人体跌倒检测方法技术

本发明专利技术涉及一种人体跌倒检测方法，以摄像机为媒介来采集图像数据，对采集的图像进行处理，将背景区域区分出，得到人体目标；在此基础上通过最小面积外接矩形对人体目标进行限定，然后用最小面积外接矩计算矩形宽高比、人体质心高度比和人体躯干倾斜角三种人体特征；通过广义三角模糊函数构造人体特征BPA，采用改进的D‑S证据理论融合人体特征BPA，得到最终的检测结果。与市面上以依托于传感器为信息媒介的检测方案相比，该跌倒检测方案不仅解决了依靠图像处理进行跌倒检测准确率低的问题，也降低了检测成本。该跌倒检测方案可以推广到老人群体密集的老人医院、养老院等场所，具有较高的实际应用价值。

【技术实现步骤摘要】

本专利技术涉及一种图像应用技术，特别涉及一种人体跌倒检测方法。
技术介绍
2015年中国总人口数量超13.6亿人，60周岁老龄人口2.1亿，占总人口的15.5％，我国已经步入老龄化社会。据相关资料分析，跌倒是导致老年人伤残甚至死亡的重要因素之一。及时的检测出老人跌倒，不仅能减小医疗开支，更能使老人得到及时救助。目前，国内外对人体跌倒检测主要分为两类方法：(1)基于人体穿戴设备；(2)基于视频图像分析。基于人体穿戴设备的跌倒检测，主要以传感器为媒介来采集数据。常见的传感器有加速度传感器，陀螺仪，压力传感器等。席旭刚等设计出了一种基于表面肌电(sEMG)和足底压力信号融合的跌倒检测系统，系统需要在人体穿戴肌电信号采集仪和压力传感器，系统平均识别率达到了91.7％。JinWang等通过无线传感器采集人体跌倒时躯干倾斜角、心跳率的变化，分析人体是否发生跌倒，准确率达到97.5％。宋菲等通过将提取到的运动目标图像分为三个区域，分析不同区域重心连线的变化，检测人体是否发生跌倒，实验证明跌倒检测率达到90.5％。M.等人利用椭圆标记跟踪目标，分析椭圆运动目标的长短轴的方向和离心率的变化，实验准确率可以达到90％。基于人体穿戴设备的跌倒检测准确率较高，但是其成本也相对较高，佩戴相关产品也较麻烦。基于视频图像分析的跌倒检测成本低，但是准确率相对较低，容易受外界条件的影响。
技术实现思路
本专利技术是针对基于视频图像分析的跌倒检测准确率低的问题，提出了一种人体跌倒检测方法，以摄像机为媒介来采集图像数据，通过图像处理技术分析判断人体是否跌倒。具有良好的环境适应性和较高的跌倒检测准确率。本专利技术的技术方案为：一种人体跌倒检测方法，具体包括如下步骤：1)以摄像机为媒介来采集图像数据，对采集的图像进行处理，首先，将像素点的颜色信息从RGB颜色空间转换到HSV颜色空间，然后通过设定参数值，将背景区域区分出，得到人体目标；2)在步骤1)基础上通过最小面积外接矩形对人体目标进行限定，然后用最小面积外接矩计算矩形宽高比、人体质心高度比和人体躯干倾斜角，作为人体跌倒判断的特征量；3)通过广义三角模糊函数构造人体特征的基本概率分配BPA，分别构建人体在跌倒、下蹲、站立时其人体宽高比特征对应的隶属度函数；4)将步骤2)检测到的三种人体目标特征值代入到步骤3)构造的广义模糊函数中，生成BPA的策略：A:当样本在某单个模糊数横坐标范围内时，该样本点的纵坐标即是该命题的BPA值mi(U),i为证据数，取1,2,3；U为识别框架，取S,T,F为人体站立、下蹲、跌倒3个命题；B:当样本在多个模糊数横坐标范围内时，该样本点满足的多个纵坐标值为多个命题的BPA值mi(U)；C:生成的单个BPA值mi(U)小于1时，生成其他BPA为k取1,2；lk为mi(U)的特征值横坐标与其他两个证据三角模糊数中心点，也就是与纵坐标为1的横坐标的距离；D:生成的BPA之和小于1时，生成E:生成所有的BPA之和大于1时，则归一化各BPA值；5)根据步骤4的计算，每个命题都有3个证据分别为m1，m2，m3，通过双重加权平均证据源，对人体证据进行信息融合，分析证据中三种人体状态的融合概率值，判断最大概率值的状态为人体状态。所述步骤5)通过双重加权平均证据源，对人体证据进行信息融合，具体包括如下步骤：m1(S)、m2(S)、m3(S)为人体站立的3个证据，m1(T)、m2(T)、m3(T)为人体下蹲的3个证据，m1(F)、m2(F)、m3(F)为人体跌倒的3个证据,(1)计算平均证据：mave(S)＝(m1(S)+m2(S)+m3(S))/3；(2)计算单个命题下各个证据与平均证据的距离：ds＝[(m1(S)-mave(S))2+(m2(S)-mave(S))2+…(m3(S)-mave(S))2]1/2；dT＝[(m1(T)-mave(T))2+(m2(T)-mave(T))2+…(m3(T)-mave(T))2]1/2；dF＝[(m1(F)-mave(F))2+(m2(F)-mave(F))2+…(m3(F)-mave(F))2]1/2(3)与平均证据距离越近，权重越大，所以定义单个命题下各证据的权重ωS、ωT、ωF：ωS＝1/dS/((1/dS)+(1/dT)+(1/dF))；ωT＝1/dT/((1/dS)+(1/dT)+(1/dF))；ωF＝1/dF/((1/dS)+(1/dT)+(1/dF))；(4)利用每个证据的权重计算出新的平均证据mave(S)、mave(T)、mave(F)：mave(S)＝ωS*m1(S)+ωT*m2(S)+ωF*m3(S)；mave(T)＝ωS*m1(T)+ωT*m2(T)+ωF*m3(T)；mave(F)＝ωS*m1(F)+ωT*m2(F)+ωF*m3(F)；(5)计算每个证据与新的平均证据的距离D1、D2、D3：D1＝[(m1(S)-mave(S)2+(m1(T)-mave(T))2+(m1(F)-mave(F))2]1/2；D2＝[(m2(S)-mave(S)2+(m2(T)-mave(T))2+(m2(F)-mave(F))2]1/2D3＝[(m3(S)-mave(S)2+(m3(T)-mave(T))2+(m3(F)-mave(F))2]1/2(6)与平均证据距离越近，权重越大，所以计算各证据的权重：(7)利用每个证据的权重计算出最终的加权平均证据：(8)最后对m4(S)、m4(T)、m4(F)用D-S组合规则迭代重复计算2次，得出融合结果,D-S组合规则迭代融合计算证据m4如下：式中K＝m4(S)*m4(T)+m4(S)m4(F)+m4(T)m4(S)+m4(T)m4(F)+m4(F)m4(S)+m4(F)m4(T)，得到的证据m5再次与m4进行D-S融合得到最终证据m6。本专利技术的有益效果在于：本专利技术人体跌倒检测方法，有较高的准确率。与市面上以依托于传感器为信息媒介的检测方案相比，该跌倒检测方案不仅解决了依靠图像处理进行跌倒检测准确率低的问题，也降低了检测成本。该跌倒检测方案可以推广到老人群体密集的老人医院、养老院等场所，具有较高的实际应用价值。附图说明图1为本专利技术人体跌倒检测方法流程图；图2为本专利技术视频提取帧图；图3为本专利技术HSV颜色空间图；图4为本专利技术去除阴影前图；图5为本专利技术去除阴影后图；图6为本专利技术人体宽高比模糊函数定义图；图7为本专利技术人体质心高度比模糊函数定义图；图8为本专利技术人体躯干倾斜角模糊函数定义图；图9为本专利技术人体跌倒状态实图；图10为本专利技术方法处理后人体跌倒状态图。具体实施方式本专利技术主要以人体特征分析和D-S信息融合，利用人体最小面积外接矩形和垂直外接矩形对检测到的人体目标进行标记，分析人体目标区域的矩形宽高比、人体质心高度比和人体躯干倾斜角的特征变化。根据各个特征对人体不同状态的判断灵敏度，提出了一种基于改进D-S证据理论的人体跌倒检测的方法。该方案具有良好的环境适应性和较高的跌倒检测准确率。如图1所示，该人体跌倒检测方法具体步骤如下：步骤1：以摄像机为媒介来采集图像数据，如图2所示视频提取帧图，对采集的图像进行处理，首先，将像素点的颜色信息从RGB颜色空间转换到H本文档来自技高网...

【技术保护点】
一种人体跌倒检测方法，其特征在于，具体包括如下步骤：1)以摄像机为媒介来采集图像数据，对采集的图像进行处理，首先，将像素点的颜色信息从RGB颜色空间转换到HSV颜色空间，然后通过设定参数值，将背景区域区分出，得到人体目标；2)在步骤1)基础上通过最小面积外接矩形对人体目标进行限定，然后用最小面积外接矩计算矩形宽高比、人体质心高度比和人体躯干倾斜角，作为人体跌倒判断的特征量；3)通过广义三角模糊函数构造人体特征的基本概率分配BPA，分别构建人体在跌倒、下蹲、站立时其人体宽高比特征对应的隶属度函数；4)将步骤2)检测到的三种人体目标特征值代入到步骤3)构造的广义模糊函数中，生成BPA的策略：A:当样本在某单个模糊数横坐标范围内时，该样本点的纵坐标即是该命题的BPA值mi(U),i为证据数，取1,2,3；U为识别框架，取S,T,F为人体站立、下蹲、跌倒3个命题；B:当样本在多个模糊数横坐标范围内时，该样本点满足的多个纵坐标值为多个命题的BPA值mi(U)；C:生成的单个BPA值mi(U)小于1时，生成其他BPA为k取1,2；lk为mi(U)的特征值横坐标与其他两个证据三角模糊数中心点，也就是与纵坐标为1的横坐标的距离；D:生成的BPA之和小于1时，生成E:生成所有的BPA之和大于1时，则归一化各BPA值；5)根据步骤4的计算，每个命题都有3个证据分别为m1，m2，m3，通过双重加权平均证据源，对人体证据进行信息融合，分析证据中三种人体状态的融合概率值，判断最大概率值的状态为人体状态。...

【技术特征摘要】
1.一种人体跌倒检测方法，其特征在于，具体包括如下步骤：1)以摄像机为媒介来采集图像数据，对采集的图像进行处理，首先，将像素点的颜色信息从RGB颜色空间转换到HSV颜色空间，然后通过设定参数值，将背景区域区分出，得到人体目标；2)在步骤1)基础上通过最小面积外接矩形对人体目标进行限定，然后用最小面积外接矩计算矩形宽高比、人体质心高度比和人体躯干倾斜角，作为人体跌倒判断的特征量；3)通过广义三角模糊函数构造人体特征的基本概率分配BPA，分别构建人体在跌倒、下蹲、站立时其人体宽高比特征对应的隶属度函数；4)将步骤2)检测到的三种人体目标特征值代入到步骤3)构造的广义模糊函数中，生成BPA的策略：A:当样本在某单个模糊数横坐标范围内时，该样本点的纵坐标即是该命题的BPA值mi(U),i为证据数，取1,2,3；U为识别框架，取S,T,F为人体站立、下蹲、跌倒3个命题；B:当样本在多个模糊数横坐标范围内时，该样本点满足的多个纵坐标值为多个命题的BPA值mi(U)；C:生成的单个BPA值mi(U)小于1时，生成其他BPA为k取1,2；lk为mi(U)的特征值横坐标与其他两个证据三角模糊数中心点，也就是与纵坐标为1的横坐标的距离；D:生成的BPA之和小于1时，生成E:生成所有的BPA之和大于1时，则归一化各BPA值；5)根据步骤4的计算，每个命题都有3个证据分别为m1，m2，m3，通过双重加权平均证据源，对人体证据进行信息融合，分析证据中三种人体状态的融合概率值，判断最大概率值的状态为人体状态。2.根据权利要求1所述人体跌倒检测方法，其特征在于，所述步骤5)通过双重加权平均证据源，对人体证据进行信息融合，具体包括如下步骤：m1(S)、m2(S)、m3(S)为人体站立的3个证据，m1(T)、m2(T)、m3(T)为人体下蹲的3个证据，m1(F)、m2(F)、m3(F)为人体跌倒的3个证据,(1)计算平均证据：mave(S)＝(m1(S)+m2(S)+m3(S))/3；(2)计算单个命题下各个证据与平均证据的距离：ds＝[(m1(S)-mave(S))2+(m2(S)-mave(S))2+…(m3(S)-mave(S))2]1/2；dT＝[(m1(T)-mave(T))2+(m2(T)-mave(T))2+…(m3(T)-mave(T))2]1/2；dF＝[(m1(F)-mave(F))2+(m2(F)-mave(F))2+…(m3(F)-mave(F))2]1/2(3)与平均证据距离越近，权重越大，所以定义单个命题下各证...

【专利技术属性】
技术研发人员：夏飞，孙朋，张浩，彭道刚，罗志疆，马茜，袁博，王立力，王志成，
申请(专利权)人：上海电力学院，
类型：发明
国别省市：上海;31