CN104794463A - 基于Kinect实现室内人体跌倒检测的系统及方法 - Google Patents

Abstract

本发明涉及一种基于Kinect实现室内人体跌倒检测的系统及方法，其中包括图像采集模块；图像分割模块；第一跌倒检测模块，用以基于人体倾斜角度和轮廓变化趋势进行跌倒检测判断；第二跌倒检测模块，用以基于人体运动叠加图分析进行跌倒检测判断；第三跌倒检测模块，用以基于传感器坐标系下人体运动方向和速度进行跌倒检测判断；综合跌倒检测模块，用以根据所述的第一、第二和第三跌倒检测模块进行人体是否跌倒的综合判断并输出判断结果。采用该种结构的基于Kinect实现室内人体跌倒检测的系统及方法，基于Kinect传感器采集的图像进行跌倒判断检测、提高鲁棒性和检测率、具有更广泛应用范围。

Description

基于Kinect实现室内人体跌倒检测的系统及方法

技术领域

本发明涉及检测技术领域，尤其涉及跌倒检测技术领域，具体是指一种基于Kinect实现室内人体跌倒检测的系统及方法。

背景技术

近年来，家庭监护及康复领域引起广泛关注，尤其随着人口老龄化和空巢化趋势的加剧，医护人员的大量短缺，研究一种精度高、稳定性好、实时性强的人体跌倒检测系统变得越来越重要。目前大多数成熟的跌倒检测技术多是基于加速度传感器或可穿戴式传感器，但长期佩戴会对于身体产生不适的影响，无法保证跌倒检测的有效性。即使采用计算机图像处理方法进行跌倒检测，由于传统的计算机图像处理研究方法缺乏灵活性，复杂的算法极大地影响了实时性的检测要求，依赖特定场景，不具有普适性。

发明内容

本发明的目的是克服了上述现有技术的缺点，提供了一种能够实现基于Kinect传感器采集的图像进行跌倒判断检测、提高鲁棒性和检测率、具有更广泛应用范围的基于Kinect实现室内人体跌倒检测的系统及方法。

为了实现上述目的，本发明的基于Kinect实现室内人体跌倒检测的系统及方法具有如下构成：

该基于Kinect实现室内人体跌倒检测的系统，其主要特点是，所述的系统包括：

图像采集模块，用以基于Kinect传感器进行深度图像采集；

图像分割模块，用以对采集的深度图像进行初始化后进行人体分割并二值化处理；

第一跌倒检测模块，用以基于人体倾斜角度和轮廓变化趋势进行跌倒检测判断；

第二跌倒检测模块，用以基于人体运动叠加图分析进行跌倒检测判断；

第三跌倒检测模块，用以基于传感器坐标系下人体运动方向和速度进行跌倒检测判断；

综合跌倒检测模块，用以根据所述的第一跌倒检测模块、第二跌倒检测模块和第三跌倒检测模块进行人体是否跌倒的综合判断并输出判断结果。

本发明还涉及一种通过权利要求1所述的系统基于Kinect实现室内人体跌倒检测的方法，其特征在于，所述的方法包括以下步骤：

(1)所述的图像采集模块基于Kinect传感器进行深度图像采集；

(2)所述的图像分割模块对采集的深度图像进行初始化后进行人体分割并二值化处理；

(3)所述的第一跌倒检测模块基于人体倾斜角度和轮廓变化趋势进行跌倒检测判断；

(4)所述的第二跌倒检测模块基于人体运动叠加图分析进行跌倒检测判断；

(5)所述的第三跌倒检测模块基于传感器坐标系下人体运动方向和速度进行跌倒检测判断；

(6)所述的综合跌倒检测模块根据所述的第一跌倒检测模块、第二跌倒检测模块和第三跌倒检测模块进行人体是否跌倒的综合判断并输出判断结果。

较佳地，所述的对采集的深度图像进行初始化，包括以下步骤：

(2-1)将采集的深度图像进行网格化并对每个小块进行编号；

(2-2)基于采集的深度图像的灰度级线性分布性进行地板分割。

更佳地，所述的基于采集的深度图像的灰度级线性分布性进行地板分割，包括以下步骤：

(2-2-1)对已编号的每个小块进行两种划分分为上下、左右各两个大小相等的单元；

(2-2-2)设置水平阈值与垂直阈值对应来判断平行平面和垂直平面；

(2-2-3)在水平面图像中将图像小块最多的连通平面进行分割得到地板区域图像并将地板区域中所包含小块的位置进行记录。

更进一步地，所述的进行人体分割并二值化处理，包括以下步骤：

(2-3)在视频序列中对连续两帧网格化后的图像进行对比后根据灰度级变换的像素数量判断是否出现运动目标以得到图像中运动目标的二值图像；

(2-4)在二值图像中提取包含小块数量最多的连通区域进行人体判断得到人体二值图像；

(2-5)在人体二值图像中将宽度小于宽度阈值的凸出部分消除。

再进一步地，所述的在视频序列中对连续两帧网格化后的图像进行对比后根据灰度级变换的像素数量判断是否出现运动目标，包括以下步骤：

(2-3-1)在视频序列中对连续两帧网格化后的图像进行对比后判断每个小块中灰度级变换的像素数量是否超过一半，如果是，则继续步骤(2-3-2)，否则继续步骤(2-3-3)；

(2-3-2)将该小块中所有像素的灰度级置255，并记录255图像小块的数量，然后继续步骤(2-3-4)；

(2-3-3)将该小块中所有像素的灰度级置0，然后继续步骤(2-3-4)；

(2-3-4)判断255图像小块的数量是否达到系统预设阈值要求，如果是，则判断为出现运动目标，否则继续步骤(2-3-1)。

再进一步地，所述的在二值图像中提取包含小块数量最多的连通区域进行人体判断，包括以下步骤：

(2-4-1)在二值图像中提取包含小块数量最多的连通区域；

(2-4-2)计算得到具有横坐标最大的图像小块的位置cell_local及其灰度平均值gray_aver；

(2-4-3)判断运动目标是否同时满足以下条件：

二值图像中的小块数量达到系统预设的允许阈值，地板区域图像中cell_local位置处是一个非零的图像小块且地板区域图像中该cell_local位置处的图像小块的灰度平均值与的gray_aver差值小于系统预设差值阈值；

如果是，则判断运动目标为人体，否则继续步骤(2-3)。

较佳地，所述的第一跌倒检测模块基于人体倾斜角度和轮廓变化趋势进行跌倒检测判断，包括以下步骤：

(3-1)在二值图像中获取人体最接近的矩形边界框并得到长宽比序列seq_p＝{p_i}，i＝0，1，2，...，99；

(3-2)计算seq_p序列的平均值aver_p；

(3-3)通过OPENCV对人体二值图像进行椭圆拟合并根据返回的椭圆长轴与垂直的角度ellipse_angle按照如下公式计算出人体实际与垂直方向偏离度real_angle：

${\mathrm{real}}_{\mathrm{angle}}=\left\{\begin{array}{cc}\mathrm{ellipa}{e}_{\mathrm{angle}}& \mathrm{ifellips}{e}_{\mathrm{angle}}<90\\ |180-{\mathrm{ellipse}}_{\mathrm{angle}}|& \mathrm{ifellips}{e}_{\mathrm{angle}}>90\end{array}\right.$

(3-4)记录当前100帧的real_angle值得到一个角度统计序列seq_angle，并计算该序列的角度平均值aver_angle；

(3-5)设当前帧与上一帧的长宽比为p_current与p_prev，角度比为angle_current与angle_prev，则人体跌倒方向判断符号函数为：

${\mathrm{Sym}}_{\mathrm{II}}\left(\mathrm{angle}\right)=\left\{\begin{array}{cc}1& \mathrm{ifangl}{e}_{\mathrm{current}}-\mathrm{angl}{e}_{\mathrm{prev}}>0\\ 0& \mathrm{other}\end{array}\right.;$

(3-6)基于人体几个形状的跌倒判别函数为：

f_II(angle，p)＝Sym_II(angle)*(w₁*|angle_current-aver_angle|+w₂*|p_current-aver_p|)

其中，w₁与w₂为权重值；

(3-6)设th_II为跌倒判别阈值，判断f_II(angle，p)是否大于th_II，如果是，则判断为跌倒并继续步骤(4)，否则判断为未跌倒并继续步骤(4)。

较佳地，所述的第二跌倒检测模块基于人体运动叠加图分析进行跌倒检测判断，包括以下步骤：

(4-1)在一定的帧数之内进行叠加人体运动二值图后生成一幅灰度图像，其中不同的灰度级表示不同时刻下的运动分量；

(4-2)在系统预设的先验条件下，采集大量正与负样本；

(4-3)利用深度学习对标准样本进行训练作为跌倒检测系统的分类器；

(4-4)测试时将测试样本投入分类器进行分类以识别人体是否发生跌倒。

较佳地，所述的第三跌倒检测模块基于传感器坐标系下人体运动方向和速度进行跌倒检测判断，包括以下步骤：

(5-1)分析人体的头部和腹部在传感器坐标系下的坐标；

(5-2)通过K-means算法对Seq_x进行分类，基于传感器坐标系下人体运动方向和速度的跌倒检测判别函数如下：

f_I(x)＝Sym_I(x)*|x_Current-Valid_value|*|x_Current-x_Prev|

其中含最多样本的类别的中心点为Valid_value；

(5-3)判断f(x)是否大于系统预设判断阈值，如果是则判断为跌倒并继续步骤(6)，否则判断为未跌倒并继续步骤(6)。

更佳地，所述的分析人体的头部和腹部在传感器坐标系下的坐标，包括以下步骤：

(5-1-1)根据如下公式计算人体的头部和腹部在传感器坐标系下的纵坐标为Head_Y与Spine_Y平均值得到aver_Y，

${\mathrm{aver}}_Y=\frac{1}{3}({\mathrm{Head}}_Y+2*{\mathrm{Spine}}_Y)$

保存当前100帧的纵坐标aver_x得到平均值序列Seq_x；

(5-1-2)当前帧数和上一帧的平均纵坐标依次为x_Current、x_Prev，纵坐标改变的方向定位符号函数如下：

${\mathrm{Sym}}_I\left(x\right)=\left\{\begin{array}{cc}1& \mathrm{if}{x}_{\mathrm{Current}}-x_{\mathrm{prev}}<0\\ 0& \mathrm{others}\end{array}\right..$

较佳地，所述的综合跌倒检测模块根据所述的第一跌倒检测模块、第二跌倒检测模块和第三跌倒检测模块进行人体是否跌倒的综合判断并输出判断结果，具体为：

所述的综合跌倒检测模块判断是否所述的第一跌倒检测模块、第二跌倒检测模块和第三跌倒检测模块均判断为跌倒，如果是，则判断被检测人体跌倒，否则判断被检测人体未跌倒。

采用了该发明中的基于Kinect实现室内人体跌倒检测的系统及方法，结合Kinect传感器的彩色，骨骼和深度数据流分别提出了人体跌倒检测系统的设计方法，基于RGB视觉的头部定位算法利用跟踪定位人体头部运动情况检测跌倒；通过对人体骨骼数据的分析计算，提取关键关节点的运动参数，获取最优阈值，进行跌倒行为检测；为提高系统鲁棒性和检测率，经过深度图像采集和预处理，提出了基于Kinect深度图像的人体分割算法，实现了室内人体跌倒的判别，具有更广泛的应用范围。

附图说明

图1为本发明的基于Kinect实现室内人体跌倒检测的方法的流程图。

图2为本发明的基于人体倾斜角度和轮廓变化趋势的跌倒检测的流程图。

图3为本发明的基于人体运动叠加图分析的跌倒检测的流程图。

图4为本发明的基于传感器坐标系下人体运动方向和速度的跌倒检测的流程图。

具体实施方式

为了能够更清楚地描述本发明的技术内容，下面结合具体实施例来进行进一步的描述。

Kinect传感器是微软发布的，具有即时动态捕捉、影像辨识等功能。Kinect传感器的普及为家庭护理和医疗辅助领域带来了很多新思路。

如图1所示，为本发明的基于Kinect实现室内人体跌倒检测的方法的流程图：

实现步骤如下：

1、Kinect进行采集深度图像。

2、将Kinect的深度图像网格化，划分成很多大小为8×8像素的小块，对每一小块进行编号其在图像中的位置。

3、基于深度图像的灰度级线性分布性进行地板的分割，该步骤是跌倒检测程序在无人操作时对周围环境的初始化，实现步骤如下：

3-1.对每一个图像小块同时进行两种划分，为上下、左右两个大小相等的单元。

3-2.设置水平阈值与垂直阈值对应来判断平行平面和垂直平面。计算图像小块中两个单元的平均灰度值，根据该平均值之差可以判断出是否为平面，具体分为三种情况：上下两个单元的平均灰度值之差小于垂直阈值则判别为垂直平面；如果左右两个单元平均灰度值之差小于水平阈值则判别为水平平面；如果都不满足上述两种情况则将该图像小块判别为未知曲面形状。

3-3.通过步骤3-2获得的水平面图像中，将图像小块最多的连通平面分割下来，即深度图像中最大的地板区域——地板图像。然后将地板区域中所包含的小块的位置记录下来。

4、深度图像人体分割并二值化，实现步骤如下：

4-1.视频序列中，对连续两帧网格化之后进行对比，如果小块中出现灰度级变更的情况，并且灰度级变化的像素数量超过一半(32像素)则将该小块中所有像素的灰度级置255，否则置0，并记录置255图像小块的数量。如果该数量达到程序允许的阈值，则判别为出现运动目标，从而得到图像中移动目标的二值图像并开始执行4-2步骤。否则返回步骤1。

4-2.通过步骤4-1得到的二值图像中，提取出一个包含小块数量最多的连通区域。运动目标图像中计算出具有横坐标最大的图像小块的位置celllocal及其灰度平均值grayaver。设置阈值thrmovement，运动目标为人体的条件：

+)二值图像的小块数量达到程序允许的阈值。

+)地板图像中，在位置为celllocal必须是一个非零的图像小块，而且该图像小块的灰度平均值与grayaver的差值要小于thrmovement。

满足上述两个条件则将运动目标判别为人体，并开始执行步骤4-3。否则返回步骤4-1。

4-3.设宽度阈值为wthreshold，人体二值图像中将宽度小于wthreshold的凸出部分消除。

5、基于人体倾斜角度和轮廓变化趋势的跌倒检测，如图2所示，实现步骤如下：

5-1.通过步骤4得到的二值图像中，从被编码小块的坐标计算出人体部分的最高和最低的纵与横坐标，获取人体最接近的矩形边界框，其高度h和宽度w。记录当前100帧的比例，得到长宽比序列seq_p＝{p_i}，i＝0，1，2，...，99。

(5-2)计算seq_p序列的平均值aver_p。

(5-3)通过OPENCV对人体二值图像进行椭圆拟合，返回的椭圆长轴与垂直的角度为ellipse_angle。从ellipse_angle计算出人体实际与垂直方向偏离度real_angle：

${\mathrm{real}}_{\mathrm{angle}}=\left\{\begin{array}{cc}\mathrm{ellipa}{e}_{\mathrm{angle}}& \mathrm{ifellips}{e}_{\mathrm{angle}}<90\\ |180-{\mathrm{ellipse}}_{\mathrm{angle}}|& \mathrm{ifellips}{e}_{\mathrm{angle}}>90\end{array}\right.$

记录当前100帧的real_angle值得到一个角度统计序列seq_angle，并计算该序列的角度平均值aver_angle。

(5-4)设当前帧与上一帧的长宽比为p_current与p_prev，角度比为angle_current与angle_prev，则人体跌倒方向判断符号函数：

${\mathrm{Sym}}_{\mathrm{II}}\left(\mathrm{angle}\right)=\left\{\begin{array}{cc}1& \mathrm{ifangl}{e}_{\mathrm{current}}-\mathrm{angl}{e}_{\mathrm{prev}}>0\\ 0& \mathrm{other}\end{array}\right.$

(5-5)基于人体几个形状的跌倒判别函数：

f_II(angle，p)＝Sym_II(angle)*(w₁*|angle_current-aver_angle|+w₂*|p_current-aver_p|)

其中w₁与w₂是权重。

(5-6)设th_II为跌倒判别阈值，若f_II(angle，p)大于th_II则判别为发生跌倒。

(6)基于人体运动叠加图分析的跌倒检测，如图3所示，实现步骤如下：

(6-1)在一定的帧数之内进行叠加人体运动二值图，生成一幅灰度图像，不同的灰度级表示不同时刻下的运动分量。

(6-2)在已知的先验条件下，采集大量正与负样本。

(6-3)利用深度学习对标准样本进行训练，作为跌倒检测系统的分类器。

(6-4)测试时，将测试样本投入分类器进行分类，识别出是否发生跌倒。

(7)基于传感器坐标系下人体运动方向和速度的跌倒检测，如图4所示：

(7-1)分析头部和腹部传感器坐标系下的坐标

(7-1-1)令头部和腹部在传感器坐标系下的纵坐标为Head_Y与Spine_Y平均值得到aver_Y。

${\mathrm{aver}}_Y=\frac{1}{3}({\mathrm{Head}}_Y+2*{\mathrm{Spine}}_Y)$

保存当前100帧的纵坐标aver_x得到平均值序列Seq_x。

(7-1-2)当前帧数和上一帧的平均纵坐标依次为x_Current，x_Prev。纵坐标改变的方向定位符号函数：

${\mathrm{Sym}}_I\left(x\right)=\left\{\begin{array}{cc}1& \mathrm{if}{x}_{\mathrm{Current}}-x_{\mathrm{prev}}<0\\ 0& \mathrm{others}\end{array}\right.$

(7-2)通过K-means算法对Seq_x进行分类，目标类别为2类。含较多样本的类别的中心点为Valid_value。基于传感器坐标系下人体运动方向和速度的跌倒检测判别函数：

f_I(x)＝Sym_I(x)*|x_Current-Valid_value|*|x_Current-x_Prev|

设th_I为跌倒判断阈值，如果f(x)大于th_I则为发生跌倒。

(8)系统运行时，当与仅当以上三种检测模型都判别为发生跌倒时，系统的综合判别为发生跌倒。

采用了该发明中的基于Kinect实现室内人体跌倒检测的系统及方法，结合Kinect传感器的彩色，骨骼和深度数据流分别提出了人体跌倒检测系统的设计方法，基于RGB视觉的头部定位算法利用跟踪定位人体头部运动情况检测跌倒；通过对人体骨骼数据的分析计算，提取关键关节点的运动参数，获取最优阈值，进行跌倒行为检测；为提高系统鲁棒性和检测率，经过深度图像采集和预处理，提出了基于Kinect深度图像的人体分割算法，实现了室内人体跌倒的判别，具有更广泛的应用范围。

在此说明书中，本发明已参照其特定的实施例作了描述。但是，很显然仍可以作出各种修改和变换而不背离本发明的精神和范围。因此，说明书和附图应被认为是说明性的而非限制性的。

Claims (12)

1.一种基于Kinect实现室内人体跌倒检测的系统，其特征在于，所述的系统包括：

图像采集模块，用以基于Kinect传感器进行深度图像采集；

图像分割模块，用以对采集的深度图像进行初始化后进行人体分割并二值化处理；

第一跌倒检测模块，用以基于人体倾斜角度和轮廓变化趋势进行跌倒检测判断；

第二跌倒检测模块，用以基于人体运动叠加图分析进行跌倒检测判断；

第三跌倒检测模块，用以基于传感器坐标系下人体运动方向和速度进行跌倒检测判断；

综合跌倒检测模块，用以根据所述的第一跌倒检测模块、第二跌倒检测模块和第三跌倒检测模块进行人体是否跌倒的综合判断并输出判断结果。

2.一种通过权利要求1所述的系统基于Kinect实现室内人体跌倒检测的方法，其特征在于，所述的方法包括以下步骤：

(1)所述的图像采集模块基于Kinect传感器进行深度图像采集；

(2)所述的图像分割模块对采集的深度图像进行初始化后进行人体分割并二值化处理；

(3)所述的第一跌倒检测模块基于人体倾斜角度和轮廓变化趋势进行跌倒检测判断；

(4)所述的第二跌倒检测模块基于人体运动叠加图分析进行跌倒检测判断；

(5)所述的第三跌倒检测模块基于传感器坐标系下人体运动方向和速度进行跌倒检测判断；

(6)所述的综合跌倒检测模块根据所述的第一跌倒检测模块、第二跌倒检测模块和第三跌倒检测模块进行人体是否跌倒的综合判断并输出判断结果。

3.根据权利要求2所述的基于Kinect实现室内人体跌倒检测的方法，其特征在于，所述的对采集的深度图像进行初始化，包括以下步骤：

(2-1)将采集的深度图像进行网格化并对每个小块进行编号；

(2-2)基于采集的深度图像的灰度级线性分布性进行地板分割。

4.根据权利要求3所述的基于Kinect实现室内人体跌倒检测的方法，其特征在于，所述的基于采集的深度图像的灰度级线性分布性进行地板分割，包括以下步骤：

(2-2-1)对已编号的每个小块进行两种划分分为上下、左右各两个大小相等的单元；

(2-2-2)设置水平阈值与垂直阈值对应来判断平行平面和垂直平面；

(2-2-3)在水平面图像中将图像小块最多的连通平面进行分割得到地板区域图像并将地板区域中所包含小块的位置进行记录。

5.根据权利要求4所述的基于Kinect实现室内人体跌倒检测的方法，其特征在于，所述的进行人体分割并二值化处理，包括以下步骤：

(2-3)在视频序列中对连续两帧网格化后的图像进行对比后根据灰度级变换的像素数量判断是否出现运动目标以得到图像中运动目标的二值图像；

(2-4)在二值图像中提取包含小块数量最多的连通区域进行人体判断得到人体二值图像；

(2-5)在人体二值图像中将宽度小于宽度阈值的凸出部分消除。

6.根据权利要求5所述的基于Kinect实现室内人体跌倒检测的方法，其特征在于，所述的在视频序列中对连续两帧网格化后的图像进行对比后根据灰度级变换的像素数量判断是否出现运动目标，包括以下步骤：

(2-3-1)在视频序列中对连续两帧网格化后的图像进行对比后判断每个小块中灰度级变换的像素数量是否超过一半，如果是，则继续步骤(2-3-2)，否则继续步骤(2-3-3)；

(2-3-2)将该小块中所有像素的灰度级置255，并记录255图像小块的数量，然后继续步骤(2-3-4)；

(2-3-3)将该小块中所有像素的灰度级置0，然后继续步骤(2-3-4)；

(2-3-4)判断255图像小块的数量是否达到系统预设阈值要求，如果是，则判断为出现运动目标，否则继续步骤(2-3-1)。

7.根据权利要求5所述的基于Kinect实现室内人体跌倒检测的方法，其特征在于，所述的在二值图像中提取包含小块数量最多的连通区域进行人体判断，包括以下步骤：

(2-4-1)在二值图像中提取包含小块数量最多的连通区域；

(2-4-2)计算得到具有横坐标最大的图像小块的位置cell_local及其灰度平均值gray_aver；

(2-4-3)判断运动目标是否同时满足以下条件：

二值图像中的小块数量达到系统预设的允许阈值，地板区域图像中cell_local位置处是一个非零的图像小块且地板区域图像中该cell_local位置处的图像小块的灰度平均值与的gray_aver差值小于系统预设差值阈值；

如果是，则判断运动目标为人体，否则继续步骤(2-3)。

8.根据权利要求2所述的基于Kinect实现室内人体跌倒检测的方法，其特征在于，所述的第一跌倒检测模块基于人体倾斜角度和轮廓变化趋势进行跌倒检测判断，包括以下步骤：

(3-1)在二值图像中获取人体最接近的矩形边界框并得到长宽比序列seq_p＝{p_i},i＝0,1,2,…,99；

(3-2)计算seq_p序列的平均值aver_p；

(3-3)通过OPENCV对人体二值图像进行椭圆拟合并根据返回的椭圆长轴与垂直的角度ellipse_angle按照如下公式计算出人体实际与垂直方向偏离度real_angle：

${\mathrm{real}}_{\mathrm{angle}}=\left\{\begin{array}{ccc}{\mathrm{ellipse}}_{\mathrm{angle}}& \mathrm{if}& {\mathrm{ellipse}}_{\mathrm{angle}}<90\\ |180-{\mathrm{ellipse}}_{\mathrm{angle}}|& \mathrm{if}& {\mathrm{ellipse}}_{\mathrm{angle}}>90\end{array}\right.$

(3-4)记录当前100帧的real_angle值得到一个角度统计序列seq_angle，并计算该序列的角度平均值aver_angle；

(3-5)设当前帧与上一帧的长宽比为p_current与p_prev，角度比为angle_current与angle_prev，则人体跌倒方向判断符号函数为：

${\mathrm{Sym}}_{\mathrm{II}}\left(\mathrm{angle}\right)=\left\{\begin{array}{ccc}1& \mathrm{if}& {\mathrm{angle}}_{\mathrm{current}}-{\mathrm{angle}}_{\mathrm{prev}}>0\\ 0& & \mathrm{others}\end{array}\right.$

(3-6)基于人体几个形状的跌倒判别函数为：

f_II(angle,p)＝Sym_II(angle)*(w₁*|angle_current-aver_angle|+w₂*p_current-aver_p|)

其中，w₁与w₂为权重值；

(3-6)设th_II为跌倒判别阈值，判断f_II(angle,p)是否大于th_II，如果是，则判断为跌倒并继续步骤(4)，否则判断为未跌倒并继续步骤(4)。

9.根据权利要求2所述的基于Kinect实现室内人体跌倒检测的方法，其特征在于，所述的第二跌倒检测模块基于人体运动叠加图分析进行跌倒检测判断，包括以下步骤：

(4-1)在一定的帧数之内进行叠加人体运动二值图后生成一幅灰度图像，其中不同的灰度级表示不同时刻下的运动分量；

(4-2)在系统预设的先验条件下，采集大量正与负样本；

(4-3)利用深度学习对标准样本进行训练作为跌倒检测系统的分类器；

(4-4)测试时将测试样本投入分类器进行分类以识别人体是否发生跌倒。

10.根据权利要求2所述的基于Kinect实现室内人体跌倒检测的方法，其特征在于，所述的第三跌倒检测模块基于传感器坐标系下人体运动方向和速度进行跌倒检测判断，包括以下步骤：

(5-1)分析人体的头部和腹部在传感器坐标系下的坐标；

(5-2)通过K-means算法对Seq_x进行分类，基于传感器坐标系下人体运动方向和速度的跌倒检测判别函数如下：

f₁(x)＝Sym₁(x)*|x_Current-Valid_value|*|x_Current-x_Prev|

其中含最多样本的类别的中心点为Valid_value；

(5-3)判断f(x)是否大于系统预设判断阈值，如果是则判断为跌倒并继续步骤(6)，否则判断为未跌倒并继续步骤(6)。

11.根据权利要求10所述的基于Kinect实现室内人体跌倒检测的方法，其特征在于，所述的分析人体的头部和腹部在传感器坐标系下的坐标，包括以下步骤：

(5-1-1)根据如下公式计算人体的头部和腹部在传感器坐标系下的纵坐标为Head_Y与Spine_Y平均值得到aver_Y，

${\mathrm{aver}}_Y=\frac{1}{3}({\mathrm{Head}}_Y+2*\mathrm{Spin}{e}_Y)$

保存当前100帧的纵坐标aver_x得到平均值序列Seq_x；

(5-1-2)当前帧数和上一帧的平均纵坐标依次为x_Current、x_prev，纵坐标改变的方向定位符号函数如下：

${\mathrm{Sym}}_I\left(x\right)=\left\{\begin{array}{ccc}1& \mathrm{if}& x_{\mathrm{Curren}}-x_{\mathrm{Prev}}<0\\ 0& & \mathrm{others}\end{array}\right..$

12.根据权利要求2所述的基于Kinect实现室内人体跌倒检测的方法，其特征在于，所述的综合跌倒检测模块根据所述的第一跌倒检测模块、第二跌倒检测模块和第三跌倒检测模块进行人体是否跌倒的综合判断并输出判断结果，具体为：

所述的综合跌倒检测模块判断是否所述的第一跌倒检测模块、第二跌倒检测模块和第三跌倒检测模块均判断为跌倒，如果是，则判断被检测人体跌倒，否则判断被检测人体未跌倒。