CN113128330A - 一种人体跌倒监控系统 - Google Patents
一种人体跌倒监控系统 Download PDFInfo
- Publication number
- CN113128330A CN113128330A CN202110224425.0A CN202110224425A CN113128330A CN 113128330 A CN113128330 A CN 113128330A CN 202110224425 A CN202110224425 A CN 202110224425A CN 113128330 A CN113128330 A CN 113128330A
- Authority
- CN
- China
- Prior art keywords
- human body
- height
- processing module
- monitoring
- monitoring system
- 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.)
- Pending
Links
- 238000012544 monitoring process Methods 0.000 title claims abstract description 69
- 238000000034 method Methods 0.000 claims abstract description 16
- 230000008569 process Effects 0.000 claims abstract description 7
- 230000009466 transformation Effects 0.000 claims description 8
- 238000010801 machine learning Methods 0.000 claims description 5
- 230000011218 segmentation Effects 0.000 claims description 4
- 238000009499 grossing Methods 0.000 claims description 3
- 230000000875 corresponding effect Effects 0.000 description 4
- 238000001514 detection method Methods 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 230000008030 elimination Effects 0.000 description 2
- 238000003379 elimination reaction Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000007599 discharging Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000474 nursing effect Effects 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/66—Analysis of geometric attributes of image moments or centre of gravity
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
- G08B21/02—Alarms for ensuring the safety of persons
- G08B21/04—Alarms for ensuring the safety of persons responsive to non-activity, e.g. of elderly persons
- G08B21/0407—Alarms for ensuring the safety of persons responsive to non-activity, e.g. of elderly persons based on behaviour analysis
- G08B21/043—Alarms for ensuring the safety of persons responsive to non-activity, e.g. of elderly persons based on behaviour analysis detecting an emergency event, e.g. a fall
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
- G08B21/02—Alarms for ensuring the safety of persons
- G08B21/04—Alarms for ensuring the safety of persons responsive to non-activity, e.g. of elderly persons
- G08B21/0438—Sensor means for detecting
- G08B21/0476—Cameras to detect unsafe condition, e.g. video cameras
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Gerontology & Geriatric Medicine (AREA)
- Emergency Management (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Human Computer Interaction (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Geometry (AREA)
- Psychiatry (AREA)
- Psychology (AREA)
- Social Psychology (AREA)
- Alarm Systems (AREA)
- Emergency Alarm Devices (AREA)
Abstract
本发明公开了一种人体跌倒监控系统，包括深度摄像设备以及处理模块，所述深度摄像设备用于获取监控区域内的图像信息并向所述处理模块实时发送图像信息，所述处理模块对图像信息进行分析处理以判断监控区域内是否发生人体跌倒事件。本发明利用深度摄像设备进行监控，利用深度摄像设备的特性可辅助处理模块更准确地判断监控区域内是否发生人体跌倒事件，实现自动化监控。
Description
技术领域
本发明涉及监控系统技术领域，尤其涉及一种人体跌倒监控系统。
背景技术
对于老人或伤者等特殊人群一旦发生跌倒意外将会有可能造成较严重的伤害，需要进行及时的救助等措施。对于部分护理人员较少的老人或医院等场所，难以做到对每个老人和病人进行实时的跟踪和监控，一旦发生跌倒意外，往往难以及时发现，使后果进一步恶化。
为了解决以上问题，目前有部分监控系统具有人体跌倒监控的功能可识别监控区域内是否存在人体跌倒。例如公开号为CN111134685A的发明专利公开了一种跌倒检测方法和装置，该技术使用微波雷达来评估跌倒现象，具体包括包括（1）根据雷达的发射角度与反射回来的相差评估人的位置，并认为人在跌倒时在 X-Y 平面呈现类似直线形状（2）利用雷达发射角度与反射时间，换算获取反射点的 xyz 坐标，计算反射点的平均高度，根据高度评估人跌倒（3）利用雷达发射角度与反射，换算获取反射点的 xyz 坐标，再根据数帧的xyz 差距求取 z 速度（径向速度），认为人在跌倒时径向速度会加速。（4）认为人在跌倒时反射面会减少，使用雷达反射点数量来代表强度判断人的跌倒。
然而该专利存在以下不足：没针对人体的识别功能可能受其他外在物的干扰，例如多个人在场或多移动物体 2，流程复杂导致鲁棒性不足，例如长者跌倒时很可能是坐在地上起不了身而非完全躺倒。
发明内容
本发明的目的在于克服现有技术的不足，提供一种技术新颖可靠、可实时监控人体跌倒从而使相关人员可及时作出相应以及对跌落人员进行救助的人体跌倒监控系统。
为了实现以上目的，本发明所采用的技术方案是：
一种人体跌倒监控系统，包括深度摄像设备以及处理模块，所述深度摄像设备用于获取监控区域内的图像信息并向所述处理模块实时发送图像信息，所述处理模块对图像信息进行分析处理以判断监控区域内是否发生人体跌倒事件。
本发明有有益效果是：本发明利用深度摄像设备进行监控，利用深度摄像设备的特性可辅助处理模块更准确地判断监控区域内是否发生人体跌倒事件，实现自动化监控。
优选地，还包括有警报模块，当所述处理模块判断监控区域内发生人体跌倒事件后，通过所述警报模块发出警报。利用警报模块向相关人员发出警报以便于相关人员可及时了解监控区域内的情况并作出相关的相应措施，减少人体跌倒事故造成的消极影响。
优选地，还包括有终端设备，当所述处理模块判断监控区域内发生人体跌倒事件后，对人体跌倒事件发生时的画面图像进行保存记录并以图片或视频的形式发送至终端设备。通过保存的图片或视频可便于相关工作人员快速翻查跌倒事件发生时的相关情况，此外工作人员还可通过保存的图片或视频可判断处理模块对于人体跌倒的判断结果是否出错，以便于收集误报信息，反馈给系统提供商。
优选地，所述处理模块判断监控区域内是否发生人体跌倒事件的方法包括以下步骤：
a.根据监控画面判断监控区域内是否存在一个或多个人体目标；
b.对监控画面内各人体目标进行像素级分割；
c.建立相机与室内坐标系，对人体目标的像素进行坐标变换以获得各像素在室内坐标系中的坐标位置从而计算各人体目标在当前帧的高度；
d.重复上述步骤a~c获得N个连续帧中各人体目标的高度；
e. 根据N个连续帧的各人体目标高度，换算出平均高度作为各人体目标的质心高度，当所有人体目标的质心高度高于一定阈值则则判断监控区域内未发生人体跌倒事件，若存在某一个人体目标的质心高度低于预设阈值，则判断监控区域内发生人体跌倒事件；或根据步骤c获得各人体目标的像素及像素的坐标，使用该像素可以换算各个人体目标的高度直方图，若该高度直方图符合人体跌倒机器学习模型的跌倒分布则判断监控区域内发生人体跌倒事件。
本发明利用深度摄像设备的特性配合构建的相机坐标系使处理模块可判断监控画面中各人体目标的高度，当发生人体跌倒事件时，人体目标在坐标系内的高度会减小从而超过预定的阈值，其原理也符合人体跌倒时出现的普遍情况，因此其识别的准确率高；此外再与人体跌倒模型预测的结果进行比对可进一步提高准确率，提高监控系统的可靠性。
优选地，所述步骤c中，进行坐标变换后，根据各像素的高度信息对离群或高度不合理的人体目标像素予以排出。对于同一人体目标，其在监控画面内对应的像素必然会呈连续分布或仅存在较小的偏差，因此在执行步骤c时对异常的像素进行排除可有利于提高识别准确率。
优选地，所述步骤c中，进行坐标变换后，对各人体目标的像素进行平滑化处理。
优选地，所述深度摄像设备为rgbd 深度摄像机或双目摄像机。
附图说明
图1为本发明中识别人体跌倒的算法流程图。
图2为本发明中识别人体跌倒后的处理流程图。
具体实施方式
现结合附图和具体实施例对本发明所要求保护的技术方案作进一步详细说明。
本实施例中的一种人体跌倒监控系统，包括深度摄像设备、处理模块、警报模块和终端设备。
在本实施例中，所述深度摄像设备为双目摄像机，在其它的实施例中双目摄像机可替换为rgbd 深度摄像机，相对而言双目深度摄像机成本更低而且能很好的适应室外环境，添加红外补光灯等相关设备后能适应夜晚没灯光下的跌倒检测。
所述深度摄像设备用于获取监控区域内的图像信息并向所述处理模块实时发送图像信息，所述处理模块对图像信息进行分析处理以判断监控区域内是否发生人体跌倒事件，处理模块判断监控区域内发生人体跌倒事件后，通过所述警报模块发出警报，当所述处理模块判断监控区域内发生人体跌倒事件后，对人体跌倒事件发生时的画面图像进行保存记录并以图片或视频的形式发送至终端设备。
参见图1所示，在本实施例中处理模块判断监控区域内是否发生人体跌倒事件的方法包括以下步骤：
a.根据监控画面判断监控区域内是否存在一个或多个人体目标，在本实施例中可利用图形识别技术对画面中的人体目标进行识别。
b.对监控画面内各人体目标进行像素级分割。
c.建立相机与室内坐标系，对人体目标的像素进行坐标变换以获得各像素在室内坐标系中的坐标位置从而计算各人体目标在当前帧的高度，更进一步地进行坐标变换后，根据各像素的高度信息对离群或高度不合理的人体目标像素予以排出并对各人体目标的像素进行平滑化处理。对于同一人体目标，其在监控画面内对应的像素必然会呈连续分布或仅存在较小的偏差，因此在执行步骤c时对异常的像素进行排除可有利于提高识别准确率，具体例如：当人的质心高度高于 0.6 可以直接认为人处于直立状态;当人的质心高度低于 0.3 可以认为人处于躺倒状态;在当人的质心高度介乎 0.3-0.6 之间时可能有多种可能，例如睡在较矮的床上，坐在很低椅子上，坐在地上，这种情况需要根据高度分布结合基于机器学习的人体跌倒模型来判断人是否跌倒，如睡在床上时近地高度的分布一般为0，坐在椅子上近地高度的分布很小，坐倒地上时近地高度的分布很高，以此还能区分出是长者倒地还是只是站立的小孩子。
d.重复上述步骤a~c获得N个连续帧中各人体目标的高度。
e. 根据N个连续帧的各人体目标高度，换算出平均高度作为各人体目标的质心高度，当所有人体目标的质心高度高于预设阈值则则判断监控区域内未发生人体跌倒事件。若存在某一个人体目标的质心高度低于预设阈值，则判断监控区域内发生人体跌倒事件在本实施例中为了提高监控结果的准确率，可在初次识别到人体跌倒后在多个后续的连续帧中执行步骤e，当多次执行获得的结果仍符合人体跌倒则系统正式判定监控区域内发生人体跌倒，否则可视乎系统灵敏度对结果进行忽略或仍按人体跌倒的结果处理。当人体目标的质心高度处于两个预设阈值间，例如c步骤所描述的0.3-0.6之间时，则需要根据步骤c获得各人体目标的像素及像素的坐标，并使用该像素以换算各个人体目标的高度直方图，若该高度直方图符合人体跌倒机器学习模型的跌倒分布则判断监控区域内发生人体跌倒事件。
在本实施例中人体跌倒模型可通过以下方式获取：使用深度学习实例分割算法（深度学习方法）以及目标检测方面算法获取人的像素级别位置信息，使用相机坐标标定以及坐标空间换算获取人的高度分布信息，再使用传统的机器学习方法（随机森林方法）从人的高度信息以及高度分布来判断人的状态。当发生人体跌倒事件时，人体目标在坐标系内的高度会减小从而超过预定的阈值，其原理也符合人体跌倒时出现的普遍情况，因此其识别的准确率高；此外再与人体跌倒模型预测的结果进行比对可进一步提高准确率，提高监控系统的可靠性。
参见图2所示，当所述处理模块判断监控区域内发生人体跌倒事件后，通过所述警报模块发出警报，利用警报模块向相关人员发出警报以便于相关人员可及时了解监控区域内的情况并作出相关的相应措施，减少人体跌倒事故造成的消极影响。同时对人体跌倒事件发生时的画面图像进行保存记录并以图片或视频的形式发送至终端设备通过保存的图片或视频可便于相关工作人员快速翻查跌倒事件发生时的相关情况，此外工作人员还可通过保存的图片或视频可判断处理模块对于人体跌倒的判断结果是否出错，以便于收集报错反馈结果，当工作人员通过图片或视频确认发生跌倒事故后执行相关的相应措施。
在本实施例中处理模块可嵌合至服务器或终端设备中，同样地警报模块也可嵌合至终端设备内。在本实施例中终端设备包括电脑、智能手机、智能平板设备等。对于智能手机、智能平板设备等可移动的终端设备，警报模块可以推送消息的方式发送警报，此外警报模块还包括用于播放警报信息的扬声器设备或警示灯等与终端设备独立的设备。在本实施例中为了保障私隐，还可根据部分隐私场合需要，可以只发送检测结果或对监控画面进行打码操作。
以上所述之实施例仅为本发明的较佳实施例，并非对本发明做任何形式上的限制。任何熟悉本领域的技术人员，在不脱离本发明技术方案范围情况下，都可利用上述揭示的技术内容对本发明技术方案作出更多可能的变动和润饰，或修改为等同变化的等效实施例。故凡未脱离本发明技术方案的内容，依据本发明之思路所作的等同等效变化，均应涵盖于本发明的保护范围内。
Claims (7)
1.一种人体跌倒监控系统，其特征在于：包括深度摄像设备以及处理模块，所述深度摄像设备用于获取监控区域内的图像信息并向所述处理模块实时发送图像信息，所述处理模块对图像信息进行分析处理以判断监控区域内是否发生人体跌倒事件。
2.根据权利要求1所述的一种人体跌倒监控系统，其特征在于：还包括有警报模块，当所述处理模块判断监控区域内发生人体跌倒事件后，通过所述警报模块发出警报。
3.根据权利要求1或2所述的一种人体跌倒监控系统，其特征在于：还包括有终端设备，当所述处理模块判断监控区域内发生人体跌倒事件后，对人体跌倒事件发生时的画面图像进行保存记录并以图片或视频的形式发送至终端设备。
4.根据权利要求1所述的一种人体跌倒监控系统，其特征在于：所述处理模块判断监控区域内是否发生人体跌倒事件的方法包括以下步骤：
a.根据监控画面判断监控区域内是否存在一个或多个人体目标；
b.对监控画面内各人体目标进行像素级分割；
c.建立相机与室内坐标系，对人体目标的像素进行坐标变换以获得各像素在室内坐标系中的坐标位置从而计算各人体目标在当前帧的高度；
d.重复上述步骤a~c获得N个连续帧中各人体目标的高度；
e. 根据N个连续帧的各人体目标高度，换算出平均高度作为各人体目标的质心高度，当所有人体目标的质心高度高于一定阈值则则判断监控区域内未发生人体跌倒事件，若存在某一个人体目标的质心高度低于预设阈值，则判断监控区域内发生人体跌倒事件；或根据步骤c获得各人体目标的像素及像素的坐标，使用该像素可以换算各个人体目标的高度直方图，若该高度直方图符合人体跌倒机器学习模型的跌倒分布则判断监控区域内发生人体跌倒事件。
5.根据权利要求4所述的一种人体跌倒监控系统，其特征在于：所述步骤c中，进行坐标变换后，根据各像素的高度信息对离群或高度不合理的人体目标像素予以排出。
6.根据权利要求4所述的一种人体跌倒监控系统，其特征在于：所述步骤c中，进行坐标变换后，对各人体目标的像素进行平滑化处理。
7.根据权利要求1所述的一种人体跌倒监控系统，其特征在于：所述深度摄像设备为rgbd 深度摄像机或双目摄像机。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110224425.0A CN113128330A (zh) | 2021-03-01 | 2021-03-01 | 一种人体跌倒监控系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110224425.0A CN113128330A (zh) | 2021-03-01 | 2021-03-01 | 一种人体跌倒监控系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113128330A true CN113128330A (zh) | 2021-07-16 |
Family
ID=76772342
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110224425.0A Pending CN113128330A (zh) | 2021-03-01 | 2021-03-01 | 一种人体跌倒监控系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113128330A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117636404A (zh) * | 2024-01-26 | 2024-03-01 | 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 |
-
2021
- 2021-03-01 CN CN202110224425.0A patent/CN113128330A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117636404A (zh) * | 2024-01-26 | 2024-03-01 | 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 |
| 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 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106027978B (zh) | 一种智能家居养老的视频监控异常行为方法 | |
| US8508372B2 (en) | Method and system for fall detection | |
| KR101593187B1 (ko) | 3차원 영상 정보를 이용한 이상 행동 감시 장치 및 방법 | |
| US7868772B2 (en) | Flame detecting method and device | |
| CN108389359B (zh) | 一种基于深度学习的城市火灾报警方法 | |
| US20230005176A1 (en) | Throwing position acquisition method and apparatus, computer device and storage medium | |
| Yang et al. | Fall detection for multiple pedestrians using depth image processing technique | |
| WO2019089441A1 (en) | Exclusion zone in video analytics | |
| JPWO2015133195A1 (ja) | 情報処理装置、情報処理方法、及び、プログラム | |
| CN111047827B (zh) | 环境辅助生活的智能监控方法及系统 | |
| CN106251363A (zh) | 一种智慧金睛识别人流人数统计方法和装置 | |
| KR20140110484A (ko) | 영상정보를 이용한 위험 행동 검지방법 | |
| CN114469076A (zh) | 一种融合身份特征的独居老人跌倒识别方法及系统 | |
| CN112183219A (zh) | 一种基于人脸识别的公共安全视频监测方法及系统 | |
| EP2000998A2 (en) | Flame detecting method and device | |
| CN113128330A (zh) | 一种人体跌倒监控系统 | |
| CN108960131A (zh) | 机械式车库防人误入检测方法 | |
| CN108737785A (zh) | 基于tof 3d摄像机的室内跌倒自动检测系统 | |
| CN117132949B (zh) | 一种基于深度学习的全天候跌倒检测方法 | |
| CN114170295A (zh) | 一种基于混合视觉的高空抛物检测方法及装置 | |
| CN112784759A (zh) | 一种基于人工智能相似度比对的电梯人感识别方法 | |
| US20230172489A1 (en) | Method And A System For Monitoring A Subject | |
| CN108846996B (zh) | 一种摔倒侦测系统及方法 | |
| US20230230465A1 (en) | Computer vision system and methods for anomalous event detection | |
| CN115731563A (zh) | 一种远距离监控人员倒地识别方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| WD01 | Invention patent application deemed withdrawn after publication | ||
| WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20210716 |