CN108764190A - 老年人离床与在床状态的视频监测方法 - Google Patents

Abstract

本发明的老年人离床与在床状态的视频监测方法，a).布置摄像头；b).采集老人在床离床活动图像，形成训练、测试样本；c).图像的归一化和标注处理和形成标签文件；d).训练神经网络；e).利用测试样本计算深度神经网络的准确率，如果准确率低于设定阈值，则增加训练样本的容量，重新训练，如果准确率不低于阈值，则训练完毕；f).将实时监控图像带入神经网络中，并计算人体与床体的交叠率，以判断老人离床在床状态。本发明利用视频图像的处理技术来监测老人离床和在床情况，对老人离床过程中发生的异常状况进行报警，可防止老人长时间离床发生意外情况。

Description

老年人离床与在床状态的视频监测方法

技术领域

本发明涉及一种老年人离床与在床状态的视频监测方法，更具体的说，尤其涉及一种利用训练出的深度神经网络模型来求取人体与床体的交叠率以判断老人所在位置的老年人离床与在床状态的视频监测方法。

背景技术

近年来，我国的社会人口老龄化问题愈加严重，随着年龄的增长，老人反应力以及身体机能下降，很容易在生活中出现意外，生活起居大多需要其他人员进行照顾，因此越来越多的老年人选择在养老院内养老。

目前，我国大部分的养老机构面临着护理人员短缺的问题，护理人员很难全天候监控老年人的离床情况。对于一些身体虚弱但还具有一定程度的活动能力的老年人，比如患有老年痴呆症的老年人，需要对其离床活动进行实时的监测。一旦发现老年人处于危险状态下，如离床摔地、出门时间超过设定的安全的时间范围等情况，视频监测系统需要及时报警，提醒护理人员进行相应的处理，确保老年人的安全，提高护理人员的工作效率。

发明内容

本发明为了克服上述技术问题的缺点，提供了一种老年人离床与在床状态的视频监测方法。

本发明的老年人离床与在床状态的视频监测方法，a).布置摄像头，在待监测老人的房间内布置摄像头，摄像头的安装位置满足采集的画面包含床及床周边区域；

b).获取在床离床图像，对老人在床离床活动进行一段时间的视频图像采集，获得老人在床离床活动的图像，随机选取图像中的部分图像作为训练样本，余下的图像作为测试样本；

c).图像的归一化和标注处理，首先对步骤b)中获取的图像进行归一化处理，得到样本图像；然后借助数据标注工具人工对训练样本图像中老人边框、床体边框、人体与床体交叠边框的边框进行标注，标注的边框坐标及边框类别构成标签文件，采用相同的方法获取每幅样本图像的标签文件，边框类别为边框内区域内是老人、是床体还是交叠边框；

d).训练神经网络，以步骤c)中的训练样本图像为输入、标签文件为输出对深度神经网络进行训练，直至训练完毕；

e).计算准确率，首先将测试样本中的图像进行归一化处理，然后将归一化处理后的测试样本图像作为输入，带入步骤d)中训练得到的深度神经网络中，获取测试样本图像的识别边框输出，并人工识别和统计所获取的老人边框、床体边框和人体与床体交叠边框的准确率，如果准确率低于设定阈值T1，则增加训练样本的容量，执行步骤b)；如果准确率不低于设定阈值T1，则神经网络训练完毕；

f).实时监控，在线实时采集监控图像，并将采集的图像带入步骤d)中获取的深度神经网络中，获取实时监控图像的老人边框、床体边框和人体与床体交叠边框，然后利用公式(1)计算人体与床体的交叠率：

式中，J(S₁,S₂)为人体与床体的交叠率，交叠率为人体与床体交叠部分的占人体部分的比例，S₁为老人边框的面积，S₂为床体边框的面积，S₁∩S₂为人体与床体的交叠边框的面积；

如果监控图像的人体与床体的交叠率不低于设定阈值T2时，表明老人在床体上，继续实时监控；如果人体与床体的交叠率低于设定阈值T2时，则表明老人已离开床体，则发出报警信息，以提醒人员进房查看和护理。

本发明的老年人离床与在床状态的视频监测方法，步骤c)和步骤e)中的归一化处理方法为：首先将图像调整为统一大小，然后进行去光照处理和去噪声处理。

本发明的老年人离床与在床状态的视频监测方法，步骤d)中的训练神经网络采用VGG16模型，并在VGG16模型的最后增加一个卷积特征层，增加的卷积特征层使用卷积核进行预测，预测过程中对于一个大小为m*n、p通道的特征层，使用3*3的卷积核进行预测。

本发明的老年人离床与在床状态的视频监测方法，步骤e)中准确率的计算过程中，设测试样本中的图像数量为N，测试样本图像k中采用人工标记出的老人边框、床体边框和人体与床体交叠边框的面积分别为人工标记出的老人边框、床体边框和人体与床体交叠边框的误差区域面积分别为1≤k≤N；各边框区域的面积用像素数目表示，误差区域的标记过程中，如果多余的像素被自动识别至边框区域，则其误差区域的面积增加多余像素数目，如果边框区域自身应有的像素被自动标记至区域之外，则其误差区域的面积增加少标记的像素数目；然后通过公式(2)计算准确率p：

如果获取的准确率p低于设定阈值90％，则表明获取的深度神经网络模型准确度不满足要求，应增加训练样本的容量重新进行训练；如果准确率不低于设定阈值90％，则神经网络训模型符合精度要求。

本发明的老年人离床与在床状态的视频监测方法，步骤f)中设定阈值T2的取值范围为：70％≤T2≤80％。

本发明的有益效果是：本发明的老年人离床与在床状态的视频监测方法，首先采集老人在床离床一段时间的视频图像，并形成训练和测试样本，然后对训练样本进行归一化和人工标注处理，形成标签文件，以利用训练图像和标签文件对深度神经网络进行训练；然后利用测试样本对训练处的深入神经网络模型进行准确率的验证，满足要求则训练完毕，不满足要求则增大样本容量重新训练。最后，对于实时采集的监控图像，先利用训练好的神经网络模型得到老人边框、床体边框、人体与床体交叠边框，然后计算人体与床体的交叠率，通过交叠率判断老人的在床离床状态。本发明利用视频图像的处理技术来监测老人离床和在床情况，对老人离床过程中发生的异常状况进行报警，可防止老人长时间离床发生意外情况。

附图说明

图1为本发明的老年人离床与在床状态的示意图；

图2为本发明的老年人离床与在床状态的视频监测方法的流程图。

具体实施方式

下面结合附图与实施例对本发明作进一步说明。

如图2所示，给出了本发明的老年人离床与在床状态的视频监测方法的流程图，其通过以下步骤来实现：

a).布置摄像头，在待监测老人的房间内布置摄像头，摄像头的安装位置满足采集的画面包含床及床周边区域；

b).获取在床离床图像，对老人在床离床活动进行一段时间的视频图像采集，获得老人在床离床活动的图像，随机选取图像中的部分图像作为训练样本，余下的图像作为测试样本；

c).图像的归一化和标注处理，首先对步骤b)中获取的图像进行归一化处理，得到样本图像；然后借助数据标注工具人工对训练样本图像中老人边框、床体边框、人体与床体交叠边框的边框进行标注，标注的边框坐标及边框类别构成标签文件，采用相同的方法获取每幅样本图像的标签文件，边框类别为边框内区域内是老人、是床体还是交叠边框；

该步骤中，归一化处理方法为：首先将图像调整为统一大小，然后进行去光照处理和去噪声处理。

d).训练神经网络，以步骤c)中的训练样本图像为输入、标签文件为输出对深度神经网络进行训练，直至训练完毕；

该步骤中，训练神经网络采用VGG16模型，并在VGG16模型的最后增加一个卷积特征层，增加的卷积特征层使用卷积核进行预测，预测过程中对于一个大小为m*n、p通道的特征层，使用3*3的卷积核进行预测。

e).计算准确率，首先将测试样本中的图像进行归一化处理，然后将归一化处理后的测试样本图像作为输入，带入步骤d)中训练得到的深度神经网络中，获取测试样本图像的识别边框输出，并人工识别和统计所获取的老人边框、床体边框和人体与床体交叠边框的准确率，如果准确率低于设定阈值T1，则增加训练样本的容量，执行步骤b)；如果准确率不低于设定阈值T1，则神经网络训练完毕；

该步骤中，准确率的计算过程中，设测试样本中的图像数量为N，测试样本图像k中采用人工标记出的老人边框、床体边框和人体与床体交叠边框的面积分别为 人工标记出的老人边框、床体边框和人体与床体交叠边框的误差区域面积分别为1≤k≤N；各边框区域的面积用像素数目表示，误差区域的标记过程中，如果多余的像素被自动识别至边框区域，则其误差区域的面积增加多余像素数目，如果边框区域自身应有的像素被自动标记至区域之外，则其误差区域的面积增加少标记的像素数目；然后通过公式(2)计算准确率p：

如果获取的准确率p低于设定阈值90％，则表明获取的深度神经网络模型准确度不满足要求，应增加训练样本的容量重新进行训练；如果准确率不低于设定阈值90％，则神经网络训模型符合精度要求。

f).实时监控，在线实时采集监控图像，并将采集的图像带入步骤d)中获取的深度神经网络中，获取实时监控图像的老人边框、床体边框和人体与床体交叠边框，然后利用公式(1)计算人体与床体的交叠率：

式中，J(S₁,S₂)为人体与床体的交叠率，交叠率为人体与床体交叠部分的占人体部分的比例，S₁为老人边框的面积，S₂为床体边框的面积，S₁∩S₂为人体与床体的交叠边框的面积；

如果监控图像的人体与床体的交叠率不低于设定阈值T2时，表明老人在床体上，继续实时监控；如果人体与床体的交叠率低于设定阈值T2时，则表明老人已离开床体，则发出报警信息，以提醒人员进房查看和护理。

设定阈值T2的取值范围为：70％≤T2≤80％。

如图1所示，给出了本发明的老年人离床与在床状态的示意图，可见，当老人躺在床上时(如图中的实线老人所示)，人体边框面积S₁与人体与床体的交叠边框的面积S₁∩S₂相等，人体与床体的交叠率为100％，此时老人完全位于床上。当老人离开床体到达地面时(如图中的虚线老人所示)，人体与床体的交叠边框的面积S₁∩S₂会小于人体边框面积S₁，当交叠率低于70％～80％时，可判断老人离床，应发出报警信息。

Claims (5)

1.一种老年人离床与在床状态的视频监测方法，其特征在于，通过以下步骤来实现：

a).布置摄像头，在待监测老人的房间内布置摄像头，摄像头的安装位置满足采集的画面包含床及床周边区域；

b).获取在床离床图像，对老人在床离床活动进行一段时间的视频图像采集，获得老人在床离床活动的图像，随机选取图像中的部分图像作为训练样本，余下的图像作为测试样本；

c).图像的归一化和标注处理，首先对步骤b)中获取的图像进行归一化处理，得到样本图像；然后借助数据标注工具人工对训练样本图像中老人边框、床体边框、人体与床体交叠边框的边框进行标注，标注的边框坐标及边框类别构成标签文件，采用相同的方法获取每幅样本图像的标签文件，边框类别为边框内区域内是老人、是床体还是交叠边框；

d).训练神经网络，以步骤c)中的训练样本图像为输入、标签文件为输出对深度神经网络进行训练，直至训练完毕；

e).计算准确率，首先将测试样本中的图像进行归一化处理，然后将归一化处理后的测试样本图像作为输入，带入步骤d)中训练得到的深度神经网络中，获取测试样本图像的识别边框输出，并人工识别和统计所获取的老人边框、床体边框和人体与床体交叠边框的准确率，如果准确率低于设定阈值T1，则增加训练样本的容量，执行步骤b)；如果准确率不低于设定阈值T1，则神经网络训练完毕；

f).实时监控，在线实时采集监控图像，并将采集的图像带入步骤d)中获取的深度神经网络中，获取实时监控图像的老人边框、床体边框和人体与床体交叠边框，然后利用公式(1)计算人体与床体的交叠率：

式中，J(S₁,S₂)为人体与床体的交叠率，交叠率为人体与床体交叠部分的占人体部分的比例，S₁为老人边框的面积，S₂为床体边框的面积，S₁∩S₂为人体与床体的交叠边框的面积；

如果监控图像的人体与床体的交叠率不低于设定阈值T2时，表明老人在床体上，继续实时监控；如果人体与床体的交叠率低于设定阈值T2时，则表明老人已离开床体，则发出报警信息，以提醒人员进房查看和护理。

2.根据权利要求1所述的老年人离床与在床状态的视频监测方法，其特征在于：步骤c)和步骤e)中的归一化处理方法为：首先将图像调整为统一大小，然后进行去光照处理和去噪声处理。

3.根据权利要求1或2所述的老年人离床与在床状态的视频监测方法，其特征在于：步骤d)中的训练神经网络采用VGG16模型，并在VGG16模型的最后增加一个卷积特征层，增加的卷积特征层使用卷积核进行预测，预测过程中对于一个大小为m*n、p通道的特征层，使用3*3的卷积核进行预测。

4.根据权利要求1或2所述的老年人离床与在床状态的视频监测方法，其特征在于：步骤e)中准确率的计算过程中，设测试样本中的图像数量为N，测试样本图像k中采用人工标记出的老人边框、床体边框和人体与床体交叠边框的面积分别为 人工标记出的老人边框、床体边框和人体与床体交叠边框的误差区域面积分别为1≤k≤N；各边框区域的面积用像素数目表示，误差区域的标记过程中，如果多余的像素被自动识别至边框区域，则其误差区域的面积增加多余像素数目，如果边框区域自身应有的像素被自动标记至区域之外，则其误差区域的面积增加少标记的像素数目；然后通过公式(2)计算准确率p：

如果获取的准确率p低于设定阈值90％，则表明获取的深度神经网络模型准确度不满足要求，应增加训练样本的容量重新进行训练；如果准确率不低于设定阈值90％，则神经网络训模型符合精度要求。

5.根据权利要求1或2所述的老年人离床与在床状态的视频监测方法，其特征在于：步骤f)中设定阈值T2的取值范围为：70％≤T2≤80％。