
Claims (3)
1.一种基于全向视觉的人体跌倒识别方法,其特征在于:该方法内容包括如下步骤:
(1)将全向视觉系统采集的图像传送至计算机服务器进行处理;系统以1帧/秒的采样频率处理图像,系统将原始图像分别展开为柱面投影图和透视投影图,并分别进行高斯滤波;
(2)对展开后的柱面投影图和透视投影图,分别利用前30秒钟的图像训练一个之后可定期更新的基本的背景模型,使用这个模型将前景从背景中分割出来;
(3)将前景的二值图像轮廓从背景中分割出来后,利用形态学开操作将小的噪声消除,再用闭操作重建边缘部分;
(4)对柱面投影图和透视投影图分别进行处理;对柱面投影图,运用连通区域标记技术来标注每个连续的物体并得到它的面积,通过人体面积的最小值Sa来排除非人体的噪声;同样,通过另一个人体面积的最小值Sb对透视投影图进行相同方法处理;
(5)对柱面投影图,计算出去除噪声之后得到的人体轮廓的宽W和高H,得出人体轮廓的宽高比K=W/H,通过人在正常状态下和跌倒时的不同的宽高比,来分析人是否跌倒;当检测到宽高比K大于设定的阈值Ta时,就读取此帧之前第8秒钟至第3秒钟的6个图像帧和此帧之后的第5秒钟至第10秒钟的6个图像帧中检测到的12个宽高比K,如果前6个图像帧中的宽高比K都小于1而后6个图像帧中的宽高比K都大于1并且大于阈值Ta时,那么就判定是发生了跌倒事故,将Fa置为TRUE;
(6)对透视投影图,计算出去除噪声之后得到的人体轮廓的最大内切圆半径Ri和最小外接圆半径Rc,得出人体轮廓的最小外接圆和最大内切圆半径之比P=Rc/Ri,通过人在正常状态下和跌倒时的不同的外接圆内切圆半径之比P,来分析人是否跌倒;当检测到P大于设定的上限阈值Tb2时,就读取此帧之前第8秒钟至第3秒钟的6个图像帧和此帧之后的第5秒钟至第10秒钟的6个图像帧中检测到的12个P,如果前6个图像帧中的P都小于设定的下限阈值Tb1而后6个图像帧中的P都大于上限阈值Tb2时,那么就判定是发生了跌倒事故,将Fb置为TRUE;
(7)只要Fa或Fb其中之一为TRUE,系统即发出跌倒警报,向值班室的计算机发送可疑画面并向手机发送短信息通知护理人员处理。
2.根据权利要求1所述的一种基于全向视觉的人体跌倒识别方法,其特征在于:所述人体轮廓的最小外接圆半径Rc的算法是:从初始圆心O开始,寻找轮廓上的各个像素点到O的最大距离,即为此轮廓外接圆的半径,但未必是最小外接圆的半径;以O为中心,在其周围移动圆心位置,重复该步骤计算外接圆半径,直至计算出的外接圆半径明显大于初始圆心O附近的外接圆半径时,停止搜索,找出这些外接圆半径中的最小值,即为最小外接圆半径Rc。
3.根据权利要求1所述的一种基于全向视觉的人体跌倒识别方法,其特征在于:所述人体轮廓的最大内切圆半径Ri的算法是:从初始圆心O开始,寻找轮廓上的各个像素点到O的最小距离,即为此轮廓内切圆的半径,但未必是最大内切圆的半径;以O为中心,在其周围移动圆心位置,重复该步骤计算内切圆半径,直至计算出的内切圆半径明显小于初始圆心O附近的内切圆半径时,停止搜索,找出这些内切圆半径中的最大值,即为最大内切圆半径Ri。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410508093.9A CN104392201B (zh) | 2014-09-28 | 2014-09-28 | 一种基于全向视觉的人体跌倒识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410508093.9A CN104392201B (zh) | 2014-09-28 | 2014-09-28 | 一种基于全向视觉的人体跌倒识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104392201A true CN104392201A (zh) | 2015-03-04 |
CN104392201B CN104392201B (zh) | 2017-05-31 |
Family
ID=52610102
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410508093.9A Expired - Fee Related CN104392201B (zh) | 2014-09-28 | 2014-09-28 | 一种基于全向视觉的人体跌倒识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104392201B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106780310A (zh) * | 2016-12-20 | 2017-05-31 | 北京奇艺世纪科技有限公司 | 一种投影图构建方法及装置 |
CN108175995A (zh) * | 2017-12-28 | 2018-06-19 | 必革发明(深圳)科技有限公司 | 跑步机安全监测方法、装置及跑步机 |
CN110599736A (zh) * | 2019-09-02 | 2019-12-20 | 广东颐寿医疗养老有限公司 | 一种人员看护的预警控制方法及其系统 |
CN115273154A (zh) * | 2022-09-26 | 2022-11-01 | 哈尔滨工业大学(深圳)(哈尔滨工业大学深圳科技创新研究院) | 基于边缘重构的热红外行人检测方法、系统及存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090278934A1 (en) * | 2003-12-12 | 2009-11-12 | Careview Communications, Inc | System and method for predicting patient falls |
CN102387345A (zh) * | 2011-09-09 | 2012-03-21 | 浙江工业大学 | 基于全方位视觉的独居老人安全监护系统 |
CN103976739A (zh) * | 2014-05-04 | 2014-08-13 | 宁波麦思电子科技有限公司 | 穿戴式摔倒动态实时检测方法和装置 |
TW201432633A (zh) * | 2013-02-06 | 2014-08-16 | Utechzone Co Ltd | 跌倒偵測方法 |
-
2014
- 2014-09-28 CN CN201410508093.9A patent/CN104392201B/zh not_active Expired - Fee Related
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090278934A1 (en) * | 2003-12-12 | 2009-11-12 | Careview Communications, Inc | System and method for predicting patient falls |
CN102387345A (zh) * | 2011-09-09 | 2012-03-21 | 浙江工业大学 | 基于全方位视觉的独居老人安全监护系统 |
TW201432633A (zh) * | 2013-02-06 | 2014-08-16 | Utechzone Co Ltd | 跌倒偵測方法 |
CN103976739A (zh) * | 2014-05-04 | 2014-08-13 | 宁波麦思电子科技有限公司 | 穿戴式摔倒动态实时检测方法和装置 |
Non-Patent Citations (1)
Title |
---|
苏连成等: "一种新的全向立体视觉系统的设计", 《中国期刊全文数据库 自动化学报》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106780310A (zh) * | 2016-12-20 | 2017-05-31 | 北京奇艺世纪科技有限公司 | 一种投影图构建方法及装置 |
US10991068B2 (en) | 2016-12-20 | 2021-04-27 | Beijing Qiyi Century Science & Technology Co., Ltd. | Projection image construction method and device |
CN108175995A (zh) * | 2017-12-28 | 2018-06-19 | 必革发明(深圳)科技有限公司 | 跑步机安全监测方法、装置及跑步机 |
CN110599736A (zh) * | 2019-09-02 | 2019-12-20 | 广东颐寿医疗养老有限公司 | 一种人员看护的预警控制方法及其系统 |
CN110599736B (zh) * | 2019-09-02 | 2021-06-08 | 广东颐寿医疗养老有限公司 | 一种人员看护的预警控制方法及其系统 |
CN115273154A (zh) * | 2022-09-26 | 2022-11-01 | 哈尔滨工业大学(深圳)(哈尔滨工业大学深圳科技创新研究院) | 基于边缘重构的热红外行人检测方法、系统及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN104392201B (zh) | 2017-05-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108090458B (zh) | 人体跌倒检测方法和装置 | |
CN110852219B (zh) | 一种多行人跨摄像头在线跟踪系统 | |
CN102663452B (zh) | 基于视频分析的可疑行为检测方法 | |
CN101577812B (zh) | 一种岗位监测的方法和系统 | |
CN107679471B (zh) | 基于视频监控平台的室内人员空岗检测方法 | |
CN109145696B (zh) | 一种基于深度学习的老人跌倒检测方法及系统 | |
KR101541272B1 (ko) | 사람들의 움직임 불규칙성을 이용한 폭력 행위 검출 장치 및 방법 | |
KR101309366B1 (ko) | 영상 기반 이상 동작 감시 시스템 및 방법 | |
CN106331605B (zh) | 一种基于视频的水灾检测系统及方法 | |
CN111027370A (zh) | 一种多目标跟踪及行为分析检测方法 | |
CN110674680B (zh) | 活体识别的方法、装置、存储介质 | |
CN103152558B (zh) | 基于场景识别的入侵检测方法 | |
CN104392201A (zh) | 一种基于全向视觉的人体跌倒识别方法 | |
CN104463869A (zh) | 一种视频火焰图像复合识别方法 | |
EP2000998B1 (en) | Flame detecting method and device | |
CN110674753A (zh) | 偷盗行为预警方法、终端设备及存储介质 | |
WO2021020866A9 (ko) | 원격 모니터링을 위한 영상 분석 시스템 및 방법 | |
CN112183219A (zh) | 一种基于人脸识别的公共安全视频监测方法及系统 | |
CN115527158A (zh) | 一种基于视频监控的人员异常行为检测方法及装置 | |
CN114140745A (zh) | 施工现场人员属性检测方法、系统、装置及介质 | |
CN111753587B (zh) | 一种倒地检测方法及装置 | |
CN107704818A (zh) | 一种基于视频图像的火灾检测系统 | |
CN106683077A (zh) | 一种扶梯口楼层板上大件物滞留检测方法 | |
JP2012088861A (ja) | 侵入物体検出装置 | |
CN111783618A (zh) | 一种基于视频内容分析的园区大脑感知方法和系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20170531 Termination date: 20210928 |