CN108509938A - 一种基于视频监控的跌倒检测方法 - Google Patents

Abstract

本发明涉及一种基于视频监控的跌倒检测方法，属于数字图像处理和模式识别领域。该方法包括：人体目标提取阶段：采用三帧差法和高斯混合背景建模相结合来提取视频中的人体目标前景，有效去除图像中的高频噪声、阴影，准确地提取检测目标；跌倒检测阶段：提取的人体目标轮廓的质心、宽高比和Hu矩特征融合，利用支持向量机算法判别跌倒行为和非跌倒行为。本发明通过摄像头采集图像进行检测，相较于通过穿戴设备传感器和物联网信息采集信息做出判断，更加方便，具有非强制性。并且，对图像进行处理和模式识别不仅具有实时性强，准确度高的特点，也不会影响正常的生活。

Description

一种基于视频监控的跌倒检测方法

技术领域

本发明属于数字图像处理和模式识别领域，涉及智能摄像头设备嵌入式开发等技术，主要针对室内弱势群体摔倒的问题。

背景技术

世界卫生组织(WHO)报道指出，跌倒已经成为意外和非故意性伤害中致死率第二大的因素。跌倒容易引起恐惧焦虑情绪，带来脑部损伤，髋关节受损，心脏骤停等并发疾病，给受难人群带来巨大的危害和伤痛。

目前在跌倒检测上主要有三个研究方向：①基于可穿戴式设备传感器的检测；②基于物联网环境信息的检测；③基于智能监控技术的检测。可穿戴设备需要一直佩戴在身上，会造成一些生活上的不便，特别是针对老人和儿童等弱势群体；物联网环境信息因为能够获得各种传感数据如体活动传感器数据、开关传感器数据或地面压力传感器等，在人体跟踪，位置判别上有良好的效果，但是此方法实时性不高，且容易受环境影响而产生较多的误判；智能监控技术通过摄像头采集图像，再对图像进行处理和模式识别不仅具有实时性强，准确度高的特点，还不会影响正常的生活。因此，通过智能监控技术来实现跌倒检测是一个比较好的选择。

跌倒检测是视频监控系统应用研究中的一个重要问题。老人或者小孩在家中意外跌倒且不能及时告警的情况下，可能会因为得不到及时的救治而残疾甚至死亡。研究并构建跌倒检测系统对保护家人的生命安全有重大意义，如何准确有效地提取跌倒这一行为特征也成为了跌倒检测所面临的难题。

发明内容

有鉴于此，本发明的目的在于提供一种基于视频监控的跌倒检测方法，解决现有视频监控系统缺少智能监控、人工监控开销繁重的问题。实现基于视频的跌倒检测原型系统，实时、准确地检测跌倒行为，及时向相关人员报警，减少不必要的生命和财产损失。与已有的解决方案相比，本发明不需要额外的传感设备，且可靠性高，能精准判断做出预警。

为达到上述目的，本发明提供如下技术方案：

一种基于视频监控的跌倒检测方法，包括以下步骤：

S1：人体目标提取阶段：采用三帧差法和高斯混合背景建模相结合来提取视频中的人体目标前景，有效去除图像中的高频噪声、阴影，准确地提取检测目标；

S2：跌倒检测阶段：提取的人体目标轮廓的质心、宽高比和Hu矩特征融合，利用支持向量机算法判别跌倒行为和非跌倒行为。

进一步，其特征在于，所述步骤S1包括以下步骤：

S11：取图像序列的2个或3个相邻帧间，帧间采用基于像素的差分；

S12：利用阈值化提取差分图像的运动区域，即人体目标轮廓；

S13：结合高斯背景建模的背景减除法加权结合的改进算法进一步提取完整目标轮廓。

进一步，所述步骤S2包括以下步骤：

S21：提取目标轮廓的宽高比特征F_ar、质心特征F_com、Hu矩特征F_hu；

S22：将F_ar、F_com和F_hu特征融合；

S23：输入融合特征训练支持向量机，依据训练后支持向量机的分类结果判别人体目标是否处于跌倒状态。

进一步，所述步骤S21具体包括以下步骤：

S211：定义目标轮廓外接矩形宽度为width，高度位height，则宽高比计算式为：

S212：对人体轮廓所有像素点的横坐标取平均值作为轮廓质心的横坐标，对所有像素点的纵坐标取平均值作为轮廓质心的纵坐标，从而确定质心；

S213：提取的人体轮廓在站立到跌倒过程中，近视的看作人体轮廓进行了一个90°的旋转过程，同时可能存在目标远离摄像头或接近摄像头的情况，提取轮廓的Hu矩能排除图像旋转和尺度变化带来的干扰。

本发明的有益效果在于：本发明通过摄像头采集图像进行检测，相较于通过穿戴设备传感器和物联网信息采集信息做出判断，更加方便，具有非强制性。并且，对图像进行处理和模式识别不仅具有实时性强，准确度高的特点，也不会影响正常的生活。

附图说明

为了使本发明的目的、技术方案和有益效果更加清楚，本发明提供如下附图进行说明：

图1为本发明的流程框图。

图2为具体实施方式中三帧差分算法流程框图。

图3为具体实施方式中高斯混合背景建模算法流程框图。

具体实施方式

下面将结合附图，对本发明的优选实施例进行详细的描述。

图1为本发明所述基于视频监控的跌倒检测方法的流程框图。具体包括以下几个步骤：

步骤1：从摄像头获取输入图像序列。

步骤2：对图像序列做图像增强预处理。

步骤3：利用三帧差法算法获取目标轮廓信息，如图2所示。

步骤301：取图像序列的2个或3个相邻帧间采用基于像素的差分。

d_(i，i-1)(x，y)＝|I_i(x，y)-I_i-1(x，y)| (1)

d_(i+1，i)(x，y)＝|I_i+1(x，y)-I_i(x，y)| (2)

其中I_i表示图像序列第i帧，I_i-1表示图像序列i的前一帧，I_i+1表示图像序列i的后一帧，d_(i，i-1)表示图像序列第i帧与i-1帧差分的结果，d_(i+1，i)表示图像序列第i+1帧与i帧差分的结果，后缀(x,y)表示该帧图像的相应像素点。

步骤302：对得到的差值图像通过选择合适的阈值T进行二值化，使用滤波、开运算、闭运算除去噪声干扰。

其中d_(i，i-1)，d_(i+1，i)同步骤301，后缀(x，y)表示该帧图像的相应像素点，T为阈值。

步骤303：在每一个像素点(x，y)将得到的二值图像逻辑相“与”，得到三帧图像中的中间帧的二值图像。

其中d_(i，i-1)，d_(i+1，i)同步骤301、302，B_i表示第i帧进行三帧差分法的结果。

步骤4：利用步骤3与基于高斯背景建模的背景减除法加权结合的改进算法提取完整目标轮廓，如图3所示。对于随机变量X的观测数据集{x₁,x₂,…,x_N}，x_t＝(R_t,G_t,B_t)为t时刻像素的样本，则单个采样点x_t服从的混合高斯分布概率密度函数p(x_t)定义如下：

其中k为分布模式总数，η(x_t,μ_i，t,τ_i，t)为t时刻第i个高斯分布，μ_i，t为其均值，τ_i，t为其协方差矩阵，δ_i，t为方差，I为三维单位矩阵，ω_i，t为t时刻第i个高斯分布的权重。

高斯背景建模的背景减除法流程如下：

(1)每个新像素值X_t同当前K个模型按下式进行比较，直接找到匹配新像素值的分布模型，即同该模型的均值偏差在2.5σ(σ为正态分布标准差)内：

|X_t-μ_i，t-1|≤2.5σ_i，t-1 (9)

(2)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；

(3)各个模式权值按如下方式进行更新，其中α是学习速率，对于匹配的模式M_k，t＝1,否则M_k，t＝0，然后各模式的权重进行归一化：

W_k，t＝(1-α)*W_k，t+α*M_k，t (10)

(4)匹配模式的均值μ和标准差σ不变，匹配模式的参数按照如下更新：

ρ＝α*η(x_t|μ_k，σ_k) (11)

μ_t＝(1-ρ)*μ_t-1+ρ*x_t (12)

(5)若第一步中没有任何模式匹配，则权重最小的模式被替换，即该模式的均值为当前像素值，标准差为初始较大值，权重为较小值；

(6)各模式根据按降序排列，权重大、标准差小的模式排列在前；

(7)选前B个模式作为背景，B满足下式，参数T′表示背景所占的比例：

步骤5：对由步骤2和步骤3得出的人体目标分别提取宽高比特征F_ar、质心特征F_com和Hu矩特征F_hu。

步骤501：定义目标轮廓外接矩形宽度为width，高度位height，则宽高比计算式为：

步骤502：对人体轮廓所有像素点的横坐标取平均值作为轮廓质心的横坐标，对所有像素点的纵坐标取平均值作为轮廓质心的纵坐标，从而确定质心。

步骤503：提取的人体轮廓在站立到跌倒过程中，可以近视的看作人体轮廓进行了一个90°的旋转过程，同时可能存在目标远离摄像头或接近摄像头的情况，提取轮廓的Hu矩可以排除图像旋转和尺度变化带来的干扰。

Hu矩的定义如下：

假设f(x，y)是二维图像函数，那么(p+q)阶原点矩可以定义为：

其中Ω是x与y的取值空间，m_pq表示f(x，y)在单项式上的投影。因为其具有平移不变性，因此需要定义(p+q)阶中心距，具体如下式：

假设中心矩记为η_pq，则其计算公式：

利用中心矩中的二阶矩以及三阶矩就可以构成7组不变矩：

M₁＝η₂₀+η₀₂ (19)

M₃＝(η₃₀-3η₁₂)²+(3η₂₁-η₀₃)² (21)

M₄＝(η₃₀+η₁₂)²+(η₂₁+η₀₃)² (22)

M₅＝(η₃₀-3η₁₂)+(η₃₀+η₁₂)[(η₃₀+η₁₂)²-3(η₂₁+η₀₃)²]+(3η₂₁-η₀₃)(η₂₁+

η₀₃)[(η₃₀+η₁₂)²-(η₂₁+η₀₃)²] (23)

M₆＝(η₂₀-η₀₂)[(η₃₀+η₁₂)²-(η₂₁+η₀₃)²]+4η₁₁(η₃₀+η₁₂)(η₂₁+η₀₃) (24)

M₇＝(3η₂₁-η₀₃)(η₃₀+η₁₂)[(η₃₀+η₁₂)²-3(η₂₁+η₀₃)²]+(3η₂₁-η₀₃)+(η₂₁+

η₀₃)[3(η₃₀+η₁₂)²-(η₂₁+η₀₃)²] (25)

步骤6：将步骤5的三种特征融合，并训练支持向量机。

步骤7：利用步骤6已训练好的支持向量机判别人体目标是否处于跌倒状态。

为了验证本发明的效果，进行了以下实验：

1、CASIA行为分析数据库进行测试

2、实验分析：

对一个二分问题来说，会出现四种情况。如果一个实例是正类并且也被预测成正类，即为真正类(True positive)，如果实例是负类被预测成正类，称之为假正类(Falsepositive)。相应地，如果实例是负类被预测成负类，称之为真负类(True positive)，正类被预测成负类则为假负类(false negative)。从而引出TPR(true positive rate)，FPR(false positive rate)，TNR(true negative rate)，FNR(false negative rate)。

在CASIA数据库中，选取了12个晕倒视频中的8个视频作为训练集，其余4个视频作为测试集，训练集中8个视频一共选择了472帧静态图像进行训练，其中正常行走为351帧，跌倒为121帧。4个视频中一共227帧图像进行测试，其中正常行走为167帧，跌倒为60帧。

经过试验测试，正常行走中159帧判断正确，TP＝159，FN＝8，跌倒判断中，56帧判断正确，TN＝56，FP＝4。数据测试结果如表1所示：

表1数据库测试结果(％)

TPR	FPR	TNR	FNR
				95.2	6.7	93.3	4.7

最后说明的是，以上优选实施例仅用以说明本发明的技术方案而非限制，尽管通过上述优选实施例已经对本发明进行了详细的描述，但本领域技术人员应当理解，可以在形式上和细节上对其作出各种各样的改变，而不偏离本发明权利要求书所限定的范围。

Claims (4)

1.一种基于视频监控的跌倒检测方法，其特征在于，该方法包括以下步骤：

S1：人体目标提取阶段：采用三帧差法和高斯混合背景建模相结合来提取视频中的人体目标前景，有效去除图像中的高频噪声、阴影，准确地提取检测目标；

S2：跌倒检测阶段：提取的人体目标轮廓的质心、宽高比和Hu矩特征融合，利用支持向量机算法判别跌倒行为和非跌倒行为。

2.根据权利要求1所述的一种基于视频监控的跌倒检测方法，其特征在于，所述步骤S1包括以下步骤：

S11：取图像序列的2个或3个相邻帧间，帧间采用基于像素的差分；

S12：利用阈值化提取差分图像的运动区域，即人体目标轮廓；

S13：结合高斯背景建模的背景减除法加权结合的改进算法进一步提取完整目标轮廓。

3.根据权利要求1所述的一种基于视频监控的跌倒检测方法，其特征在于，所述步骤S2包括以下步骤：

S21：提取目标轮廓的宽高比特征F_ar、质心特征F_com、Hu矩特征F_hu；

S22：将F_ar、F_com和F_hu特征融合；

S23：输入融合特征训练支持向量机，依据训练后支持向量机的分类结果判别人体目标是否处于跌倒状态。

4.根据权利要求3所述的一种基于视频监控的跌倒检测方法，其特征在于，所述步骤S21具体包括以下步骤：

S211：定义目标轮廓外接矩形宽度为width，高度位height，则宽高比计算式为：

S212：对人体轮廓所有像素点的横坐标取平均值作为轮廓质心的横坐标，对所有像素点的纵坐标取平均值作为轮廓质心的纵坐标，从而确定质心；

S213：提取的人体轮廓在站立到跌倒过程中，近视的看作人体轮廓进行了一个90°的旋转过程，同时可能存在目标远离摄像头或接近摄像头的情况，提取轮廓的Hu矩能排除图像旋转和尺度变化带来的干扰。