基于三個特征點的人體跌倒檢測

1、基于三個特征點的人體跌倒檢測 【摘 要】設(shè)計了視頻監(jiān)控跌倒檢測系統(tǒng)，采用人體姿態(tài)分析，通過人體輪廓提取、星形骨架提取、人體部位識別等步驟對視頻圖像進(jìn)行處理，首先檢測出三個特征點。由特征點構(gòu)成了跌倒判斷的特征向量。根據(jù)三個特征點相對位置的變化和特征向量與水平地面的夾角，來區(qū)分跌倒與正常人體活動的差別。以3個志愿者的步行、坐下和蹲下三類最具代表性動作為實驗樣本，采用上述方法進(jìn)行測試。實驗結(jié)果表明系統(tǒng)能有效檢測跌倒，總體成功率超過90%，對正?；顒拥恼`報率僅7.5%。 【關(guān)鍵詞】跌倒檢測；智能監(jiān)控；人體骨架提?。蝗梭w部位識別 【abstract】according to computer visio

2、n technology， a video surveillance fall detection system designed which using human gesture analysis. respectively for the body contour extraction， star skeleton extraction and body parts recognition technology processing the monitor image. check out the three feature points， constitutes a fall dete

3、rmination eigenvector by the feature point. according the relative positioning of the three feature points and feature vector angle with the horizontal ground， to distinguish the difference between the normal human activity and falls. using the above method test 3 volunteers to walk， sit and squat w

4、hich three most representative action for the experimental sample. experimental results show that the system can effectively detect a fall， the overall success rate of over 90%， the normal activities of a false positive rate of only 7.5%. 【key words】falling detection；intelligent monitoring；human ske

5、leton extraction；body parts identify 老年人意外跌倒一直是當(dāng)今社會醫(yī)療保健的重要問題。據(jù)統(tǒng)計，在全球超過65歲的老年人中，每年有近30%的人會發(fā)生意外跌倒事件1。在我國，根據(jù)2010年第六次人口普查發(fā)現(xiàn)，“60歲以上”老年人口占總?cè)丝诘谋戎剡_(dá)到了13.26%，“65歲及以上”老年人口則達(dá)到了8.87%。隨著全國人口老齡化問題的加劇，老年人因跌倒而受到意外傷害的情況越來越受到重視。在家里，如果老年人發(fā)生跌倒并且不能及時得到救援，就會發(fā)生一系列后續(xù)癥狀更嚴(yán)重者甚至?xí){到老人生命。鑒于此，近年來跌倒檢測系統(tǒng)的開發(fā)已倍受關(guān)注，該類系統(tǒng)會在跌倒發(fā)生后及時檢測并發(fā)出求

6、救，以便救援人員能夠及時趕到從而避免跌倒產(chǎn)生的后續(xù)傷害。 現(xiàn)階段已投入商業(yè)化的跌倒檢測系統(tǒng)多為 “佩戴式”系統(tǒng)2，最主要的是基于壓力傳感器3和重力加速傳感器4兩大類，該系統(tǒng)需要老年人一直將其佩戴在身上或者放入口袋中。這些佩戴式系統(tǒng)一般是基于重力加速傳感器或者通過手動按下求助按鈕來檢測跌倒?fàn)顟B(tài)。然而，老人往往會忘記佩戴它們，而在跌倒發(fā)生后，通常會伴隨著暈厥，這樣求助按鈕也失去作用。 計算機(jī)視覺技術(shù)為此帶來了新的解決方案。基于計算機(jī)視覺的跌倒檢測系統(tǒng)無需老年人的佩戴5，減少了對老年人日常生活的影響?，F(xiàn)有的基于視頻處理的跌倒檢測方法依然存在著很多不足，主要體現(xiàn)在檢測的實時性和誤報率高兩個方面。目前基

7、于視頻圖像處理的跌倒檢測算法主要有兩個：（1）基于人體姿勢的跌倒檢測系統(tǒng)6，是利用了人體從站立到跌倒的過程中姿勢的劇烈變化進(jìn)行檢測的。優(yōu)點是準(zhǔn)確度更高，因為它是以整個人體的動作變化來判斷是否發(fā)生跌倒的。缺點是如果使用該方法判斷，尤其是三維人體姿勢判斷，需要巨大的計算量，且該系統(tǒng)的制作復(fù)雜，成本較高。（2）基于頭部運動的跌倒檢測系統(tǒng)7，是利用了人在跌倒時頭部的垂直方向上運動速度會高于水平方向運動速度作為判據(jù)依據(jù)，并結(jié)合重心或者頭與地面的關(guān)系來進(jìn)行判斷。其優(yōu)點是相比整個身體，頭部圖像更容易提取，運動軌跡與跌倒的相關(guān)性更高，計算量更小，缺點是相比于人體姿勢的檢測，在準(zhǔn)確度上有所欠缺。此方法實現(xiàn)還需要

8、使用深度攝像頭，成本較高，且限制了它的推廣。 1 實現(xiàn)方法 本文通過提取與人體跌倒相關(guān)的頭部、腹部、小腿三個關(guān)鍵的特征點，利用這些點在攝像頭前景平面上投影點的相對位置變化，來檢測跌倒事件的發(fā)生。該方法主要分為四個步驟：人體輪廓提取、人體星形骨架提取、特征點識別和人體姿態(tài)分析。通過網(wǎng)絡(luò)攝像頭與電腦或服務(wù)器進(jìn)行無線連接來進(jìn)行實時的分析和報警。 圖1 特征點檢測流程圖 2 特征點檢測 2.1 圖像預(yù)處理 運用網(wǎng)絡(luò)攝像頭拍攝到被檢測者日常生活影像，通過無線網(wǎng)絡(luò)實時地將數(shù)據(jù)到電腦。首先需對采集到的數(shù)據(jù)進(jìn)行采樣和壓縮。采樣率可以根據(jù)需求手動設(shè)置，本文選取1幀/秒的采樣率。截取視頻圖像后，將圖像分辨率壓縮到

9、640480像素。 攝像機(jī)照相機(jī)等視頻圖像采集設(shè)備在攝入視頻圖像的同時會產(chǎn)生熱噪聲，環(huán)境噪聲以及傳輸系統(tǒng)的噪聲等，這些噪聲嚴(yán)重影響視頻檢測的準(zhǔn)確性。對此，我們用維納濾波去除噪聲。 2.2 人體輪廓提取 對預(yù)處理后的圖像進(jìn)行差分運算8，用下列公式對圖像閾值化處理，將圖像轉(zhuǎn)化成2值圖像。 r（i，j）= t=f（i，j）-g（i，j） 其中閾值t取值區(qū)間為（0，255），它的取值決定了目標(biāo)識別的準(zhǔn)確度，此值大小根據(jù)所需的家庭環(huán)境來具體設(shè)置。f（i，j）表示輸入圖像序列，g（i，j）表示背景圖像序列。t為動態(tài)閾值.它是根據(jù)圖像的光線變化動態(tài)改變的。其中mn是圖像人小。最后開閉運算去除空洞點。用can

10、ny算子提取人體輪廓。 圖2 原始圖像與進(jìn)行人體檢測后的二值圖像 2.3 人體星形骨架提取 2.3.1 人體質(zhì)心提取 使用人體星形骨架方法9的描述，求出人體質(zhì)心，設(shè)定其坐標(biāo)為c0=（cx，cy），其中cx=xy？籽（x，y）x，cy=xy？籽（x，y）y。？籽（x，y）是密度函數(shù)，在人體輪廓里的點？籽（x，y）=1；在輪廓外的點 ？籽（x，y）=0， 2.3.2 肢端點提取 沿輪廓逆時針八領(lǐng)域搜索輪廓點，并計算輪廓與人體重心c0的距離d： di= 于是輪廓點上形成的距離函數(shù)：g（x）=di。g（x）的五個極大值點即為人體的肢端點，對應(yīng)頭部與四肢，求出5個骨架節(jié)點后，這5個節(jié)點與重心分別構(gòu)成5個

11、向量a=（a，b，c，d，e）。 這5個個向量a=（a，b，c，d，e）即代表了單幀圖像的人體骨架信息。 2.4 特征點提取 采用apar（anti parallel line）來描述構(gòu)成人體區(qū)域的子區(qū)域10，apar定義為一個細(xì)長的區(qū)域。人體可由多個apar區(qū)域組成。通過對人體區(qū)域的輪廓特征分析，人體的apar之間通常由輪廓線上的特征拐點分隔，且每個apar由連接特征拐點間的線段圍成。通過求特征拐點，確定apar區(qū)域，本文只需求識別小腿、頭部兩個部位。 小腿的寬度一般在0.1h左右，故定義該apar塊隸屬于小腿類的隸屬度函數(shù)為f1（w）；隸屬度曲線如圖所示（w1=0.05，w2=0.1，w3

12、=0.125，w4=0.175，w5=0.0625）。頭部長寬比一般小于1.4，根據(jù)人體區(qū)域劃分過程中檢測到的apar塊的長寬比r，得到該apar塊隸屬于頭部的隸屬度函數(shù)為f2（r）。 f1（w）=0 ww w 確定了頭部和小腿的apar位置后，利用本文求取人體質(zhì)心的算法求出頭部中心點c1，小腿中心中c2。共得到三個特征點c0，c1，c2。 圖6 三個特征及特征向量 3 跌倒判斷 由三個特征點將人體分成上下兩個部分： d=， d=。人體上下兩部分的比例p=d/d。求出d1，d與水平地面的夾角分別為1，2。根據(jù)人體生理及運動特性，通過p，1，2三者數(shù)值共同來判斷人跌倒與正常行為。 1）站立活動：

13、p值0.9至1.2之間，1值變化較大，但多數(shù)時間大于60，2值為90，變化很少，若1、2值急劇減小到15以下，判斷為可能跌倒。 2）坐下活動：p值1.5至2.2之間，1值變化較大，但多數(shù)時間大于60，2值為40，變化很少，若1值急劇減小到15以下，判斷可能為跌倒。 3）下蹲活動：p值2.5至3.5之間，70190，變化較大，2值為90變化較小，若1、2值急劇減小到15以下，判斷可能為跌倒。 在得出可能跌倒后一分鐘內(nèi)沒有恢復(fù)，則被確定為跌倒事件，并發(fā)送警報信息。 4 實驗及結(jié)果分析 在實驗中，3名受測者穿戴護(hù)膝等保護(hù)器具，捆綁沙袋，模仿老年人行動緩慢的身體狀態(tài)，進(jìn)行行走，上下樓，坐立，起蹲等日常

14、生活。分別模仿在以上的日常生活狀態(tài)下的跌倒事件，如向前、向后跌倒，坐著跌倒，下蹲時跌倒。共進(jìn)行了30次實驗，檢測失敗2次，實驗結(jié)果如表1所示。失敗組受測者跌倒方向與攝像頭方向完全一致，使得跌倒前后p、1、2值均未發(fā)生變化。 表1 跌倒檢測結(jié)果 5 結(jié)束語 本文介紹了一種面向家庭看護(hù)的基于人體三個特征點的跌倒檢測方法，該方法通過人體輪廓提取，星形骨架提取，人體部位識別等步驟求出特征點和特征向量，由特征點的相對位置變化和特征向量與水平面的夾角實現(xiàn)目標(biāo)的跌倒檢測。該方法簡單易行，所需硬件成本較低。通過設(shè)計比較完備的實驗，從特征選取、攝像頭的安裝方式和環(huán)境影響等多方面對所提出的跌倒檢測方法進(jìn)行性能檢驗

15、，得到93.3%跌倒檢測率，并且對正?；顒拥恼`報率不到10%，成功率很高，表明該方法具有一定的實用性，為今后的實際應(yīng)用奠定了基礎(chǔ)。 【參考文獻(xiàn)】 1j.m. hausdorff， d.a. rios， and h.k. edelber.gait variability and fall risk in community-living older adults： a1-year prospective studyj. archives of physical medicine and rehabilitation，2001，82（8）：1050-1056. 2j. willems， g. de

16、bard， b. bonroy， b. vanrumste， t. goedem.how to detect human fall in video an overviewc/ international conference on positioning and context-awareness. antwerp belgium， may， 2009， in press. 3石欣，熊慶宇，雷璐寧.基于壓力傳感器的跌倒檢測系統(tǒng)研究j.儀器儀表學(xué)報，2010（3）：715-720. 4李冬，粱山.基于加速度傳感器的老年人跌倒檢測裝置設(shè)計j.傳感器與微系統(tǒng).2008，27（9）：85-88+.

17、5a. williams， d. ganesan， and a. hanson.aging in place： fall detection and localization in adistributed smart camera networkc/proceedings of the 15th international conference on multimedia. 2007：892-901. 6j. tao， m. turjo， m. f. wong， m. wang， and y. p. tan.fall incidents detection for intelligent video surveillancec/ proc. ieee int. conf. commu. and signal processing. 2005：1590-1594. 7楊帆，謝靖，等.基于頭部運動軌跡和3d視覺的跌倒檢測系統(tǒng)j.現(xiàn)代電子技術(shù)，2012（2）. 8y. t