基于立体视觉的自动人体跌倒识别方法及系统技术方案

本发明专利技术公开了一种基于立体视觉的自动人体跌倒识别方法，所述方法包括如下步骤：步骤一，通过立体视觉摄像头，采集识别对象动作的深度图像和3D空间图像；步骤二，从所述深度图像和3D空间图像中提取人体轮廓的曲率空间特征；步骤三，从所述人体轮廓的曲率空间特征中分析并构建CSS特征图；步骤四，使用词包CSS模型(BoWCSS)来创建了一种一致性的动作表示方法；步骤五，使用极限学习机(ELM)来对所有的词包CSS模型进行分类，用以区分跌倒动作和其它动作。相应地，本发明专利技术还提供了一种基于立体视觉的自动人体跌倒识别系统。本发明专利技术可以在降低摄像头安装成本和复杂性的条件下，提高人体跌倒识别的准确率。

【技术实现步骤摘要】

本专利技术涉及计算机视觉处理
，特别是涉及一种基于立体视觉的自动人体 跌倒识别方法及系统。
技术介绍
已有的基于视觉传感器的人体跌倒系统是通过一个或多个视频摄像头捕捉人体 运动的画面，经过各自的图像处理算法，验证是否存在跌倒特征的图像，从而识别出人体跌 倒的发生。已有的人体跌倒识别技术通常基于以下几种方案：单摄像头系统和多摄像头系 统。单摄像头系统通常依赖于从轮廓中提取出来的图像空间特征，比如边界盒子纵横比。多 摄像头系统并不单单依靠这些抽象特征，比如这种系统可以判定从多重投影中构造出的三 维物体的速率。 但是，上述两种传统的技术有很多的限制。例如，上述识别方法都是要先获取人体 轮廓，然后提取出轮廓特征，用该特征对分类器进行训练。但是，提取人体轮廓特征时，由于 需要用混合高斯模型对环境背景建模，然后用背景加法获取人体前景图像，这种方法由于 光照和场景的变化通常得不到理想的效果。另外人体跌倒识别的关键点是特征的选择，由 于人体姿态的多样性，这些方法用到的边界盒子纵横比等特征受到了严重的现在，因此寻 找适合人体动作的特征也极其重要。最后，在多个摄像头系统中，最复杂的任务往往变成了 安装和校准摄像头，保证他们在相同的参考系中，这种任务开销随着系统的复杂性而大大 增加。 基于以上这些缺陷和限制，本专利技术提出了一种基于立体视觉摄像头的人体跌倒识 别技术。
技术实现思路
本专利技术的目的是针对现有技术中存在的由于实现技术受限于摄像头缺陷影响、单 摄像头系统提取准确的图像特征十分困难、多摄像头系统安装和配置起来十分的复杂，而 且随着外界环境的变化，比如光线的强弱变化，对这些系统的影响很大等，导致这些已有的 系统在现实中很难被应用的问题，而提供一种基于立体视觉的自动人体跌倒识别方法及系 统 为实现本专利技术的目的，本专利技术提供了一种基于立体视觉的自动人体跌倒识别方 法，所述方法包括如下步骤： 步骤一，通过立体视觉摄像头，采集识别对象动作的深度图像和3D空间图像； 步骤二，从所述深度图像和3D空间图像中提取人体轮廓的曲率空间特征； 步骤三，从所述人体轮廓的曲率空间特征中分析并构建CSS特征图； 步骤四，使用词包CSS模型（BoWCSS)来创建了一种一致性的动作表示方法； 步骤五，使用极限学习机（ELM)来对所有的词包CSS模型进行分类，用以区分跌倒 动作和其它动作。 相应地，本专利技术还提供了一种基于立体视觉的自动人体跌倒识别系统，包括图像 采集装置和数据处理装置， 所述图像采集装置为立体视觉景深摄像头，其用于采集识别对象动作的深度图像 和3D空间图像； 所述数据处理装置包括人体轮廓的曲率空间特征提取模块、构建CSS特征图模 块、动作表示方法创建模块、ELM分类模块， 所述人体轮廓的曲率空间特征提取模块用于从所述深度图像和3D空间图像中提 取人体轮廓的曲率空间特征； 所述构建CSS特征图模块用于从所述人体轮廓的曲率空间特征中分析并构建CSS 特征图； 所述动作表示方法创建模块用于使用词包CSS模型（BoWCSS)来创建了一种一致 性的动作表示方法； 所述ELM分类模块用于使用极限学习机（ELM)来对所有的词包CSS模型进行分 类，用以区分跌倒动作和其它动作。 与现有技术相比，本专利技术可以在降低摄像头安装成本和复杂性的条件下，提高人 体跌倒识别的准确率。【附图说明】 图1为本专利技术方法第一流程图；图2为本专利技术系统模块图； 图3为本专利技术方法第二流程图；【具体实施方式】 以下结合附图和具体实施例对本专利技术作进一步详细说明。应当理解，此处所描述 的具体实施例仅仅用以解释本专利技术，并不用于限定本专利技术。 本专利技术提出了一种新的基于立体视觉（比如应用MicrosoftKinect景深摄像头） 的人体跌倒识别系统。本技术可以在降低摄像头安装成本和复杂性的条件下，提高人体跌 倒识别的准确率。基于本技术的人体跌倒识别系统，让人体跌倒识别可以广泛应用到家庭 扶助或护理系统中。本专利技术基于立体视觉景深摄像头，这种摄像头有两个深度传感器，一个 红外线发射器，一个红外线接收器，可以用来识别目标的相对位置。利用这种摄像头可以得 到深度图像和3D空间图像。这种深度数据可以简单地理解为一个特殊的图像，但是其每个 像素的数据不是普通的图片的像素值，而是这个像素的位置距离摄像头的距离。因此，无论 环境光线如何变化，测量结果都不会受到干扰。另外，我们还融合了 2种计算机视觉的技 术：跌倒的形态特征提取和区分日常活动与跌倒的学习分类器。采用这种技术，我们不需要 设置多个摄像头来识别三维物体的速率，从而还降低了安装和配置的复杂度。 使用本专利技术时，将立体视觉摄像头安装在墙壁之上，让整个房间处于摄像头的监 视范围之内。房间内人物的动作视频自动的被摔倒识别系统分析。当房内人物摔倒在地 时，识别系统可根据上述描述的技术自动识别出人员是否摔倒。如果判断为真（摔倒），本 摔倒识别系统检测人员的摔倒时间，若超出阈值，给出语音提示，若该人员仍无反应，立即 发送警报给用户登陆的mobile，并通知急救中心。 如图1、图3所示，为本专利技术的方法流程图： 包括如下步骤： 步骤一，通过立体视觉摄像头，采集识别对象动作的深度图像和3D空间图像； 步骤二，从所述深度图像和3D空间图像中提取人体轮廓的曲率空间特征； 步骤三，从所述人体轮廓的曲率空间特征中分析并构建CSS特征图； 步骤四，使用词包CSS模型（BoWCSS)来创建了一种一致性的动作表示方法； 步骤五，使用极限学习机（ELM)来对所有的词包CSS模型进行分类，用以区分跌倒 动作和其它动作。 步骤六，使用多长度极小群适应算法优化隐藏神经元的数量。 需要说明的是，本专利技术方法优选以下方式实施： 从所述深度图像和3D空间图像中提取人体轮廓的曲率空间特征，具体包括： 人体轮廓是封闭的平面曲线。曲率尺度空间表示描述了不同尺度水平下的平面曲 线的不变特征。尺度C表示为： C (u) = (X (u)，y (U)) 其中参数u表示弧长。u处的曲率定义为： 考虑在尺度σ下对曲线的卷积，我们将曲率定义为： C。当k(u，〇) =0的点，为曲线的兴趣点。这些点称为零交叉点ΖΡ。符号又负 变为正的ZP点表示为ZP+，它表示了凹陷的开始点。相反地，曲率符号有正变为负的ZP点 表示为ZP-，它表示凸起的开始点或凹陷的结束点。对于闭合的曲线，ZP+和ZP-总是成对 出现。两个点之前的曲线部分时凹陷（ZP+，ZP_)或凸起（ZP-，ZP+);利用由宽度为O的高 斯核函数对所述人体轮廓的平面曲线进行卷积计算，得到尺度σ下的平滑曲线，获取所述 平滑曲线的CSS图，采用如下方法进行：C。的ZPs位置是由不同的尺度确定。本过程从 〇 =1开始，尺度每次增加 A 〇，计算每个尺度〇下的ZPs。随着〇的增大，收缩并变得更 加平滑，而且轮廓上的ZPs变少。最终当σ足够大时，将变为一个没有ZPs的凸曲线。如 果把所有的ZPs放到（u， 〇)平面上，就形成了一个二值图，该二值图称为曲线的CSS图，水 平轴为u，垂直轴为〇。在CSS图中，每个水平线与轮廓的交点表示相应卷积曲线上的ZPs 的位置。随着曲线变得更为平滑，曲线上的凸起部分或凹陷部分的成对ZPs相互靠近，从而 构成了该本文档来自技高网...

【技术保护点】
一种基于立体视觉的自动人体跌倒识别方法，其特征在于，所述方法包括如下步骤：步骤一，通过立体视觉摄像头，采集识别对象动作的深度图像和3D空间图像；步骤二，从所述深度图像和3D空间图像中提取人体轮廓的曲率空间特征；步骤三，从所述人体轮廓的曲率空间特征中分析并构建CSS特征图；步骤四，使用词包CSS模型(BoWCSS)来创建了一种一致性的动作表示方法；步骤五，使用极限学习机(ELM)来对所有的词包CSS模型进行分类，用以区分跌倒动作和其它动作。

【技术特征摘要】

【专利技术属性】
技术研发人员：贾勇哲，王林，屈远，
申请(专利权)人：贾勇哲，
类型：发明
国别省市：天津;12