一种室内老人跌倒检测方法技术

本发明专利技术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。本发明专利技术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。

A Fall Detection Method for Indoor Elderly

The invention discloses an indoor elderly fall detection method, which aims to provide a solution for indoor elderly abnormal behavior detection and alarm, including the following steps: obtaining a frame in video data, preprocessing for noise reduction and contrast enhancement, calculating image direction gradient histogram features, and using SVM classifier to realize human detection to determine whether or not the human body is included; When the image contains human body, the target tracking algorithm is used to track the human body area; the tangent ellipse in the rectangular area is used to represent the body characteristics; the center point and the lower vertex of the tangent ellipse represent the center and foot of the human body respectively. The acceleration, angle, height difference and residence time of the two feature points are calculated to determine whether the elderly fall or not. Compared with the traditional recognition method based on acceleration sensor or bone sensor Kinect, the invention has lower installation cost and higher recognition accuracy than the traditional discrimination method based on the length-width ratio of human body contour.

【技术实现步骤摘要】
一种室内老人跌倒检测方法
本专利技术涉及视频分析与识别
，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。
技术介绍
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-mechanicalsystem，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(Knearestneighbor，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。
技术实现思路
本专利技术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。本专利技术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：Gx(x，y)＝H(x+1，y)-H(x-1，y)Gy(x，y)＝H(x，y+1)-H(x，y-1)式中Gx(x，y)、Gy(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(BoundingBoxRegression)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9.8本文档来自技高网...

【技术保护点】
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/s

【技术特征摘要】
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：Gx(x,y)＝H(x+1,y)-H(x-1,y)Gy(x,y)＝H(x,y+1)-H(x,y-1)式中Gx(x,y)、Gy(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b...

【专利技术属性】
技术研发人员：曾凌峰，贺小勇，余卫宇，
申请(专利权)人：华南理工大学，广州飞宇智能科技有限公司，
类型：发明
国别省市：广东,44