CN109670396A - 一种室内老人跌倒检测方法 - Google Patents

Abstract

本发明公开了一种室内老人跌倒检测方法，旨在为室内的老人异常行为检测并报警提供一种解决方案，包括下述步骤：得到视频数据中的一帧，进行降噪、增强对比度等预处理；计算图像方向梯度直方图特征，并使用SVM分类器实现人体检测，以确定是否包含人体；确定图像包含人体情况下，使用目标跟踪算法跟踪人体区域；以跟踪矩形区域内切椭圆来表征身体特征，内切椭圆中心点和下顶点分别表示人体躯干的中心和脚部，对这两个特征点进行加速度、角度、高度差及停留时间的计算，来判断老人是否跌倒。本发明相较于传统基于加速度传感器或骨骼传感器Kinect的识别方法，具有更低的安装成本，而相较于传统基于人体轮廓长宽比值的判别方法具有更高的识别准确率。

Description

一种室内老人跌倒检测方法

技术领域

本发明涉及视频分析与识别技术领域，具体涉及一种室内老人跌倒检测方法，进一步涉及室内环境光下的姿态检测。

背景技术

现今人口老龄化社会中，空巢老人数量日益增加，他们的健康保障面临着严重的威胁。意外跌倒对老年人的伤害极大，独居老年人如能在跌倒事件发生后得到及时医疗救助，可有效降低意外伤亡风险。统计结果表明:有1/3的65岁以上的老人在1年中至少跌倒过1次。因此，对独居老人意外跌倒发生时进行自动检测并发出报警信息，具有重要的现实意义。

目前，国内外对人体跌倒检测主要分为3类方法:(1)、基于静态特征的跌倒检测，该设计实现了一种基于静态人体图像特征的跌倒检测系统，并通过提取人体的长、宽比和倾斜角度2个特征进行跌倒判断；(2)、基于穿戴式传感器的跌倒检测系统，通常是基于微系统(microelectro-mechanical system，MEMS)三轴加速度计和双轴陀螺仪的可穿戴式跌倒实时检测系统，基于人体运动特征参数的跌倒识别算法。基于穿戴式传感器的系统由于缺少对于人体动作的整体信息，误报率较高；(3)、基于环境的跌倒检测系统，通过Kinect传感器提供的骨架数据对人体动作进行建模，使用各个关节的空间运动轨迹曲线和运动曲线作为对人体动作的表达，进而使用离散Fréchet距离对作为动作的相似性进行度量，最后通过K最近邻(K nearest neighbor，KNN)分类器对跌倒动作进行识别，但该方法安装成本高，Kinect传感器价格昂贵。

发明内容

本发明的目的是为了解决现有技术中的上述缺陷，提供一种室内老人跌倒检测方法。

本发明的目的可以通过采取如下技术方案达到：

一种室内老人跌倒检测方法，所述的检测方法包括下列步骤：

S1、输入待检测的视频，提取视频的各帧图像并进行降噪、增强对比度预处理操作；

S2、对图像进行方向梯度直方图(HOG)特征提取，使用滑动窗口的形式从上到下、从左到右的方式计算图像的方向梯度直方图(HOG)特征；通过使用支持向量机(SVM)算法对样本进行训练的分类器对方向梯度直方图(HOG)特征进行人体检测，若没有符合条件的目标区域，则判定为无人体存在，否则转到步骤S3；

S3、针对符合条件的目标区域，使用连续自适应均值漂移算法(CamShift)把运动物体标记为跟踪区域，进行运动目标跟踪。连续自适应均值漂移算法(CamShift)主要用于目标跟踪，是对均值漂移算法(MeanShift)的改进，可以在跟踪的过程中随着目标大小的变化实时调整搜索窗口大小，对于视频序列中的每一帧还是采用均值漂移算法(MeanShift)来寻找最优迭代结果；

S4、对运动物体的目标特征进行提取，所述的目标特征包括目标跟踪矩形区域内切椭圆的中心点和下顶点，分别代表人体躯干的中心点和脚部点；这两个特征主要是基于OpenCV(一个计算机视觉库)的连续自适应均值漂移算法(CamShift)函数的内置目标跟踪矩形结构体(CvBox2D)实现；

S5、经由目标跟踪矩形结构体(CvBox2D)成员属性：中心点(center)及尺寸(size)计算得到人体躯干的中心点和脚部点后，计算人体的加速度、角度、高度差以及停留时间判别人体是否跌倒，其中，加速度位于8.8m/s²和9.8m/s²之间为条件A，角度小于30为条件B，中心点center的Y轴坐标和下顶点的Y轴坐标之差的绝对值小于预设坐标阈值为条件C，当条件A满足，且条件B和C的持续时间超过预设时间阈值则判断为跌倒。

进一步地，所述的步骤S2过程如下：

S21、采用Gamma校正法对输入图像标准化Gamma空间和颜色空间，可调节图像的对比度，降低图像局部的阴影和光照变化所造成的影响，同时可以抑制噪音的干扰。其中，对位于(x，y)处的像素I(x，y)，Gamma压缩公式为(gamma为校正指数，取)：

I(x，y)＝I(x，y)^gamma；

S22、计算图像中像素点(x，y)的横坐标和纵坐标方向的梯度，并据此计算每个像素位置的方向梯度值，图像中坐标(x，y)的横坐标和纵坐标方向的梯度分别为：

G_x(x，y)＝H(x+1，y)-H(x-1，y)

G_y(x，y)＝H(x，y+1)-H(x，y-1)

式中G_x(x，y)、G_y(x，y)、H(x，y)分别表示输入图像中像素点(x，y)处的水平方向梯度、垂直方向梯度和像素值，像素点(x，y)处的梯度幅值G(x，y)和方向梯度α(x，y)分别为：

式中G(x，y)为该像素点(x，y)梯度幅度，α(x，y)为该像素点(x，y)方向梯度。将每个像素点的方向梯度，利用双线性内插法将其幅值累加到直方图中，即构成方向梯度直方图；

S23、将图像分别划分成若干个单元格(cell)，每个单元格(cell)为6*6像素，并统计每个单元格(cell)的方向梯度直方图，即统计不同梯度的个数，形成每个单元格(cell)的描述符，再将3*3个单元格(cell)组成一个区间(block)，一个区间(block)内所有单元格(cell)的特征描述符串联起来便得到该区间(block)的方向梯度直方图(HOG)特征描述符；

S24、使用正负样本对支持向量机(SVM)分类器进行人体正负样本训练或者直接使用OpenCV中的支持向量机(SVM)分类器；

S25、使用经过训练的支持向量机(SVM)分类器进行检测，对每幅图像进行滑动扫描，提取方向梯度直方图(HOG)特征描述符并用分类器做分类，如果检测出目标则用边框回归(Bounding Box Regression)框出；图像扫描完成后应用非极大值抑制(Non-MaximumSuppression，NMS)来消除重叠多余的目标。

进一步地，所述的步骤S3过程如下：

S31、计算目标区域内的颜色直方图，将输入图像转换到HSV颜色空间，目标区域为初始设定的搜索窗口范围，分离出色调H分量做该区域的色调直方图计算；

S32、根据获得的颜色直方图将原始输入图像转化成颜色概率分布图像，对于输入图像中的每一个像素，查询目标模型颜色直方图，对于目标区域内的像素，得到该像素属于目标像素的概率，而对于非目标区域内的像素，该像素属于目标像素的概率为0；

S33、使用均值漂移算法(MeanShift)进行迭代，查找目标中心在当前帧的位置，在颜色概率分布图中选择搜索窗口的大小和初始位置，计算搜索窗口的质心位置，接着调整搜索窗口中心到质心位置。

设像素点(i,j)位于搜索窗口内，I(i,j)是颜色直方图的反向投影图中该像素点对应的值，定义搜索窗口的零阶矩M₀₀和一阶矩M₁₀,M₀₁如下：

零阶矩：M₀₀＝∑_x∑_yI(x,y)，

一阶矩：M₁₀＝∑_x∑_yxI(x,y)，

M₀₁＝∑_x∑_yyI(x,y)；

搜索窗口的质心：

进一步地，所述的步骤S4过程如下：

S41、目标区域的中心点和下顶点特征的计算基于连续自适应均值漂移算法(CamShift)函数内置的目标跟踪矩形结构体(CvBox2D)实现；

S42、目标跟踪矩形结构体(CvBox2D)具有属性成员中心点(center)，表示目标跟踪矩形中心点坐标，也是内切椭圆中心点坐标；

S43、求取跟踪矩形区域的四个顶点坐标，然后求下方两个顶点的中间点坐标，即为内接椭圆的下顶点坐标。

进一步地，所述的步骤S5过程如下：

S51、判断加速度是否在8.8m/s²和9.8m/s²之间，如果在8.8m/s²和9.8m/s²之间，则有跌倒的可能；

S52、判断角度angle是否小于30，如果小于30，则有跌倒的可能；

S53、判断中心点center的Y轴坐标和下顶点的Y轴坐标之差的绝对值是否小于预设坐标阈值，如果小于预设坐标阈值，则有跌倒的可能；

S54、在步骤S2和步骤S53出现的情况下判断持续时间是否大于预设时间阈值，如果大于预设时间阈值，则判断为跌倒。

进一步地，所述的跌倒检测方法在步骤S5中判断为跌倒之后，还包括：

S6、将各帧图像的检测结果还原为视频形式输出。

本发明相对于现有技术具有如下的优点及效果：

本发明使用方向梯度直方图(HOG)特征提取结合支持向量机(SVM)分类器实现人体检测；当检测到人体时使用连续自适应均值漂移算法(CamShift)实现人体目标的跟踪；在此基础上，对目标跟踪区域进行加速度、角度、高度差以及停留时间进行计算，从而实现对老人跌倒的检测。该算法轻量、快速、准确率高，在室内环境下对老人跌倒具有90％的识别准确率。相较于传统基于三轴陀螺仪传感器的方法，可减少使用的复杂度，老人无需佩戴任何设备即可实现跌倒检测；相较于使用骨骼传感器Kinect的方法，在不牺牲准确率的情况下降低安装成本；相较于使用神经网络的方法，在保证准确率相差不大的情况下降低硬件要求，加快运算时间，可用于低功耗开发板、树莓派等平台。

附图说明

图1是本发明中公开的一种室内老人跌倒检测方法的流程步骤图；

图2是本发明中求取目标跟踪矩形内切椭圆下顶点坐标的示意图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

实施例

本实施例基于方向梯度直方图(HOG)+支持向量机(SVM)人体检测算法和连续自适应均值漂移(CamShift)目标跟踪算法，提出一种可应用在常用硬件设备中成本低廉的室内人体跌倒检测方法。流程步骤如附图1所示，该室内老人跌倒检测方法，包括下述步骤：

S1、输入待检测的视频，提取视频的各帧图像并进行降噪、增强对比度预处理操作；

S2、对图像进行方向梯度直方图(Histogram of Oriented Gradient,HOG)特征提取，使用滑动窗口的形式从上到下、从左到右的方式计算图像的方向梯度直方图(HOG)特征描述符；使用提前经过正负样本训练的支持向量机(SVM)分类器进行人体检测，若没有符合条件的目标区域，则判定为无人体存在，否则转到步骤S3。

该实施例中，步骤S2的具体流程为：

步骤S21、采用Gamma校正法对输入图像进行颜色空间的标准化(归一化)；目的是调节图像的对比度，降低图像局部的阴影和光照变化所造成的影响，同时可以抑制噪音的干扰；对位于(x,y)处的像素I(x,y)，Gamma压缩公式为(gamma为校正指数，取)：

I(x,y)＝I(x,y)^gamma。

步骤S22、计算图像横坐标和纵坐标方向的梯度，并据此计算每个像素位置的方向梯度值。图像中像素点(x,y)的梯度为：

G_x(x，y)＝H(x+1，y)-H(x-1，y)

G_y(x，y)＝H(x，y+1)-H(x，y-1)

式中G_x(x,y)，G_y(x,y)，H(x,y)分别表示输入图像中像素点(x,y)处的水平方向梯度、垂直方向梯度和像素值。像素点(x,y)处的梯度幅值G(x,y)和方向梯度α(x,y)分别为：

式中G(x,y)为该像素点(x,y)梯度幅度，α(x,y)为该像素点(x,y)方向梯度。将每个像素点的方向梯度，利用双线性内插法将其幅值累加到直方图中，即构成方向梯度直方图；

步骤S23、将图像分别划分成若干个单元格(cell)，每个单元格(cell)为6*6像素，并统计每个单元格(cell)的方向梯度直方图，即统计不同梯度的个数，形成每个单元格(cell)的描述符，再将3*3个单元格(cell)组成一个区间(block)，一个区间(block)内所有单元格(cell)的特征描述符串联起来便得到该区间(block)的方向梯度直方图(HOG)特征描述符；

步骤S24、对支持向量机(SVM)分类器进行人体正负样本训练。为了让支持向量机(SVM)得到充足的训练，需要大量的正负样本。或者直接使用OpenCV中的支持向量机(SVM)分类器，OpenCV自带分类器由法国研究人员Dalal训练得到。后者在2005年的CVPR上提出方向梯度直方图(HOG)+支持向量机(SVM)进行行人检测的方法并得到广泛应用；

步骤S25、使用经过训练的支持向量机(SVM)分类器进行检测，对每幅图像进行滑动扫描，提方向梯度直方图(HOG)特征描述符并用分类器做分类，如果检测出目标则用边框回归(Bounding Box Regression)框出；图像扫描完成后应用非极大值抑制(Non-MaximumSuppression，NMS)来消除重叠多余的目标。

S3、针对符合条件的目标区域，使用连续自适应均值漂移算法(CamShift)把运动物体标记为跟踪区域，进行运动目标跟踪。连续自适应均值漂移算法(CamShift)主要用于目标跟踪，是对均值漂移算法(MeanShift)的改进，可以在跟踪的过程中随着目标大小的变化实时调整搜索窗口大小，对于视频序列中的每一帧还是采用均值漂移算法(MeanShift)来寻找最优迭代结果；

该实施例中，步骤S3的具体流程为：

步骤S31、计算目标区域内的颜色直方图，将输入图像转换到HSV颜色空间，目标区域为初始设定的搜索窗口范围，分离出色调H分量做该区域的色调直方图计算；

步骤S32、根据获得的颜色直方图将原始输入图像转化成颜色概率分布图像，即“反向投影"。对于输入图像中的每一个像素，查询目标模型颜色直方图，对于目标区域内的像素，可得到该像素属于目标像素的概率，而对于非目标区域内的像素，该像素属于目标像素的概率为0；

步骤S33、使用均值漂移算法(MeanShift)进行迭代，查找目标中心在当前帧的位置。在颜色概率分布图中选择搜索窗口的大小和初始位置，计算搜索窗口的质心位置。

设像素点(i,j)位于搜索窗口内，I(i,j)是颜色直方图的反向投影图中该像素点对应的值，定义搜索窗口的零阶矩M₀₀和一阶矩M₁₀,M₀₁如下：

零阶矩：

一阶矩：

搜索窗口的质心：

接着调整搜索窗口中心到质心位置。

S4、对运动物体的目标特征进行提取，所述的目标特征包括目标跟踪矩形区域内切椭圆的中心点和下顶点，分别代表人体躯干的中心点和脚部点；这两个特征主要是基于OpenCV(一个计算机视觉库)的连续自适应均值漂移算法(CamShift)函数内置目标跟踪矩形结构体(CvBox2D)实现；

该实施例中，步骤S4的具体流程为：

步骤S41、目标区域的中心点和下顶点特征的计算基于连续自适应均值漂移算法(CamShift)函数求取的目标跟踪矩形结构体(CvBox2D)实现；

步骤S42、目标跟踪矩形结构体(CvBox2D)具有属性成员中心点(center)，表示目标跟踪矩形中心点坐标，也是内切椭圆中心点坐标；

步骤S43、求取跟踪矩形区域的四个顶点坐标，然后求下方两个顶点的中间点坐标，即为内接椭圆的下顶点坐标。

S5、得到人体躯干的中心点和脚部点后，计算人体的加速度、角度、高度差以及停留时间判别人体是否跌倒；加速度位于8.8m/s²和9.8m/s²之间为条件A，角度小于30为条件B，中心点center的Y轴坐标和下顶点的Y轴坐标做差的绝对值小于预设坐标阈值为条件C，当条件A满足，且条件B和C的持续时间超过预设时间阈值则判断为跌倒；

该实施例中，步骤S5的具体流程为：

步骤S51、判断加速度是否在8.8m/s²和9.8m/s²之间，如果在8.8m/s²和9.8m/s²之间，则有跌倒的可能；

步骤S52、判断角度angle是否小于30，如果小于30，则有跌倒的可能；

步骤S53、判断中心点center的Y轴坐标和下顶点的Y轴坐标之差的绝对值是否小于预设坐标阈值，如果小于预设坐标阈值，则有跌倒的可能；

本实施例中，预设坐标阈值示例性的取值为10，但该取值不构成对本发明技术方案的限制。

步骤S54、在步骤S2和步骤S53出现的情况下判断持续时间是否大于预设时间阈值，如果大于预设时间阈值，则判断为跌倒。

本实施例中，预设时间阈值示例性的取值为5秒，但该取值不构成对本发明技术方案的限制。

S6、将各帧图像的检测结果还原为视频形式输出。

上述实施例为本发明较佳的实施方式，但本发明的实施方式并不受上述实施例的限制，其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化，均应为等效的置换方式，都包含在本发明的保护范围之内。

Claims (6)

1.一种室内老人跌倒检测方法，其特征在于，所述的检测方法包括下列步骤：

S1、输入待检测的视频，提取视频的各帧图像并进行降噪、增强对比度预处理操作；

S2、对图像进行方向梯度直方图特征提取，使用滑动窗口的形式从上到下、从左到右的方式计算图像的方向梯度直方图特征；通过使用支持向量机SVM算法对样本进行训练的分类器对方向梯度直方图特征进行人体检测，若没有符合条件的目标区域，则判定为无人体存在，否则转到步骤S3；

S3、针对符合条件的目标区域，使用连续自适应均值漂移算法把运动物体标记为跟踪区域，进行运动目标跟踪；

S4、对运动物体的目标特征进行提取，所述的目标特征包括目标跟踪矩形区域内切椭圆的中心点和下顶点，分别代表人体躯干的中心点和脚部点；这两个特征主要是基于OpenCV的连续自适应均值漂移算法函数的内置目标跟踪矩形结构体CvBox2D实现；

S5、经由目标跟踪矩形结构体CvBox2D成员属性：中心点center及尺寸size计算得到人体躯干的中心点和脚部点后，计算人体的加速度、角度、高度差以及停留时间判别人体是否跌倒，其中，加速度位于8.8m/s²和9.8m/s²之间为条件A，角度小于30为条件B，中心点center的Y轴坐标和下顶点的Y轴坐标之差的绝对值小于预设坐标阈值为条件C，当条件A满足，且条件B和C的持续时间超过预设时间阈值则判断为跌倒。

2.根据权利要求1所述的一种室内老人跌倒检测方法，其特征在于，所述的步骤S2过程如下：

S21、采用Gamma校正法对输入图像标准化Gamma空间和颜色空间，其中，对位于(x,y)处的像素I(x,y)，Gamma压缩公式为：

I(x,y)＝I(x,y)^gamma

其中，gamma为校正指数；

S22、计算图像中像素点(x,y)的横坐标和纵坐标方向的梯度，并据此计算每个像素位置的方向梯度值，图像中坐标(x,y)的横坐标和纵坐标方向的梯度分别为：

G_x(x,y)＝H(x+1,y)-H(x-1,y)

G_y(x,y)＝H(x,y+1)-H(x,y-1)

式中G_x(x,y)、G_y(x,y)、H(x,y)分别表示输入图像中像素点(x,y)处的水平方向梯度、垂直方向梯度和像素值，像素点(x,y)处的梯度幅值G(x,y)和方向梯度α(x,y)分别为：

式中G(x,y)为该像素点(x,y)梯度幅度，α(x,y)为该像素点(x,y)方向梯度，将每个像素点的方向梯度，利用双线性内插法将其幅值累加到直方图中，即构成方向梯度直方图；

S23、将图像分别划分成若干个单元格cell，每个单元格cell为6*6像素，并统计每个单元格cell的方向梯度直方图，即统计不同梯度的个数，形成每个单元格cell的描述符，再将3*3个单元格cell组成一个区间block，一个区间block内所有单元格cell的特征描述符串联起来便得到该区间block的方向梯度直方图特征描述符；

S24、使用正负样本对支持向量机SVM分类器进行人体正负样本训练或者直接使用OpenCV中的支持向量机SVM分类器；

S25、使用经过训练的支持向量机SVM分类器进行检测，对每幅图像进行滑动扫描，提取方向梯度直方图特征描述符并用分类器做分类，如果检测出目标则用边框回归框出；图像扫描完成后应用非极大值抑制来消除重叠多余的目标。

3.根据权利要求1所述的一种室内老人跌倒检测方法，其特征在于，所述的步骤S3过程如下：

S31、计算目标区域内的颜色直方图，将输入图像转换到HSV颜色空间，目标区域为初始设定的搜索窗口范围，分离出色调H分量做该区域的色调直方图计算；

S32、根据获得的颜色直方图将原始输入图像转化成颜色概率分布图像，对于输入图像中的每一个像素，查询目标模型颜色直方图，对于目标区域内的像素，得到该像素属于目标像素的概率，而对于非目标区域内的像素，该像素属于目标像素的概率为0；

S33、使用均值漂移算法行迭代，查找目标中心在当前帧的位置，在颜色概率分布图中选择搜索窗口的大小和初始位置，计算搜索窗口的质心位置，接着调整搜索窗口中心到质心位置；

设像素点(i,j)位于搜索窗口内，I(i,j)是颜色直方图的反向投影图中该像素点对应的值，定义搜索窗口的零阶矩M₀₀和一阶矩M₁₀,M₀₁如下：

零阶矩：M₀₀＝∑_x∑_yI(x,y)，

一阶矩：M₁₀＝∑_x∑_yxI(x,y)，

M₀₁＝∑_x∑_yyI(x,y)；

搜索窗口的质心：

4.根据权利要求1所述的一种室内老人跌倒检测方法，其特征在于，所述的步骤S4过程如下：

S41、目标区域的中心点和下顶点特征的计算基于连续自适应均值漂移算法函数内置的目标跟踪矩形结构体CvBox2D实现；

S42、目标跟踪矩形结构体CvBox2D具有属性成员中心点center，表示目标跟踪矩形中心点坐标，也是内切椭圆中心点坐标；

S43、求取跟踪矩形区域的四个顶点坐标，然后求下方两个顶点的中间点坐标，即为内接椭圆的下顶点坐标。

5.根据权利要求1所述的一种室内老人跌倒检测方法，其特征在于，所述的步骤S5过程如下：

S51、判断加速度是否在8.8m/s²和9.8m/s²之间，如果在8.8m/s²和9.8m/s²之间，则有跌倒的可能；

S52、判断角度angle是否小于30，如果小于30，则有跌倒的可能；

S53、判断中心点center的Y轴坐标和下顶点的Y轴坐标之差的绝对值是否小于预设坐标阈值，如果小于预设坐标阈值，则有跌倒的可能；

S54、在步骤S2和步骤S53出现的情况下判断持续时间是否大于预设时间阈值，如果大于预设时间阈值，则判断为跌倒。

6.根据权利要求1所述的一种室内老人跌倒检测方法，其特征在于，所述的跌倒检测方法在步骤S5中判断为跌倒之后，还包括：

S6、将各帧图像的检测结果还原为视频形式输出。