CN111080967A - 基于热红外图像信息的居家老人摔倒行为识别与报警系统 - Google Patents

Abstract

本发明涉及一种基于热红外图像信息的居家老人摔倒行为识别与报警系统。其基于热红外传感信息的图像处理与模式识别技术手段，实现居家老人摔倒行为识别与报警。采用步骤为：1）热红外信息传感器对预定区域进行实时图像采集，将老人的行为姿态分为非摔倒姿态和摔倒姿态；2）对热红外图像进行归一化与中值滤波降噪，使用HOG特征对图像特征进行提取，并使用PCA对HOG特征进行降维，得到PCA‑HOG特征；3）运用支持向量机分类器算法，建立老人身体姿态PCA‑HOG特征的人体姿态分类器模型；4）SVM分类器若将测试样本判别为摔倒姿态，系统将摄像设备切换为可见光摄像头，以RGB图像的形式对摔倒现场场景进行拍照；5）通过无线通信传输技术，将RGB图像发送至看护人手机APP。

Description

基于热红外图像信息的居家老人摔倒行为识别与报警系统

技术领域

本发明涉及老人防护医疗器械技术领域，具体涉及一种基于热红外图像信息的居家老人摔倒行为识别与报警系统。

背景技术

随着全球人口老龄化程度的加剧，老人的健康关怀成为全社会普遍关注的热点问题之一。截止2018年，我国60岁以上老年人口2.4亿人，达17.3％；据中国老龄产业发展报告指出，预计到2053年，我国老年人口将增长到4.87亿人。老龄人口的快速增长，使得老龄人的医疗健康成为社会关注的主要问题之一。

据《关于老龄化与健康的全球报告》公布：在影响老人身心健康的问题中，由意外摔倒引起的老人身体伤害所占的比率最高，约占所有意外或非意外死亡比例的13％–50％。如果老人在家中意外摔倒时得不到及时救助，极容易造成不可挽回的伤害。

目前市场上也有很多老人防摔的检测方法，例如可见光视频的人体摔倒检测方法、穿戴式设备的检测方法和非接触式传感器的摔倒行为检测方法，但是这3种检测方法分别存在以下优缺点：

可见光视频的人体摔倒检测方法实时性好，算法简单，但是受外界干扰噪声影响较大，无法实施全天候的检测，且隐私完全暴露；

基于穿戴式设备的检测方法较容易实现传感器数据的实时采集，行为模式的漏检率较低，但误检率较高，因穿戴式设备需要随身携带，此类方法会给老龄人群的正常生活带来很大的不便；

基于非接触式传感器的摔倒行为检测，Lindeman等人将加速传感器集成到助听器外壳中，通过记录头部与地面接触之前的速度并与设定的阈值进行比较来实现摔倒的自动检测；Rimminen等人在地板下设置薄电矩阵检测人体的位置和模式，再通过贝叶斯滤波器估计人体的姿态以实现摔倒的检测；Miaou等人通过基于可见光分析人体轮廓的长宽比进行人体摔倒检测，此类方法对正常起居生活干扰较小，但检测结果易受到外部噪音干扰，导致误检率较高。

发明内容

有鉴于此，本发明提供一种基于热红外图像信息的居家老人摔倒行为识别与报警系统，其基于热红外传感信息的图像处理与模式识别技术手段，实现居家老人摔倒行为识别与报警。

为解决现有技术存在的问题，本发明的技术方案是：一种基于热红外图像信息的居家老人摔倒行为识别与报警方法步骤为：

步骤1:热红外信息传感器对预定区域进行实时图像采集，将老人的行为姿态分为两大类，第一类为非摔倒姿态，第二类为摔倒姿态；

步骤2:对热红外图像进行归一化与中值滤波降噪，使用HOG特征对图像特征进行提取，并使用PCA对HOG特征进行降维，得到PCA-HOG特征；

步骤3:运用支持向量机(SVM)分类器算法，建立老人身体姿态PCA-HOG特征的人体姿态分类器模型，模型的训练样本分为两类：摔倒姿态为正样本集，非摔倒姿态为负样本集；

步骤4:SVM分类器若将测试样本判别为摔倒姿态，系统将摄像设备切换为可见光摄像头，以RGB图像的形式对摔倒现场场景进行拍照；

步骤5:通过无线通信传输技术，将RGB图像发送至看护人手机APP，实现风险报警。

与现有技术相比，本发明的优点如下：

1)基于热红外信息的看护系统通过接收人体红外辐射完成行为特征捕捉，仅能够提取温度较高物体的轮廓信息，不会采集到人的表情、动作以及居家生活中的细节信息，与传统可见光监控设备相比，具有隐私保护的显著优势；

2)传统可见光摄像头所采集的图像信息对光照条件依赖严重，光照条件差的情况下无法实现目标识别；而发明采用热红外摄像头通过接收人体红外辐射实现行为特征数据的采集，不依赖于可见光照明条件，因此可以实现24小时全天候的正常工作；热红外摄像头还可以有效提取温度较高物体的轮廓信息，因此室内背景、前方遮挡等干扰因素不影响人体的热红外图像信息的提取与识别，能够保证较高的行为识别率；热红外视频图像的检测召回率为98.23％，准确率为80％；

3)本发明各硬件模块均可以在市场中购置，价格适中，成本可控；

4)热红外图像用于检测，RGB图像用于现场证据采集与传输，双模式图像切换可兼顾目标的识别率与人机的直接交互，能够提高产品在市场应用的普适性和用户满意度。

5)本发明中值滤波降噪过程采用非线性的方法，在平滑脉冲噪声方面非常有效，同时可以保护图像尖锐的边缘，选择适当的点来替代污染点的值，处理效果好。

附图说明：

图1为本发明流程图；

图2为老人行为姿态分类图；

图3为被动式热红外摄像头工作原理；

图4为双线性插值法原理及图像归一化比较示意图；

图5为HOG算法图；

图6为距离计算示意图；

图7为人体摔倒特征的决策识别流程图；

图8为部分正样本示例；

图9为部分负样本示例；

图10为部分实验结果；

图11为无线收发模块流程图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

本实施例提供一种基于热红外图像信息的居家老人摔倒行为识别与报警方法，步骤为：

一、热红外信息传感器对预定区域进行实时图像采集，将老人的行为姿态分为两大类，第一类为非摔倒姿态，第二类为摔倒姿态，

热红外信息采集采用热红外摄像头，热红外摄像头原理及参数：

本发明选用被动式热红外摄像头采集人体行为数据，被动式红外摄像头的工作原理是物体发出的红外辐射经由光谱滤波和光学扫描后，在光敏元件上汇聚。将水平扫描器和垂直扫描器扫描后的物体图像反映到红外探测器上，由探测器将红外辐射能转换成电信号，经放大处理、转换成标准视频信号，通过电视屏或监测器显示热红外图像，如图3所示。

摔倒行为识别算法：

预处理

将热红外图像尺寸统一归一化为128*64像素大小。

常用的尺寸变化的算法有：最近邻域插值法、双线性插值法和立方卷积插值法等；双线性插值有更好的折中的插值效果和运算速度，故发明采用双线性插值算法，具体实现步骤如下，如图4所示：

Step1：在x方向线性插值得到I(R₁)、I(R₂)；

R₁＝(x，y₁)

R₁＝(x，y₂)

Step2：在y方向上再次线性插值得到P点(x，y)的灰度值I(P)；

图像滤波处理

图像在采集过程中会存在各种噪声的干扰，在对图像做平滑处理时，采用中值滤波处理方法。具体实现步骤如下：

1)在图像中任取点(x，y)为中心点，取出一个m×m大小像素的邻域；

2)令一组序列,[x_i1，x_i2，...x_ij](i，j＝m，m),表示该邻域内所有像素点的像素值，将这些像素值从大到小进行排列；将中值赋值给中心点。

二、对热红外图像进行归一化与中值滤波降噪，使用HOG特征对图像特征进行提取，并使用PCA对HOG特征进行降维，得到PCA-HOG特征；

(1)HOG特征，如图5所示，

HOG通过获取图像边缘的梯度方向特性，同时引入梯度强度权重来建立梯度方向直方图来描述目标的外观和形状；将预处理后的图像面积区域提取HOG特征，HOG特征提取采用主要8×8像素单元划分窗口形成105个块、(-1，0，1)和(-1，0，1)T滤波器、在0°～180°梯度方向均分为9个通道，形成了3780维HOG特征向量。

(2)基于主成分分析(PCA)的HOG特征降维

高维HOG特征向量存在冗余信息，会降低算法的运行效率甚至降低识别精度，采用主成分分析(Principal Component Analysis,PCA)算法对HOG特征向量进行降维，PCA是通过对原样本空间进行空间变换，将原坐标系统投影至维度更低、且相互正交的特征空间上，以期达到降维目的；设人体摔倒部分训练样本的HOG特征组成m维向量X_m＝{x₁，x₂，...，x_m}，从m维空间向n维空间进行映射(m＞n)，则新的HOG特征主成份向量Y_n可定义为线性变换：

Y_n＝W^TX_m

式中：W为m×n正交矩阵。

则可构造线性变换：

W′＝argmax|W^TS_TW|

式中：W′为m维HOG特征空间散点集所对应的n维最大特征向量，即系统所需的PCA-HOG特征向量，其中向量维数n由试验确定；S_T为样本散点矩阵；x_k为第k个人体摔倒样本的HOG特征值；μ为样本的HOG特征均值。

三、运用支持向量机(SVM)分类器算法，建立老人身体姿态PCA-HOG特征的人体姿态分类器模型，模型的训练样本分为两类：摔倒姿态为正样本集，非摔倒姿态为负样本集；

SVM分类决策

采用SVM分类器建立人体摔倒识别模型，对数据样本进行二分类主要步骤如下：

1)数据标签定义，将经过PCA-HOG特征后的数据进行二分类标签标记，

X＝{X_I，...，X_N}，y＝{y_I，...y_nj

式中：X为每个样本所包含的特征并由此构成特征空间(feature space)：

X_i＝[x_I，...x_n]∈x

Y为学习目标为二元变量y∈{-1，1}

分别表示负类(negative class)和正类(positive class)

2)距离计算，计算样本距平面的距离，如图6所示：

W^TX′＝-b，W^TX＝-b (1)

W⊥hyperplane：W^T(X″-X)＝0 (2)

Distance ＝ project(X-X′)⊥hyperplane (3)

根据(1)(2)(3)可得

3)优化目标，得出目标函数，并通过拉格朗日乘子法得出：

4)对w,b求偏导和极值：

5)将4)求解带入原式求解min L(w，b，a)，完成对SVM求解。

四、SVM分类器若将测试样本判别为摔倒姿态，系统将摄像设备切换为可见光摄像头，以RGB图像的形式对摔倒现场场景进行拍照；

本实施例共拍摄正样本视频14部，负样本视频11部，正样本采用5种常见的摔倒形式，样本容量为4，共分解成1610张正样本图片，部分正样本如图8所示；951张负样本图片，部分负样本如图9所示；将其按20％划分为测试集与训练集，通过训练，模型的召回率达到98.23％、准确率达到80％；样本试验过程帧率截图如图10所示。

五、通过无线通信传输技术，将RGB图像发送至看护人手机APP，实现风险报警。

1)通过可见光摄像头采集到现场图片，将图片信息传输至中央处理器。

2)中央处理器数模转换芯片将模拟信号转化为数字信号，并通过WiFi传输模块和GPRS模块将图像和信息发送到服务器。

3)通过服务器将图像和信息发送至用户终端。

同时，用户终端可发出控制指令，WiFi模块接收到控制指令后传输给中央处理器，经过处理后，实现对摄像头的控制，可以实时查看摄像头所能采集到的信息范围，如图11所示。

以上所述仅是本发明的优选实施例，并非用于限定本发明的保护范围，应当指出，对本技术领域的普通技术人员在不脱离本发明原理的前提下，对其进行若干改进与润饰，均应视为本发明的保护范围。

Claims (1)

1.一种基于热红外图像信息的居家老人摔倒行为识别与报警方法，其特征在于：所述方法步骤为：

步骤1:热红外信息传感器对预定区域进行实时图像采集，将老人的行为姿态分为两大类，第一类为非摔倒姿态，第二类为摔倒姿态；

步骤2:对热红外图像进行归一化与中值滤波降噪，使用HOG特征对图像特征进行提取，并使用PCA对HOG特征进行降维，得到PCA-HOG特征；

步骤3:运用支持向量机（SVM）分类器算法，建立老人身体姿态PCA-HOG特征的人体姿态分类器模型，模型的训练样本分为两类：摔倒姿态为正样本集，非摔倒姿态为负样本集；

步骤4: SVM分类器若将测试样本判别为摔倒姿态，系统将摄像设备切换为可见光摄像头，以RGB图像的形式对摔倒现场场景进行拍照；

步骤5:通过无线通信传输技术，将RGB图像发送至看护人手机APP，实现风险报警。

Images