CN104574441A - 一种基于gmm和时序模型的跌倒实时检测方法 - Google Patents

Abstract

一种基于GMM和时序模型的跌倒实时检测方法，包括以下步骤：1)背景建模；2)形态学处理；3)运动目标检测；4)判定人体宽高比变化；5)构造重心状态变化矩阵；6)指数平滑法更新数据；7)给定跌倒阈值矩阵；8)根据测试数据，按照跌倒检测公式进行判定。本发明采用重心状态矩阵将表征人体运动状态的信息分解为多个参量，并赋予垂直参量更高的权重，使人体状态变化的检测更加精确；采用基于时间序列的指数平滑法对历史数据的权重进行调整，使当前累积数据更加合理。本发明既可应用于平地环境也可应用于楼梯等斜坡环境。

Description

一种基于GMM和时序模型的跌倒实时检测方法

技术领域

本发明涉及的领域有机器视觉、模式识别、数字图像处理、特征提取等领域，尤其是一种跌倒实时检测方法。

背景技术

背景建模、动态目标检测、目标重心状态检测、跌倒检测是老人跌倒实时检测算法的关键。

随着许多国家步入老龄化社会，如何保证老年人度过安康晚年成为许多国家面临的一个问题。跌倒是造成老年人受伤或死亡的重要原因之一，有效的检测老年人跌倒事件的发生对于保护老年人生命安全具有重要意义。据上海疾控中心统计，在60岁以上老年人中，跌倒占总伤害的36.8％，是老年人第一位伤害发生类型，80岁以上老年人跌倒的发生率高达50％，跌倒及其后果给老年人造成了巨大的身心伤害，严重影响老年人的生活质量。

针对目前的老人跌倒检测领域，可穿戴设备被大多数的学者采用。如石欣的论文(SHI Xin.,ZHANG Tao.:Design of a wearable fall detection device[J].ChineseJournal of Scientific Instrument,2012,(3):pp:573-580.即：石欣,张涛.一种可穿戴式跌倒检测装置设计[J].仪器仪表学报,2012,(3):573-580。)中，提到了基于压力传感器的跌倒检测技术。此类技术具有较高的检测精度，但使用不方便，不符合老年人的生活习惯。Alwan等学者的论文(Alwan,M.,Rajendran,P.,Kell,S.,Mack,D.,Dalal,S.,Wolfe,M.,Felder,R.:A smart and passive floor-vibration based fall detectorfor elderly.In:2nd Information and Communication Technologies,vol.1,pp.1003–1007(2006).即：Alwan,M.,Rajendran,P.,Kell,S.,Mack,D.,Dalal,S.,Wolfe,M.：一种基于地板传感器的智能老人跌倒检测技术，信息通信技术,2006,1,:1003-1007。)中提出的基于地面传感器的跌倒检测技术能够解决使用者使用不便的问题，但此类方法的缺点是使用范围小且地面传感器价格昂贵。此外还有基于声音的跌倒检测技术，但此类跌倒检测的缺点是精度过低，因此一般仅作为跌倒检测的辅助手段。最后是基于视频的跌倒检测技术，此类方法兼顾了较高的检测精度和良好的使用方便性，故具有可观的推广前景。其中在左常玲的论文(ZUO Chang-ling.Research and Realization of Video-based Automatic FallDetection[D].Anhui University:Anhui University,2012.即左常玲.基于视频的自动摔倒检测研究与实现[D].安徽大学:安徽大学,2012.)中提出了一种基于人体宽高比、有效面积率和重心变化率的人体跌倒检测。采用左常玲提出的方法能够在平坦环境下实现跌倒检测，其采用的计算两帧间重心位置欧式距离的方法在人体横向跌倒时能够取得良好的检测效果，但在人体面向摄像头跌倒时由于重心横向特征变化不明显，故此时检测效果会减弱。此外，其检测范围也忽略了斜坡、楼梯等老年人更易跌倒的地方。综上所述，目前在基于视频的跌倒检测算法中包括检测的精度、算法的应用范围这两个方面均具有改进的地方。

发明内容

为了克服现有的跌倒检测方法的检测精度较低、适用范围较窄的不足，本发明提供一种检测精度较高、适用范围较宽的基于GMM和时序模型的跌倒实时检测方法。

为了解决上述技术问题，本发明提供如下技术方案：

一种基于GMM(Gaussian Mixture Model高斯混合模型)和时序模型的跌倒实时检测方法，所述跌倒实时检测方法包括以下步骤：

1)背景建模；

2)形态学处理：进行一次开运算，消除细小噪声干扰，进行一次闭运算，填补连通区域空白；

3)运动目标检测：设定连通区域阈值，剔除过小的运动目标，标定人体运动目标；

4)判定人体轮廓宽高比变化：在连通区域检测的基础上，标定人体轮廓宽高比的值，根据该值的变化，作为判定人体摔倒的初步依据；

5)构造重心状态矩阵：给出相邻两帧的重心点(x₀,y₀)、(x₁,y₁)，将重心状态由传统的帧间欧式距离分割成四个分量，分别是水平方向速率、水平加速度值和垂直方向速率、垂直加速度值，即重心状态矩阵||v_x|,v_y,|a_x|,a_y|^T；

6)指数平滑法更新：利用指数平滑法对重心状态矩阵进行更新，更新公式如下：

$\left|\begin{array}{c}\left|v_x\right|\\ v_y\\ {|a}_x|\\ a_y\end{array}\right|=(1-\mathrm{alph})*\left|\begin{array}{c}\left|v_x\right|\\ v_y\\ \left|a_x\right|\\ a_y\end{array}\right|+\mathrm{alph}*\left|\begin{array}{c}\left|v_x^{\′}\right|\\ v_y^{\′}\\ \left|a_x^{\′}\right|\\ a_x^{\′}\end{array}\right|---\left(1\right)$

其中，alph为重心状态变化的学习率，|v_x|表示重心在当前帧的水平速率值，|v'_x|表示重心在上一帧的水平速率值，v_y表示重心当前帧的垂直速率值，v'_y表示重心上一帧的垂直速率值，|a_x|表示重心当前帧的水平加速度值，|a'_x|表示重心上一帧的水平加速度值，|a_y|表示重心当前帧的垂直加速度值，|a'_y|表示重心垂直方向的速度值；

7)给定跌倒阈值矩阵如下：

$\mathrm{threshold}=\left|\begin{array}{c}\left|v_{\mathrm{xth}}\right|\\ v_{\mathrm{yth}}\\ \left|a_{\mathrm{xth}}\right|\\ a_{\mathrm{yth}}\end{array}\right|---\left(2\right)$

其中threshold表示阈值矩阵，|v_xth|表示跌倒发生时重心水平速率值，v_yth表示跌倒发生时重心垂直速度阈值，|a_xth|表示跌倒发生时重心水平加速度阈值，a_yth表示跌倒发生时重心垂直加速度阈值；

8)根据测试数据，垂直方向与水平方向的阈值权重如下分别为a和1-a，a为0～1之间的小数，给出如下的跌倒检测公式：

$\mathrm{fall}=\left|\begin{array}{c}a\\ 1-a\\ a\\ 1-a\end{array}\right|\×{\left(\begin{array}{c}\left|\begin{array}{c}\left|v_x\right|\\ v_y\\ \left|a_x\right|\\ a_y\end{array}\right|\end{array}-\left|\begin{array}{c}{|v}_{\mathrm{xth}}|\\ v_{\mathrm{yth}}\\ \left|a_{\mathrm{xth}}\right|\\ a_{\mathrm{yth}}\end{array}\right|\right)}^T---\left(3\right)$

其中，fall为跌倒检测判断参数，如果fall值大于等于阈值thFall，判定跌倒发生，thFall值根据实验环境给定。

进一步，所述步骤3)所述，定连通区域面积s_con，将s_con＜2000的连通区域过滤(实验测得，连通区域面积大于2000时，产生误判的概率很小故此处没有考虑连通区域过大的情况)。

再进一步，所述步骤4)所述，给定人体宽高比的上下阈值分别为2和4，表示当检测到的人体宽高比介于2和4时，选择按照如下公式(4)更新当前人体宽高比，否则不更新；在更新人体宽高比时，给定学习率β＝0.01对人体宽高比值进行稳定的学习。

所述步骤4)中，宽高比变化的学习率β，得到如下的公式：

hwc＝(1-β)*hwc+β*hwc'    (1)其中，hwc表示当前宽高比值，hwc'表示上一帧的目标宽高比值，β表示累积宽高比的学习率。

所述步骤5)，给定人体重心状态矩阵用来表征人体二维图像空间下的位置变化，考虑相邻两帧的重心点(x₀,y₀)、(x₁,y₁)，重心状态矩阵中重心的垂直速率，将两帧重心位置坐标相减得到瞬时垂直速率：

v_瞬y＝y₁-y₀    (2)

|v_瞬x|＝x₁-x₀    (3)

其中，v_瞬y为正表示重心位置下降，v_瞬y为负表示重心位置上升；|v_瞬x|表示重心在当前帧的水平方向瞬时速率值；将得到的瞬时速率按如下式子进行更新：

if(v_瞬y≥thUpperY&&v_瞬y≤thLowerY)

                                      (4)

v_y＝(1-α_y)v_y+α_yv_瞬y

if(|v_瞬x|≥thUpperX&&|v_瞬x|≤thLowerX)

                                      (5)

|v_x|＝(1-α_x)|v_x|+α_x|v_瞬x|

其中，thUpperY和thLowerY分别表征垂直速度的上下阈值，用来消除极大误差。α_y表示垂直速率更新的学习率；thUpperX和thLowerX表示水平速率的上下阈值，a_x表示水平速率更新的学习率；

在获得速率的基础之上，给出重心状态矩阵中加速度的计算方法。

其中，a_瞬y表示当前帧重心的垂直方向瞬时加速度值，a_瞬x表示当前帧重心水平方向瞬时加速度值，|v_y1|v_x1||^Τ表示当前帧重心速度状态值，|v_y0|v_x0||^Τ表示前一帧重心速度状态值，得到重心加速度状态矩阵之后，对重心加速度进行更新

本发明的技术构思为：本发明主要从解决上文提出的关于改进精度和扩大检测适用场景这两个问题入手。首先提出重心状态矩阵，将现有算法所考虑的帧间重心欧式距离分解为四个参量去考虑即重心水平和垂直速率、重心水平和垂直加速度值，并赋予垂直速率和垂直加速度更高的权重。在更新重心状态矩阵时，采用指数平滑法分配权重，权重依据历史帧距离当前帧的帧数由大到小依次增加。时间序列是指按时间顺序排列的、随时间变化且相互关联的数据序列。在本发明中设计的时间序列数据有重心状态矩阵、人体宽高比。在跌倒检测的数据更新中，面临的一个主要问题是数据波动。数据波动的主要表现为状态相近的几帧之间会呈现出数据上的较大差异，这是造成检测误判的一个主要原因之一。为了解决数据波动的问题，故引入时间序列的处理手段，将历史数据与当前数据进行关联，从而降低数据波动带来的影响。处理时间序列的方法有多种，如简单移动平均法、指数平滑法、自适应滤波法。综合考虑计算的复杂度和实际数据的需求度，本发明采用指数平滑法来处理时序数据。

如所述步骤6)所述，给定

$S_t^{\left(1\right)}={\mathrm{\α\γ}}_t+(1-\mathrm{\α})({\mathrm{\γ}}_t-S_{t-1}^{\left(1\right)})---\left(8\right)$

其中表示t时刻变量的确定值，上标1表示一次指数；α表示学习率，γ_t为观测序列中的一项。由上式可得：

$S_t^{\left(1\right)}=S_{t-1}^{\left(1\right)}+\mathrm{\α}({\mathrm{\γ}}_t-S_{t-1}^{\left(1\right)})---\left(9\right)$

给定针对的观测序列{γ₁…γ_t}，取移动平均的项数N，一次简单移动平均计算值计算公式为：

$\begin{array}{c}{M}_t^{\left(1\right)}=\frac{1}{N}({\mathrm{\γ}}_t+{\mathrm{\γ}}_{t-1}+...+{\mathrm{\γ}}_{t-N+1})\\ =\frac{1}{N}({\mathrm{\γ}}_{t-1}+...+{\mathrm{\γ}}_{t-N})+\frac{1}{N}({\mathrm{\γ}}_t-{\mathrm{\γ}}_{t-N})\\ =M_{t-1}^{\left(1\right)}+\frac{1}{N}({\mathrm{\γ}}_t-{\mathrm{\γ}}_{t-N})\end{array}---\left(10\right)$

上式表示t时刻观测数据的简单平均值。以作为γ_t-N的最佳估计，则有：

$M_1^{\left(1\right)}=M_{t-1}^{\left(1\right)}+\frac{{\mathrm{\γ}}_t-M_{t-1}^{\left(1\right)}}{N}=\frac{{\mathrm{\γ}}_t}{N}+(1-\frac{1}{N})M_{t-1}^{\left(1\right)}---\left(11\right)$

令，以S_t代替即得到(12)式：

$S_t^{\left(1\right)}={\mathrm{\α\γ}}_t+(1-\mathrm{\α})S_{t-1}^{\left(1\right)}---\left(12\right)$

将(12)式展开可得：

$S_t^{\left(1\right)}={\mathrm{\α\γ}}_t+(1-\mathrm{\α})[{\mathrm{\α\γ}}_{t-1}+(1-\mathrm{\α})S_{t-2}^{\left(1\right)}]=...=\mathrm{\α}\underset{j=0}{\overset{\∞}{\mathrm{\Σ}}}{(1-\mathrm{\α})}^j{\mathrm{\γ}}_{t-j}---\left(13\right)$

上式表明是全部历史数据的加权平均，加权系数分别为：

α,α(1-α),α(1-α)²,…；

上述算法解决了历史数据权重分配不合理的问题。若采用简单移动平均计算法，则赋予每个历史数据相同的权重，在跌倒检测中，跌倒发生时，距离其最近的一段数据对于跌倒检测最有意义应当赋予更高的权重，距离其时间较远的数据应当赋予较低的权重这样才能够更为准确的统计出当前的观测值。

本发明与现有技术相比具有的优点：通过指数平滑法消除了数据波动的问题，利用重心状态矩阵扩大了跌倒检测的使用范围。传统的跌倒检测仅可应用于平地环境，本发明的跌倒检测可同时应用于楼梯等斜坡环境。

附图说明

图1是平地环境下目标处于正常状态示例图；

图2是目标处于压腿状态实例图，图2的目的是为了说明，该算法在目标做正常健身运动时不会产生误判；

图3是目标处于跌倒状态示例图；

图4是目标在楼梯、斜坡环境下的示例图。(a)为正常状态示意图，(b)为跌倒状态示意图；

图5是基于GMM和时序模型的跌倒实时检测方法的流程图。

具体实施方式

下面结合附图对本发明做进一步说明。

参照图1～图5，一种基于GMM和时序模型的跌倒实时检测方法，所述跌倒实时检测方法包括以下步骤：

1)背景建模：

利用混合高斯模型进行背景建模，具体建模流程如下

Step1.每个新像素值x_t同当前K个组件按(14)式进行比较，直到找到匹配新像素值的分布组件，即同该组件的均值偏差在2.5σ内。

|x_t-μ_i,t-1|≤2.5σ_i,t-1    (14)

Step2.如果所匹配的模式符合背景要求，则该像素属于背景，否则属于前景。

Step3.各高斯组件权值按(15)式进行更新，其中α是学习率，对于匹配的模式m_i,t＝1，否则m_i,t＝0，然后各模式的权重进行归一化。

w_i,t＝(1-α)×w_i,t-1+α×m_i,t    (15)

Step4.未匹配模式的均值μ与标准差σ不变，匹配模式的参数按照如下模式更新：

ρ＝α×η(x_t|μ_i,t,σ_i,t)    (16)

μ_i,t＝(1-ρ)×μ_i,t-1+ρ×x_t    (17)

${\mathrm{\σ}}_{i,t}^2=(1-\mathrm{\ρ})\×{\mathrm{\σ}}_{i,t-1}^2+\mathrm{\ρ}\×{(x_t-{\mathrm{\μ}}_{i,t})}^T(x_t-{\mathrm{\μ}}_{i,t})---\left(18\right)$

Step5.如果Step1中没有任何模式匹配，就用一个新的均值为x_t、权重最小、方差采用默认初始值的高斯组件替代尾端的高斯组件。

Step6.各模式根据w/α²按降序排序，权重大、标准差小的模式排列靠前。

Step7.选前B个模式作为背景，B满足下式，参数T为权重阈值。

$B=\arg \left(\min (\underset{i=1}{\overset{b}{\mathrm{\Σ}}}{w}_{i,t}>T)\right)---\left(19\right)$

2)形态学处理：在背景建模的基础上，对图像进行形态学处理。进行一次开运算消除细小噪声。再进行一次闭运算填充有空洞的连通区域

3)运动目标检测：

设定连通区域阈值，剔除过小的运动目标，标定人体运动目标，然后根据连通区域面积大小筛选出人体运动目标。

4)判定人体轮廓宽高比变化：

除了速度和加速度，目标长宽比的变化也是检测跌倒的一个重要特征。经实验研究发现，一般人在站立时，长宽比介于2到4之间。当人员发生跌倒时，长宽比一般在0.25到0.5之间。考虑到当人员做蹲下、压腿等动作时也会产生长宽比的变化。因此，无法利用某一瞬时的长宽比作为人员跌倒的依据。和累积学习重心状态转换的概念类似，本文给出长宽比变化的学习率β，得到如下的公式：

hwc＝(1-β)*hwc+β*hwc'

其中，hwc表示当前长宽比值，hwc'表示上一帧的目标长宽比值，β表示累积长宽比值的学习率。

经过实验测得，当累积长宽比hwc小于1.8时，人员发生跌倒的可能性较大。综合重心状态转换矩阵和人员累积长宽比的变化，能够较为准确的检测到人员跌倒的状况。

5)构造重心状态矩阵：

给定人体重心状态矩阵用来表征人体二维图像空间下的位置变化。考虑相邻两帧的重心点(x₀,y₀)、(x₁,y₁)，以重心状态矩阵中重心的垂直速率为例，将两帧重心位置坐标相减得到瞬时垂直速率：

v_瞬y＝y₁-y₀

|v_瞬x|＝x₁-x₀

其中v_瞬y为正表示重心位置下降，为负表示重心位置上升；|v_瞬x|表示重心在当前帧的水平方向瞬时速率值；将得到的瞬时速率按如下式子进行更新：

if(v_瞬y≥thUpperY&&v_瞬y≤thLowerY)

v_y＝(1-α_y)v_y+α_yv_瞬y

if(|v_瞬x|≥thUpperX&&|v_瞬x|≤thLowerX)

|v_x|＝(1-α_x)|v_x|+α_x|v_瞬x|

其中thUpperY和thLowerY分别表征垂直速度的上下阈值，用来消除极大误差。α_y表示垂直速率更新的学习率；thUpperX和thLowerX表示水平速率的上下阈值，a_x表示水平速率更新的学习率；

在获得速率的基础之上，给出重心状态矩阵中加速度的计算方法。

其中，a_瞬y表示当前帧重心的垂直方向瞬时加速度值，a_瞬x表示当前帧重心水平方向瞬时加速度值，|v_y1|v_x1||^Τ表示当前帧重心速度状态值，|v_y0|v_x0||^Τ表示前一帧重心速度状态值。得到重心加速度状态矩阵之后，对重心加速度进行更新。

将本方法对重心分解的四个参量组合在一起，给出重心状态矩阵||v_x|,v_y,|a_x|,a_y|^T；

6)指数平滑法更新：

利用指数平滑法对重心状态矩阵进行更新，赋予距离当前帧最近的历史数据更高的权重，远离当前帧的历史数据则赋予低权重，历史数据权重顺序如下：

α,α(1-α),α(1-α)²,…；

利用指数平滑法，对重心状态矩阵进行更新，更新公式如下：

$\left|\begin{array}{c}\left|v_x\right|\\ v_y\\ {|a}_x|\\ a_y\end{array}\right|=(1-\mathrm{alph})*\left|\begin{array}{c}\left|v_x\right|\\ v_y\\ \left|a_x\right|\\ a_y\end{array}\right|+\mathrm{alph}*\left|\begin{array}{c}\left|v_x^{\′}\right|\\ v_y^{\′}\\ \left|a_x^{\′}\right|\\ a_x^{\′}\end{array}\right|---\left(1\right)$

其中，alph为重心状态变化的学习率，|v_x|表示重心在当前帧的水平速率值，|v'_x|表示重心在上一帧的水平速率值，v_y表示重心当前帧的垂直速率值，v'_y表示重心上一帧的垂直速率值，|a_x|表示重心当前帧的水平加速度值，|a'_x|表示重心上一帧的水平加速度值，|a_y|表示重心当前帧的垂直加速度值，|a'_y|表示重心垂直方向的速度值；

7)给定跌倒阈值矩阵如下：

$\mathrm{threshold}=\left|\begin{array}{c}\left|v_{\mathrm{xth}}\right|\\ v_{\mathrm{yth}}\\ \left|a_{\mathrm{xth}}\right|\\ a_{\mathrm{yth}}\end{array}\right|---\left(2\right)$

其中threshold表示阈值矩阵，|v_xth|表示跌倒发生时重心水平速率值，v_yth表示跌倒发生时重心垂直速度阈值，|a_xth|表示跌倒发生时重心水平加速度阈值，a_yth表示跌倒发生时重心垂直加速度阈值；

9)根据测试数据，垂直方向与水平方向的阈值权重如下分别为a和1-a，a为0～1之间的小数，给出如下的跌倒检测公式：

$\mathrm{fall}=\left|\begin{array}{c}a\\ 1-a\\ a\\ 1-a\end{array}\right|\×{\left(\begin{array}{c}\left|\begin{array}{c}\left|v_x\right|\\ v_y\\ \left|a_x\right|\\ a_y\end{array}\right|\end{array}-\left|\begin{array}{c}{|v}_{\mathrm{xth}}|\\ v_{\mathrm{yth}}\\ \left|a_{\mathrm{xth}}\right|\\ a_{\mathrm{yth}}\end{array}\right|\right)}^T---\left(3\right)$

其中，fall为跌倒检测判断参数，其值由跌倒检测矩阵和跌倒阈值矩阵相减并乘上权重矩阵算出，thFall为跌倒发生时fall达到的阈值，如果fall值大于等于阈值thFall，判定跌倒发生，thFall值的计算要根据具体实验环境进行测量。

Claims (5)

1.一种基于GMM和时序模型的跌倒实时检测方法，其特征在于：所述跌倒实时检测方法包括以下步骤：

1)背景建模；

2)形态学处理：进行一次开运算，消除细小噪声干扰，进行一次闭运算，填补连通区域空白；

3)运动目标检测：设定连通区域阈值，剔除过小的运动目标，标定人体运动目标；

4)判定人体轮廓宽高比变化：在连通区域检测的基础上，标定人体轮廓宽高比的值，根据该值的变化，作为判定人体摔倒的初步依据；

5)构造重心状态矩阵：相邻两帧的重心点(x₀,y₀)、(x₁,y₁)，将重心状态由传统的帧间欧式距离分割成四个分量，分别是水平方向速率、水平加速度值和垂直方向速率、垂直加速度值，即重心状态矩阵||v_x|,v_y,|a_x|,a_y|^T；

6)指数平滑法更新：利用指数平滑法对重心状态矩阵进行更新，更新公式如下：

$\left|\begin{array}{c}\left|v_x\right|\\ v_y\\ \left|a_x\right|\\ a_y\end{array}\right|=(1-\mathrm{alph})*\left|\begin{array}{c}\left|v_x\right|\\ v_y\\ \left|a_x\right|\\ a_y\end{array}\right|+\mathrm{alph}*\left|\begin{array}{c}\left|v_x^{\′}\right|\\ v_y^{\′}\\ \left|a_x^{\′}\right|\\ a_y^{\′}\end{array}\right|---\left(1\right)$

其中，alph为重心状态变化的学习率，|v_x|表示重心在当前帧的水平速率值，|v'_x|表示重心在上一帧的水平速率值，v_y表示重心当前帧的垂直速率值，v'_y表示重心上一帧的垂直速率值，|a_x|表示重心当前帧的水平加速度值，|a'_x|表示重心上一帧的水平加速度值，|a_y|表示重心当前帧的垂直加速度值，|a'_y|表示重心垂直方向的速度值；

7)给定跌倒阈值矩阵如下：

$\mathrm{threshold}=\left|\begin{array}{c}\left|v_{\mathrm{xth}}\right|\\ v_{\mathrm{yth}}\\ \left|a_{\mathrm{xth}}\right|\\ a_{\mathrm{yth}}\end{array}\right|---\left(2\right)$

其中threshold表示阈值矩阵，|v_xth|表示跌倒发生时重心水平速率值，v_yth表示跌倒发生时重心垂直速度阈值，|a_xth|表示跌倒发生时重心水平加速度阈值，a_yth表示跌倒发生时重心垂直加速度阈值；

8)根据测试数据，垂直方向与水平方向的阈值权重如下分别为a和1-a，a为0～1之间的小数，给出如下的跌倒检测公式：

$\mathrm{fall}=\left|\begin{array}{c}a\\ 1-a\\ a\\ 1-a\end{array}\right|\×{(\left|\begin{array}{c}\left|v_x\right|\\ v_y\\ \left|a_x\right|\\ a_y\end{array}\right|-\left|\begin{array}{c}\left|v_{\mathrm{xth}}\right|\\ v_{\mathrm{yth}}\\ \left|a_{\mathrm{xth}}\right|\\ a_{\mathrm{yth}}\end{array}\right|)}^T---\left(3\right)$

其中，fall为跌倒检测判断参数，如果fall值大于等于阈值thFall，判定跌倒发生，thFall值根据实验环境给定。

2.如权利要求1所述的一种基于GMM和时序模型的跌倒实时检测方法，其特征在于：所述步骤3)所述，给定连通区域面积s_con，将s_con＜2000的连通区域过滤(实验测得，连通区域面积大于2000时，产生误判的概率很小故此处没有考虑连通区域过大的情况)。

3.如权利要求1或2所述的一种基于GMM和时序模型的跌倒实时检测方法，其特征在于：所述步骤4)所述，给定人体宽高比的上下阈值分别为2和4，表示当检测到的人体宽高比介于2和4时，选择按照如下公式(4)更新当前人体宽高比，否则不更新；在更新人体宽高比时，给定学习率β＝0.01对人体宽高比值进行稳定的学习。

4.如权利要求3所述的一种基于GMM和时序模型的跌倒实时检测方法，其特征在于：所述步骤4)中，宽高比变化的学习率β，得到如下的公式：

hwc＝(1-β)*hwc+β*hwc'    (4)

其中，hwc表示当前宽高比值，hwc'表示上一帧的目标宽高比值，β表示累积宽高比的学习率。

5.如权利要求1或2所述的一种基于GMM和时序模型的跌倒实时检测方法，其特征在于：所述步骤5)，给定人体重心状态矩阵用来表征人体二维图像空间下的位置变化，考虑相邻两帧的重心点(x₀,y₀)、(x₁,y₁)，重心状态矩阵中重心的垂直速率，将两帧重心位置坐标相减得到瞬时垂直速率：

v_瞬y＝y₁-y₀    (5)

|v_瞬x|＝x₁-x₀    (6)

其中v_瞬y为正表示重心位置下降，v_瞬y为负表示重心位置上升；|v_瞬x|表示重心在当前帧的水平方向瞬时速率值；将得到的瞬时速率按如下式子进行更新：

if(v_瞬y≥thUpperY  &&  v_瞬y≤thLowerY)    (7)

v_y＝(1-α_y)v_y+α_yv_瞬y

if(|v_瞬x|≥thUpperX  &&  |v_瞬x|≤thLowerX)    (8)

|v_x|＝(1-α_x)|v_x|+α_x|v_瞬x|

其中thUpperY和thLowerY分别表征垂直速度的上下阈值，用来消除极大误差。α_y表示垂直速率更新的学习率；thUpperX和thLowerX表示水平速率的上下阈值，a_x表示水平速率更新的学习率；

在获得速率的基础之上，给出重心状态矩阵中加速度的计算方法。

其中，a_瞬y表示当前帧重心的垂直方向瞬时加速度值，a_瞬x表示当前帧重心水平方向瞬时加速度值，|v_y1 |v_x1||^Τ表示当前帧重心速度状态值，|v_y0 |v_x0||^Τ表示前一帧重心速度状态值，得到重心加速度状态矩阵之后，对重心加速度进行更新；