CN105303563B - 一种跌倒检测方法及装置 - Google Patents
一种跌倒检测方法及装置 Download PDFInfo
- Publication number
- CN105303563B CN105303563B CN201510609632.2A CN201510609632A CN105303563B CN 105303563 B CN105303563 B CN 105303563B CN 201510609632 A CN201510609632 A CN 201510609632A CN 105303563 B CN105303563 B CN 105303563B
- Authority
- CN
- China
- Prior art keywords
- detected
- ground
- track
- coordinate
- dimensional
- 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.)
- Active
Links
Landscapes
- Image Analysis (AREA)
Abstract
本申请提供了一种跌倒检测方法及装置，包括：获取待检测对象在三维场景中的轨迹，所述轨迹为所述待检测对象若干时刻的三维坐标的集合，所述三维坐标为以地面为xoy平面、以垂直地面向上为z轴的三维坐标系中的坐标；对时间窗口为预设第一阈值的区间内的轨迹进行高通滤波；如果滤波后得到高频响应，初步确定所述待检测对象跌倒。由于本申请实施例只需要获取到三维场景中待检测对象的轨迹，通过对轨迹滤波即可检测出待检测对象是否跌倒，无需待检测对象预先携带或安装任何传感器，使得跌倒检测的实施更加方便，通用性较强。
Description
技术领域
本申请涉及计算机视觉技术领域，尤其涉及一种跌倒检测方法及装置。
背景技术
目前，对于人的跌倒检测主要是基于便携式的传感器，如佩戴在身上的胸针，来检测是否跌倒。
采用这种方法，需要待检测的人随身携带传感器，且当需要检测多个人时则需要预先在这些人身上安装传感器，扩展性、通用性均不强。
现有技术不足在于：
现有的跌倒检测方法需要预先在待检测对象身上安装传感器，实施起来较为麻烦且通用性不强。
发明内容
本申请实施例提出了一种跌倒检测方法及装置，以解决现有技术中跌倒检测方法需要预先在待检测对象身上安装传感器，实施起来较为麻烦且通用性不强的技术问题。
本申请实施例提供了一种跌倒检测方法，包括如下步骤：
获取待检测对象在三维场景中的轨迹，所述轨迹为所述待检测对象若干时刻的三维坐标的集合，所述三维坐标为以地面为xoy平面、以垂直地面向上为z轴的三维坐标系中的坐标；
对时间窗口为预设第一阈值的区间内的轨迹进行高通滤波；
如果滤波后得到高频响应，初步确定所述待检测对象跌倒。
本申请实施例提供了一种跌倒检测装置，包括：
获取模块，用于获取待检测对象在三维场景中的轨迹，所述轨迹为所述待检测对象若干时刻的三维坐标的集合，所述三维坐标为以地面为xoy平面、以垂直地面向上为z轴的三维坐标系中的坐标；
滤波模块，用于对时间窗口为预设第一阈值的区间内的轨迹进行高通滤波；
第一确定模块，用于如果滤波后得到高频响应，初步确定所述待检测对象跌倒。
有益效果如下：
本申请实施例所提供的跌倒检测方法及装置，首先获取待检测对象在三维场景中的轨迹，通过对时间窗口为预设第一阈值的区间内的轨迹进行高通滤波，根据滤波结果判断所述待检测对象是否跌倒，如果滤波后得到高频响应，则初步确定所述待检测对象跌倒。由于本申请实施例只需要获取到三维场景中待检测对象的轨迹，通过对轨迹滤波即可检测出待检测对象是否跌倒，无需待检测对象预先携带或安装任何传感器，使得跌倒检测的实施更加方便，通用性较强。
本申请实施例提供了一种跌倒检测方法，包括如下步骤：
获取当前时刻三维场景中像素点的三维坐标，所述三维坐标为以地面为xoy平面、以垂直地面向上为z轴的三维坐标系中的坐标；
根据所述像素点的三维坐标生成高度图，所述高度图为具有高度值的像素点在xoy平面投影的图像；
对所述高度图进行斑点blob检测，计算blob的形状数据；
根据所述blob的形状数据，初步确定所述blob对应的待检测对象是否跌倒。
本申请实施例提供了一种跌倒检测装置，包括：
坐标获取单元，用于获取当前时刻三维场景中像素点的三维坐标，所述三维坐标为以地面为xoy平面、以垂直地面向上为z轴的三维坐标系中的坐标；
高度图生成单元，用于根据所述像素点的三维坐标生成高度图，所述高度图为具有高度值的像素点在xoy平面投影的图像；
检测单元，用于对所述高度图进行斑点blob检测；
计算单元，用于计算所述blob的形状数据；
第一确定单元，用于根据所述blob的形状数据，初步确定所述blob对应的待检测对象是否跌倒。
有益效果如下：
本申请实施例所提供的跌倒检测方法及装置，获取当前时刻三维场景中每个像素点的三维坐标，根据所述三维坐标生成高度图，并对高度图进行blob检测，计算blob的形状数据，根据所述blob的形状数据，初步确定所述blob对应的待检测对象是否跌倒。由于本申请实施例只需要获取当前场景中像素点的坐标，通过计算即可检测出待检测对象是否跌倒，无需待检测对象预先携带或安装任何传感器，使得跌倒检测的实施更加方便，通用性更强。
附图说明
下面将参照附图描述本申请的具体实施例，其中：
图1示出了本申请实施例中跌倒检测方法实施的流程示意图；
图2示出了本申请实施例中跌倒检测方法实施的流程示意图；
图3示出了本申请实施例中安装有RGBD传感器的三维场景示意图；
图4示出了本申请实施例中转换为xoy平面坐标系后的场景示意图；
图5示出了本申请实施例中跌倒检测装置的结构示意图；
图6示出了本申请实施例中跌倒检测装置的结构示意图。
具体实施方式
为了使本申请的技术方案及优点更加清楚明白，以下结合附图对本申请的示例性实施例进行进一步详细的说明，显然，所描述的实施例仅是本申请的一部分实施例，而不是所有实施例的穷举。并且在不冲突的情况下，本说明中的实施例及实施例中的特征可以互相结合。
发明人在发明过程中注意到：
现有技术中还存在一种利用基于颜色的视频分析技术来进行跌倒检测的方法，但这种方式由于是基于颜色的视频分析，因此准确度不高。
基于此，本申请实施例提出了一种跌倒检测方法及装置，充分利用RGBD传感器获得的颜色信息和深度信息进行跌倒检测，下面进行说明。
图1示出了本申请实施例跌倒检测方法实施的流程示意图，如图所示，所述跌倒检测方法可以包括如下步骤：
步骤101、获取待检测对象在三维场景中的轨迹，所述轨迹为所述待检测对象若干时刻的三维坐标的集合，所述三维坐标为以地面为xoy平面、以垂直地面向上为z轴的三维坐标系中的坐标；
步骤102、对时间窗口为预设第一阈值的区间内的轨迹进行高通滤波；
步骤103、如果滤波后得到高频响应，则初步确定所述待检测对象跌倒。
在具体实施中，可以通过具有获取三维场景信息功能的摄像头/传感器，如RGBD传感器，来获取待检测对象在三维场景中的轨迹。其中，所述轨迹可以为所述待检测对象的一系列三维坐标的集合，这些三维坐标可以为以地面为xoy平面、以垂直地面向上为z轴的三维坐标系中的坐标。
如果摄像头/传感器直接获得的三维坐标为相机视角的坐标，则可以通过计算将每个像素点从相机视角的坐标转换为以地面为xoy平面、以垂直地面向上为z轴的三维坐标系中的坐标，具体转换过程可参考现有技术实施，本申请实施例对此不再赘述。
本申请实施例通过对待检测对象的轨迹进行高通滤波，如果滤波后得到高频响应，也即所述待检测对象的高度(z轴)短时间内有明显变化，来确定所述待检测对象在这段时间区间内处于跌倒的过程中，从而初步确定所述待检测对象跌倒。
实施中，在所述获取待检测对象在三维场景中的轨迹之前，所述方法可以进一步包括：
通过采集大量样本进行机器学习，得到人的特征；
将所述待检测对象与所述人的特征比对，确定所述待检测对象为人。
本申请实施例可以在跌倒检测之前，对人进行大量的机器学习，得到人的特征，在开始跌倒检测时先判断待检测对象是否为人，如果是人，再进行后续检测步骤，从而排除不需要检测的对象，如桌子、沙发等，极大地降低跌倒检测所需要的计算量。
实施中，在所述初步确定所述待检测对象跌倒之后，所述方法可以进一步包括：
根据所述区间之后的所述待检测对象的三维坐标生成高度图，所述高度图为具有高度值的像素点在地面投影的图像；
计算所述待检测对象在地面上的形状数据；
根据所述待检测对象在地面上的形状数据，进一步确定所述待检测对象是否跌倒。
具体实施中，可以获取所述待检测对象的所有时刻的三维坐标并生成高度图进行后续计算，也可以只获取所述时间区间的下一时刻或下一时间区间内所述待检测对象的三维坐标来生成高度图，后者的计算量比前者的计算量更小。本领域技术人员可以根据实际需要，在初步确定所述待检测对象处于跌倒过程中(在所述时间区间内高度有突发变化)之后，选择在下一时刻判断所述待检测对象是否处于跌倒后的状态。
例如：在12：00-12：03这一时间区间内，所述待检测对象的轨迹经滤波后有高频响应，代表所述待检测对象的高度有突发变化，认为在12：00-12：03这一区间内待检测对象正处于跌倒过程中；接下来，在12：04这一时刻，获取待检测对象的三维坐标生成高度图，计算所述待检测对象在地面上的形状数据，根据所述待检测对象在地面上的形状数据确定所述待检测对象在12：04这一时刻是否处于跌倒后的状态，从而最终确定所述待检测对象确实发生跌倒事故。
所述根据待检测对象在地面上的形状数据进一步确定所述待检测对象是否跌倒，可以是将上一时刻的形状数据与下一时刻的形状数据比较，根据形状数据的变化来确定待检测对象是否跌倒，也可以是预先设定跌倒后的形状数据，然后将所述待检测对象的形状数据与预先设定的跌倒后的形状数据进行比较，根据比较结果是否一致来确定待检测对象是否跌倒，本领域技术人员还可以根据形状数据采用其他方式来确定待检测对象是否跌倒，本申请不再一一举例。
本申请实施例还可以进一步根据所述待检测对象的三维坐标生成高度图，可以得到所述待检测对象在地面上的投影轮廓(或形状数据)，并据此来进一步判断所述待检测对象是否跌倒，从而进一步提高了检测精度。
实施中，所述计算所述待检测对象在地面上的形状数据，根据所述待检测对象在地面上的形状数据，进一步确定所述待检测对象是否跌倒，具体可以为：计算所述待检测对象在地面上的长度和宽度，如果所述待检测对象的长度与宽度的比值大于预设第二阈值，则进一步确定所述待检测对象跌倒。
具体实施中，本申请实施例可以计算所述待检测对象在地面上的长度和宽度，通过将所述待检测对象的长度与宽度的比与预设第二阈值(也即，预设的长宽比阈值)进行比较，如果所述待检测对象的长宽比大于预设长宽比阈值，则认为所述待检测对象在地面上的投影轮廓为长条状，所述待检测对象处于跌倒后的状态，进一步确定所述待检测对象跌倒。
本申请实施例首先通过检测待检测对象的身高变化，来确定所述待检测对象在一段时间区间处于跌倒的过程中，然后再检测所述待检测对象在地面上的变化，进一步确定所述待检测对象是否处于跌倒后的状态，从而最终确定所述待检测对象跌倒，提高了检测精度。
本申请实施例还提供了另一种跌倒检测方法，下面进行说明。
图2示出了本申请实施例中另一种跌倒检测方法实施的流程示意图，如图所示，所述跌倒检测方法可以包括如下步骤：
步骤201、获取当前时刻三维场景中像素点的三维坐标，所述三维坐标为以地面为xoy平面、以垂直地面向上为z轴的三维坐标系中的坐标；
步骤202、根据所述像素点的三维坐标生成高度图，所述高度图为具有高度值的像素点在xoy平面投影的图像；
步骤203、对所述高度图进行斑点blob检测，计算blob的形状数据；
步骤204、根据所述blob的形状数据，初步确定所述blob对应的待检测对象是否跌倒。
具体实施中，本申请实施例可以先获取当前时刻三维场景中像素点的三维坐标，然后根据这些点的三维坐标生成高度图，其中，高度图为具有一定的高度值的像素点在xoy平面投影的图像，也可以简单理解为俯瞰地面时各物体的像素点的图像。通过对高度图进行blob检测，可以得到各物体的形状/轮廓，
其中，blob检测采用的是现有技术中连通区域分析方法，也即ConnectedComponent Labeling，是指将图像中的各个连通区域找出并标记出来。连通区域一般可以指图像中具有相同像素值且位置相邻的前景像素点组成的图像区域(Region，blob)。
本申请实施例通过对获取到的三维场景中像素点的坐标进行计算，分析得到待检测对象在地面上的形状变化，即可确定待检测对象是否跌倒，无需待检测对象预先佩戴任何传感器，从而使得跌倒检测更加方便、通用性更强。
实施中，所述计算blob的形状数据，根据所述blob的形状数据，初步确定所述blob对应的待检测对象是否跌倒，具体可以为：计算所述blob的长度和宽度，如果所述blob的长度与宽度的比值大于预设第二阈值，则初步确定所述blob对应的待检测对象跌倒。
具体实施中，本申请实施例可以通过blob检测，计算得到blob的长度和宽度。如果blob的长宽比大于预设第二阈值(也即，预设长宽比阂值)，也即，所述物体在地面上呈现长条状(跌倒后的状态)，则可以初步确定该物体(所述blob对应的待检测对象)跌倒。
实施中，在所述初步确定所述blob对应的待检测对象跌倒之后，所述方法可以进一步包括：
获取在当前时刻之前所述待检测对象在三维场景中的轨迹，所述轨迹为所述待检测对象若干时刻的三维坐标的集合；
对时间窗口为预设第一阈值的区间内的轨迹进行高通滤波；
如果滤波后得到高频响应，进一步确定所述待检测对象跌倒。
具体实施中，在根据待检测对象在地面上的形状变化初步确定待检测对象跌倒后，还可以进一步判断在当前时刻之前的一段时间区间内，待检测对象的高度是否有突发变化(也即，滤波后有高频响应)，确定在所述时间区间内所述待检测对象是否处于跌倒的过程中，从而进一步确定所述待检测对象是否跌倒。
实施中，在所述根据所述待检测对象的三维坐标生成高度图之后、对所述高度图进行斑点blob检测之前，所述方法可以进一步包括：根据预设第三阈值，将所述高度图分为高度值高于所述预设第三阈值的高度图和高度值低于所述预设第三阈值的高度图；
所述对所述高度图进行斑点blob检测，具体可以为：对所述高度值低于所述预设第三阂值的高度图进行斑点blob检测。
具体实施中，在根据所述待检测对象的三维坐标生成高度图之后，可以再根据预设第三阈值(也即高度阈值)，将所述高度图分为高度值高于所述预设第三阈值的高度图(也即UpperHeightMap)和高度值低于所述预设第三阈值的高度图(也即LowerHeightMap)；从而，再后续进行blob检测时，只需要对高度值低于所述预设第三阈值的高度图(也即LowerHeightMap)进行检测即可，极大地降低了检测的计算量。
实施中，在对所述高度图进行斑点blob检测之后、计算blob的长和宽之前，所述方法可以进一步包括：根据blob的大小size，筛选出大于预设size阈值的blob；所述计算blob的长和宽，具体可以为：对筛选出的blob计算长和宽。
具体实施中，在对所述高度图进行blob检测之后，可以进一步根据blob的size筛选出大于预设size阈值的blob，例如，筛选出符合人的size的blob，从而后续对blob计算长度和宽度时只需要对筛选出的blob进行计算即可，极大地降低计算量。
为了便于本申请的实施，下面以实例进行说明。
假设监控场景为室内，可以在室内墙角上方安装RGBD摄像头来监控室内环境。这里假设室内有一把椅子、一个桌子和两个人，下面进行详细说明。
利用RGBD摄像头获取到监控画面depth image中包括四个对象，即椅子、桌子和两个人，本申请实施例中可以在前期采集大量样本进行机器学习，得到人的特征。
将监控到的4个对象分别与机器学习得到的人的特征进行比对，确定哪个对象是人、哪个对象不是人，进而将椅子、桌子等物体排除，仅将真正的人作为待检测对象，后续可以只对人进行跌倒检测，降低检测过程中所需计算的数据量。
可以利用RGBD摄像头分别追踪这两个人在三维场景中的轨迹trajectory，以其中一个人为例，假设获取到这个人在三维场景中的轨迹T，轨迹T可以由一系列的P(x，y，z，t)表示，其中，x、y、z代表这个人在三维场景中的坐标，t代表时刻，可以看出，所述轨迹是时域的。
图3示出了本申请实施例中安装有RGBD传感器(sensor)的三维场景示意图，如图所示，假设这个人从A点走到B点(也即轨迹为A到B)，人的身高为H1＝1.7m，当在B点跌到后的高度H2＝0.3m。
在一个时间窗口为N的区间内，对所述轨迹T利用高通滤波器进行高通滤波HighPass Filter，将每个时刻的z轴坐标值代入高通滤波公式中，即可得到所有时刻的滤波后的值。
例如，假设人跌倒的时间一般为5s，本申请实施例可以预设时间窗口为5s，在这5s的区间内，假设从A到B的过程中有5个点，轨迹T为A1(51，52，170，14：01)、A2(54，55，170，14：02)、A3(54，55，120，14：03)、A4(54，55，70，14：04)、B(54，55，30，14：05)。Z轴代表人的身高变化，可以看出人的身高变化为170、170、120、70、30，代入如下公式：
yi＝a*yi-1+a*(xi-xi-1)，a＝0.5，初始值i＝1，x0＝x1＝0，y0＝0；其中y代表输出数据，x代表输入数据；
y1＝0.5*0+0.5*(0-0)＝0；
y2＝0.5*0+0.5*(170-170)＝0；
y3＝0.5*0+0.5*(120-170)＝-25；
y4＝0.5*(-25)+0.5*(70-120)＝-37.5
y5＝0.5*(-37.5)+0.5*(30-70)＝-38.75
得到滤波后的结果：0，0，-25，-37.5，-38.75。
如果滤波后得到高频响应，则初步确定所述待检测对象处于跌倒的过程中；如果没有高频响应，则这个人没有处于跌倒的过程中。所述高频响应可以理解为在某个时刻或时间区间内z值有突发变化，也即人的高度有突发变化。
其中，时间窗口N可以设置为一般情况下人跌倒所需时间的经验值。
在初步确定所述待检测对象处于跌倒过程中之后，本申请实施例可以进一步判断所述待检测对象在之后的时间中根据高度图(可以理解为俯视地面所呈现的图像，在该图像中每个像素点有其相应的高度值)判断地面上人的形状是否为跌倒后的状态。
人跌倒前是可以检测到三维场景中的坐标的，具体实施时，可能存在人跌倒后检测不到这个人的情况，因此，本申请实施例可以在初步确定人跌倒后的时刻获取画面中所有像素点的三维坐标，并进行blob检测。
在上述过程中，可能涉及从三维立体的坐标到平面坐标的转换，具体实施中，可以利用RGBD获得的深度图depth map计算得到相机视角的各个点的坐标point cloud，然后建立以地面为xoy平面的三维坐标系，将每个点从相机视角的坐标point cloud映射到以地面为xoy平面的坐标系中的坐标world cloud。
对于每个point点P(x，y，z)，z轴的值代表人的高度，本申请实施例利用每个点的坐标在xoy平面上生成一个尺寸size为512*512的高度图。然后根据设定的高度的阂值H，将所述高度图分为Upper Height Map和Lower Height Map，后续的blob检测仅对LowerHeight Map进行检测，从而过滤掉了那些明显高于人的身高的物体，减少了计算量。
对Lower Height Map做平滑操作，得到平滑后的Lower Height Map。对所述平滑后的Lower Height Map做blob检测，然后可以预先设定一个像素点个数的阈值M，假设M＝200，根据blob包含的像素点个数(像素点的个数表达了blob的大小)，筛选出大于M阈值的blob，对筛选出的每个blob计算长L和宽W。具体实施中，可以首先对每个blob进行主成分分析，得到blob的两个主方向，这两个主方向上计算得出L和W，具体的操作步骤可以根据现有技术实施，本申请实施例在此不做赘述。本申请实施例通过采用上述方式，从而进一步过滤掉明显大于人的尺寸的物体，减少计算量。
图4示出了本申请实施例中转换为xoy平面坐标系后的场景示意图，如图所示，人在A点时处于站立状态，投影在地面上的形状较小且可能为一圆点，而当人在B点跌到后，投影在地面上的形状可能为长条状，假设长度L＝150cm、宽度W＝60cm。
根据长宽比判断地面上的物体是否处于跌倒状态，如果L/W＞长宽比阈值th，则物体处于跌倒状态。本申请实施例中将人的形状为长条形时认为是人跌倒后的状态，也即，人的长宽比大于预设阈值时则不是正方形、而是长条形，此时人处于跌倒后的状态。例如，假设长宽比阈值设为2，本申请实施例中长宽比为150/60≈2.5＞2，即可确定这个人处于跌倒后的状态。
本申请实施例的跌倒检测可以包括两个步骤，也即，通过对跟踪的人的轨迹高度进行分析检测人跌倒的过程，以及，通过地面上的变化检测人跌倒后的状态，从而确保检测精度更高，减少误判现象。
本申请实施例中通过人的身高变化检测跌倒过程、以及通过人的地面变化检测跌倒后的状态，这两个步骤可以没有先后顺序之分，也即，可以先通过人的身高变化检测人是否处于跌倒的过程中，然后再通过人的地面变化检测人是否处于跌倒后的状态；也可以先通过人的地面变化检测人是否处于跌倒后的状态，再通过人的身高变化检测之前的时间内人是否处于跌倒的过程中。
基于同一发明构思，本申请实施例中还提供了跌倒检测装置，由于这些设备解决问题的原理与上述跌倒检测方法相似，因此这些设备的实施可以参见方法的实施，重复之处不再赘述。
图5示出了本申请实施例中一种跌倒检测装置的结构示意图，如图所示，所述跌倒检测装置可以包括：
获取模块501，用于获取待检测对象在三维场景中的轨迹，所述轨迹为所述待检测对象若干时刻的三维坐标的集合，所述三维坐标为以地面为xoy平面、以垂直地面向上为z轴的三维坐标系中的坐标；
滤波模块502，用于对时间窗口为预设第一阈值的区间内的轨迹进行高通滤波；
第一确定模块503，用于如果滤波后得到高频响应，初步确定所述待检测对象跌倒。
实施中，所述装置可以进一步包括：
机器学习模块，用于在所述获取待检测对象在三维场景中的轨迹之前，通过采集大量样本进行机器学习，得到人的特征；
对象确定模块，用于将所述待检测对象与所述人的特征比对，确定所述待检测对象为人。
实施中，所述装置可以进一步包括：
高度图生成模块，用于在所述初步确定所述待检测对象跌倒之后，根据所述区间之后的所述待检测对象的三维坐标生成高度图，所述高度图为具有高度值的像素点在xoy平面投影的图像；
计算模块，用于计算所述待检测对象在地面上的形状数据；
第二确定模块，用于根据所述待检测对象在地面上的形状数据，进一步确定所述待检测对象是否跌倒。
实施中，所述计算模块具体可以用于计算所述待检测对象在地面上的长度和宽度；所述第二确定模块具体可以用于如果所述待检测对象的长度与宽度的比值大于预设第二阈值，则进一步确定所述待检测对象跌倒。
图6示出了本申请实施例中另一种跌倒检测装置的结构示意图，如图所示，所述跌倒检测装置可以包括：
坐标获取单元601，用于获取当前时刻三维场景中像素点的三维坐标，所述三维坐标为以地面为xoy平面、以垂直地面向上为z轴的三维坐标系中的坐标；
高度图生成单元602，用于根据所述像素点的三维坐标生成高度图，所述高度图为具有高度值的像素点在xoy平面投影的图像；
检测单元603，用于对所述高度图进行斑点blob检测；
计算单元604，用于计算所述blob的形状数据；
第一确定单元605，用于根据所述blob的形状数据，初步确定所述blob对应的待检测对象是否跌倒。
实施中，所述计算单元具体可以用于计算所述blob的长度和宽度；所述第一确定单元具体可以用于如果所述blob的长度与宽度的比值大于预设第二阂值，则初步确定所述blob对应的待检测对象跌倒。
实施中，所述装置可以进一步包括：
轨迹获取单元，用于在所述初步确定所述blob对应的待检测对象跌倒之后，获取在当前时刻之前所述待检测对象在三维场景中的轨迹，所述轨迹为所述待检测对象若干时刻的三维坐标的集合；
滤波单元，用于对时间窗口为预设第一阈值的区间内的轨迹进行高通滤波；
第二确定单元，用于如果滤波后得到高频响应，进一步确定所述待检测对象跌倒。
实施中，所述装置可以进一步包括：划分单元，用于在所述根据所述待检测对象每个时刻的三维坐标生成高度图之后、对所述高度图进行斑点blob检测之前，根据预设第三阈值，将所述高度图分为高度值高于所述预设第三阈值的高度图和高度值低于所述预设第三阈值的高度图；
所述检测单元具体用于对所述高度值低于所述预设第三阈值的高度图进行斑点blob检测。
实施中，所述装置可以进一步包括：筛选单元，用于在对所述高度图进行斑点blob检测之后、计算blob的形状数据之前，根据blob的大小size，筛选出大于预设size阈值的blob；
所述计算单元具体可以用于对筛选出的blob计算长和宽。
为了描述的方便，以上所述装置的各部分以功能分为各种模块或单元分别描述。当然，在实施本申请时可以把各模块或单元的功能在同一个或多个软件或硬件中实现。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本申请的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本申请范围的所有变更和修改。
Claims (8)
1.一种跌倒检测方法，其特征在于，包括如下步骤：
获取待检测对象在三维场景中的轨迹，所述轨迹为所述待检测对象若干时刻的三维坐标的集合，所述三维坐标为以地面为xoy平面、以垂直地面向上为z轴的三维坐标系中的坐标；
对时间窗口为预设第一阈值的区间内的轨迹进行高通滤波；
如果滤波后得到高频响应，初步确定所述待检测对象跌倒。
2.如权利要求1所述的方法，其特征在于，在所述获取待检测对象在三维场景中的轨迹之前，进一步包括：
通过采集大量样本进行机器学习，得到人的特征；
将所述待检测对象与所述人的特征比对，确定所述待检测对象为人。
3.如权利要求1所述的方法，其特征在于，在所述初步确定所述待检测对象跌倒之后，进一步包括：
根据所述区间之后的所述待检测对象的三维坐标生成高度图，所述高度图为具有高度值的像素点在地面投影的图像；
计算所述待检测对象在地面上的形状数据；
根据所述待检测对象在地面上的形状数据，进一步确定所述待检测对象是否跌倒。
4.如权利要求3所述的方法，其特征在于，所述计算所述待检测对象在地面上的形状数据，根据所述待检测对象在地面上的形状数据，进一步确定所述待检测对象是否跌倒，具体为：计算所述待检测对象在地面上的长度和宽度，如果所述待检测对象的长度与宽度的比值大于预设第二阈值，则进一步确定所述待检测对象跌倒。
5.一种跌倒检测装置，其特征在于，包括：
获取模块，用于获取待检测对象在三维场景中的轨迹，所述轨迹为所述待检测对象若干时刻的三维坐标的集合，所述三维坐标为以地面为xoy平面、以垂直地面向上为z轴的三维坐标系中的坐标；
滤波模块，用于对时间窗口为预设第一阈值的区间内的轨迹进行高通滤波；
第一确定模块，用于如果滤波后得到高频响应，初步确定所述待检测对象跌倒。
6.如权利要求5所述的装置，其特征在于，进一步包括：
机器学习模块，用于在所述获取待检测对象在三维场景中的轨迹之前，通过采集大量样本进行机器学习，得到人的特征；
对象确定模块，用于将所述待检测对象与所述人的特征比对，确定所述待检测对象为人。
7.如权利要求5所述的装置，其特征在于，进一步包括：
高度图生成模块，用于在所述初步确定所述待检测对象跌倒之后，根据所述区间之后的所述待检测对象的三维坐标生成高度图，所述高度图为具有高度值的像素点在xoy平面投影的图像；
计算模块，用于计算所述待检测对象在地面上的形状数据；
第二确定模块，用于根据所述待检测对象在地面上的形状数据，进一步确定所述待检测对象是否跌倒。
8.如权利要求7所述的装置，其特征在于，所述计算模块具体用于计算所述待检测对象在地面上的长度和宽度；所述第二确定模块具体用于如果所述待检测对象的长度与宽度的比值大于预设第二阈值，则进一步确定所述待检测对象跌倒。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510609632.2A CN105303563B (zh) | 2015-09-22 | 2015-09-22 | 一种跌倒检测方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510609632.2A CN105303563B (zh) | 2015-09-22 | 2015-09-22 | 一种跌倒检测方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN105303563A CN105303563A (zh) | 2016-02-03 |
| CN105303563B true CN105303563B (zh) | 2018-04-17 |
Family
ID=55200785
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201510609632.2A Active CN105303563B (zh) | 2015-09-22 | 2015-09-22 | 一种跌倒检测方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN105303563B (zh) |
Families Citing this family (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106373336A (zh) * | 2016-08-30 | 2017-02-01 | 苏州品诺维新医疗科技有限公司 | 一种检测摔倒的方法及装置 |
| CN110543861A (zh) * | 2019-09-05 | 2019-12-06 | 深圳前海达闼云端智能科技有限公司 | 一种预警方法、服务器及预警系统 |
| CN110779150B (zh) * | 2019-11-14 | 2021-05-14 | 宁波奥克斯电气股份有限公司 | 一种基于毫米波的空调器控制方法、装置及空调器 |
| CN113452954B (zh) * | 2020-03-26 | 2023-02-28 | 浙江宇视科技有限公司 | 行为分析方法、装置、设备和介质 |
| CN117636404B (zh) * | 2024-01-26 | 2024-04-16 | 贵州信邦富顿科技有限公司 | 基于非穿戴式设备的跌倒检测方法及系统 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104574441A (zh) * | 2014-12-31 | 2015-04-29 | 浙江工业大学 | 一种基于gmm和时序模型的跌倒实时检测方法 |
| CN104598896A (zh) * | 2015-02-12 | 2015-05-06 | 南通大学 | 基于Kinect骨架追踪的人体摔倒自动检测方法 |
| CN104794463A (zh) * | 2015-05-11 | 2015-07-22 | 华东理工大学 | 基于Kinect实现室内人体跌倒检测的系统及方法 |
| CN104850846A (zh) * | 2015-06-02 | 2015-08-19 | 深圳大学 | 一种基于深度神经网络的人体行为识别方法及识别系统 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP2925213B1 (en) * | 2012-11-30 | 2018-10-17 | Koninklijke Philips N.V. | Method and apparatus for identifying transitions between sitting and standing postures |
-
2015
- 2015-09-22 CN CN201510609632.2A patent/CN105303563B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104574441A (zh) * | 2014-12-31 | 2015-04-29 | 浙江工业大学 | 一种基于gmm和时序模型的跌倒实时检测方法 |
| CN104598896A (zh) * | 2015-02-12 | 2015-05-06 | 南通大学 | 基于Kinect骨架追踪的人体摔倒自动检测方法 |
| CN104794463A (zh) * | 2015-05-11 | 2015-07-22 | 华东理工大学 | 基于Kinect实现室内人体跌倒检测的系统及方法 |
| CN104850846A (zh) * | 2015-06-02 | 2015-08-19 | 深圳大学 | 一种基于深度神经网络的人体行为识别方法及识别系统 |
Non-Patent Citations (3)
| Title |
|---|
| A depth-Based Fall Detection System Using a Kinect Sensor;Samuele Gasparrini 等;《Sensors》;20140211;第14卷(第2期);2756-2775 * |
| Fall Detection Based on Body Part Tracking Using a Depth Camera;Zhen-Peng Bian 等;《IEEE JOURNAL OF BIOMEDICAL AND HEALTH INFORMATICS》;20150331;第19卷(第2期);430-439 * |
| Fall Detection in indoor environment with Kinect sensor;Vitoantonio Bevilacqua 等;《2014 IEEE International Symposium on Innovations in Intelligent Systems and Applications(INISTA)》;20140811;319-324 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN105303563A (zh) | 2016-02-03 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN105303563B (zh) | 一种跌倒检测方法及装置 | |
| WO2020189313A1 (ja) | 監視装置、監視システム、及び、監視方法 | |
| CN204480228U (zh) | 运动感测和成像设备 | |
| CN108156450B (zh) | 用于校准摄像机的方法、校准设备、校准系统以及机器可读的存储介质 | |
| CN109426782A (zh) | 对象检测方法和用于对象检测的神经网络系统 | |
| JP2018526711A5 (zh) | ||
| US9682482B2 (en) | Autonomous moving device and control method of autonomous moving device | |
| US10801831B2 (en) | Speckle measurement apparatus and speckle measurement method | |
| WO2015097149A1 (en) | Method for reconstructing a surface using spatially structured light and a dynamic vision sensor | |
| WO2016138143A1 (en) | Using intensity variations in a light pattern for depth mapping of objects in a volume | |
| CN106022266A (zh) | 一种目标跟踪方法及装置 | |
| JP2015079433A5 (zh) | ||
| CN110084837A (zh) | 基于无人机视频的目标检测与跟踪方法 | |
| CN102013007B (zh) | 用于检测面部的装置和方法 | |
| JP7266599B2 (ja) | 患者の身体運動を検知するためのデバイス、システム及び方法 | |
| Coşkun et al. | People counting system by using kinect sensor | |
| CN107578595A (zh) | 流动体分析装置 | |
| JP7503174B2 (ja) | 煙の検出装置及び煙の検出方法 | |
| JP2017191544A (ja) | 火災検知装置及び火災検知方法 | |
| JP2016170603A (ja) | 移動物体追跡装置 | |
| KR20160062665A (ko) | 동작 인식 장치 및 방법 | |
| US20200074166A1 (en) | Method and system for determining occupancy from images | |
| US20170372133A1 (en) | Method and system for determining body position of an occupant | |
| CN110428452B (zh) | 非静态场景点的检测方法、装置、电子设备及存储介质 | |
| JP7221729B2 (ja) | 煙の検出装置及び煙の検出方法 |
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 | ||
| CP02 | Change in the address of a patent holder | ||
| CP02 | Change in the address of a patent holder |
Address after: 100092 Beijing Haidian District Yongtaizhuang North Road No. 1 Tiandi Adjacent to Block B, Building 1, Fengji Industrial Park Patentee after: BEIJING DEEPGLINT INFORMATION TECHNOLOGY Co.,Ltd. Address before: 100091 No. 6 Yudai Road, Haidian District, Beijing Patentee before: BEIJING DEEPGLINT INFORMATION TECHNOLOGY Co.,Ltd. |
|
| CP03 | Change of name, title or address | ||
| CP03 | Change of name, title or address |
Address after: 100192 Block B, Building 1, Tiandi Adjacent to Maple Industrial Park, No. 1, North Yongtaizhuang Road, Haidian District, Beijing Patentee after: Beijing gelingshentong Information Technology Co.,Ltd. Address before: 100092 Beijing Haidian District Yongtaizhuang North Road No. 1 Tiandi Adjacent to Block B, Building 1, Fengji Industrial Park Patentee before: BEIJING DEEPGLINT INFORMATION TECHNOLOGY Co.,Ltd. |
|
| DD01 | Delivery of document by public notice | ||
| DD01 | Delivery of document by public notice |
Addressee: Huang Jialin Document name: Refund Approval Notice |