一種基于gmm和時序模型的跌倒實時檢測方法
【技術領域】
[0001] 本發明涉及的領域有機器視覺、模式識別、數字圖像處理、特征提取等領域，尤其 是一種跌倒實時檢測方法。
【背景技術】
[0002] 背景建模、動態目標檢測、目標重心狀態檢測、跌倒檢測是老人跌倒實時檢測算法 的關鍵。
[0003] 隨著許多國家步入老齡化社會，如何保證老年人度過安康晚年成為許多國家面臨 的一個問題。跌倒是造成老年人受傷或死亡的重要原因之一，有效的檢測老年人跌倒事件 的發生對于保護老年人生命安全具有重要意義。據上海疾控中心統計，在60歲以上老年人 中，跌倒占總傷害的36. 8%，是老年人第一位傷害發生類型，80歲以上老年人跌倒的發生 率高達50%，跌倒及其后果給老年人造成了巨大的身心傷害，嚴重影響老年人的生活質量。
[0004] 針對目前的老人跌倒檢測領域，可穿戴設備被大多數的學者采用。如石欣的論 文（SHI Xin. , ZHANG Tao. :Design of a wearable fall detection device[J]. Chinese Journal of Scientific Instrument, 2012, (3) :pp:573_580. SP :石欣，張濤? 一種可穿戴 式跌倒檢測裝置設計[J]?儀器儀表學報，2012,（3) :573-580。）中，提到了基于壓力傳感 器的跌倒檢測技術。此類技術具有較高的檢測精度，但使用不方便，不符合老年人的生活習 慣。Alwan 等學者的論文（Alwan, M.，Rajendran, P.，Kell, S.，Mack, D.，Dalai, S.，Wolfe, M. ,Felder, R. :A smart and passive floor-vibration based fall detector for elderly. In:2nd Information and Communication Technologies, vol. 1, pp. 1003 - 1007(2006). 即：Alwan, M. , Rajendran, P. , Kell, S. , Mack, D. , Dalai, S. , Wolfe, M.: - 種基于地板傳感 器的智能老人跌倒檢測技術，信息通信技術，2006，1，：1003-1007。）中提出的基于地面傳 感器的跌倒檢測技術能夠解決使用者使用不便的問題，但此類方法的缺點是使用范圍小且 地面傳感器價格昂貴。此外還有基于聲音的跌倒檢測技術，但此類跌倒檢測的缺點是精 度過低，因此一般僅作為跌倒檢測的輔助手段。最后是基于視頻的跌倒檢測技術，此類方 法兼顧了較高的檢測精度和良好的使用方便性，故具有可觀的推廣前景。其中在左常玲 的論文（ZUO Chang-1 ing. Research and Realization of Video-based Automatic Fall Detection[D]. Anhui University:Anhui University, 2012?即左常玲?基于視頻的自動 摔倒檢測研宄與實現[D].安徽大學：安徽大學，2012.)中提出了一種基于人體寬高比、有 效面積率和重心變化率的人體跌倒檢測。采用左常玲提出的方法能夠在平坦環境下實現跌 倒檢測，其采用的計算兩幀間重心位置歐式距離的方法在人體橫向跌倒時能夠取得良好的 檢測效果，但在人體面向攝像頭跌倒時由于重心橫向特征變化不明顯，故此時檢測效果會 減弱。此外，其檢測范圍也忽略了斜坡、樓梯等老年人更易跌倒的地方。綜上所述，目前在 基于視頻的跌倒檢測算法中包括檢測的精度、算法的應用范圍這兩個方面均具有改進的地 方。
【發明內容】
[0005] 為了克服現有的跌倒檢測方法的檢測精度較低、適用范圍較窄的不足，本發明提 供一種檢測精度較高、適用范圍較寬的基于GMM和時序模型的跌倒實時檢測方法。
[0006] 為了解決上述技術問題，本發明提供如下技術方案：
[0007] 一種基于GMM (Gaussian Mixture Model高斯混合模型）和時序模型的跌倒實時 檢測方法，所述跌倒實時檢測方法包括以下步驟：
[0008] 1)背景建模；
[0009] 2)形態學處理：進行一次開運算，消除細小噪聲干擾，進行一次閉運算，填補連通 區域空白；
[0010] 3)運動目標檢測：設定連通區域閾值，剔除過小的運動目標，標定人體運動目標；
[0011] 4)判定人體輪廓寬高比變化：在連通區域檢測的基礎上，標定人體輪廓寬高比的 值，根據該值的變化，作為判定人體摔倒的初步依據；
[0012] 5)構造重心狀態矩陣：給出相鄰兩幀的重心點（X(l，y(l)、（ Xl，y)，將重心狀態由傳 統的幀間歐式距離分割成四個分量，分別是水平方向速率、水平加速度值和垂直方向速率、 垂直加速度值，即重心狀態矩陣I |vx|，vy，|ax|，ay|T;
[0013] 6)指數平滑法更新：利用指數平滑法對重心狀態矩陣進行更新，更新公式如下：
[0014]
【主權項】
1. 一種基于GMM和時序模型的跌倒實時檢測方法，其特征在于：所述跌倒實時檢測方 法包括以下步驟： 1) 背景建模； 2) 形態學處理：進行一次開運算，消除細小噪聲干擾，進行一次閉運算，填補連通區域 空白； 3) 運動目標檢測：設定連通區域閾值，剔除過小的運動目標，標定人體運動目標； 4) 判定人體輪廓寬高比變化：在連通區域檢測的基礎上，標定人體輪廓寬高比的值， 根據該值的變化，作為判定人體摔倒的初步依據； 5) 構造重心狀態矩陣：相鄰兩幀的重心點（x^yj、（Xl，yi)，將重心狀態由傳統的幀間 歐式距離分割成四個分量，分別是水平方向速率、水平加速度值和垂直方向速率、垂直加速 度值，即重心狀態矩陣I|vx|，vy，|ax|，ay|T; 6) 指數平滑法更新：利用指數平滑法對重心狀態矩陣進行更新，更新公式如下：
其中，alph為重心狀態變化的學習率，|vx|表示重心在當前幀的水平速率值，|v'x|表 示重心在上一幀的水平速率值，vy表示重心當前幀的垂直速率值，v' y表示重心上一幀的垂 直速率值，|ax|表示重心當前幀的水平加速度值，|a'x|表示重心上一幀的水平加速度值， ay|表示重心當前幀的垂直加速度值，|a'y|表示重心垂直方向的速度值； 7) 給定跌倒閾值矩陣如下：
其中threshold表示閾值矩陣，|vxth|表示跌倒發生時重心水平速率值，vyth表示跌倒 發生時重心垂直速度閾值，|axth|表示跌倒發生時重心水平加速度閾值，ayth表示跌倒發生 時重心垂直加速度閾值； 8) 根據測試數據，垂直方向與水平方向的閾值權重如下分別為a和l_a，a為0?1之 間的小數，給出如下的跌倒檢測公式：
其中，fall為跌倒檢測判斷參數，如果fall值大于等于閾值thFall，判定跌倒發生，thFall值根據實驗環境給定。
2. 如權利要求1所述的一種基于GMM和時序模型的跌倒實時檢測方法，其特征在于： 所述步驟3)所述，給定連通區域面積s_，將s_< 2000的連通區域過濾（實驗測得，連通 區域面積大于2000時，產生誤判的概率很小故此處沒有考慮連通區域過大的情況）。
3. 如權利要求1或2所述的一種基于GMM和時序模型的跌倒實時檢測方法，其特征在 于：所述步驟4)所述，給定人體寬高比的上下閾值分別為2和4,表示當檢測到的人體寬高 比介于2和4時，選擇按照如下公式（4)更新當前人體寬高比，否則不更新；在更新人體寬 高比時，給定學習率0 = 0. 01對人體寬高比值進行穩定的學習。
4. 如權利要求3所述的一種基于GMM和時序模型的跌倒實時檢測方法，其特征在于： 所述步驟4)中，寬高比變化的學習率0，得到如下的公式： hwc= (1_0)*hwc+0 *hwc' (4) 其中，hwc表示當前寬高比值，hwc'表示上一幀的目標寬高比值，0表示累積寬高比的 學習率。
5. 如權利要求1或2所述的一種基于GMM和時序模型的跌倒實時檢測方法，其特征在 于：所述步驟5)，給定人體重心狀態矩陣用來表征人體二維圖像空間下的位置變化，考慮 相鄰兩幀的重心點（&%)、（xuyi)，重心狀態矩陣中重心的垂直速率，將兩幀重心位置坐 標相減得到瞬時垂直速率： v_y =y「y〇 (5) 丨v瞬；￡I=xi_x〇 (6) 其中VRy為正表示重心位置下降，VRy為負表示重心位置上升；|VRx |表示重心在當前 幀的水平方向瞬時速率值；將得到的瞬時速率按如下式子進行更新： if(vRythUpperY&&vRy ^thLowerY) (7) vy= (1-ay)Vy+ayV瞬y if(lv瞬xI彡thUpperX&&|v瞬x | 彡thLowerX) (8) vx| = (l_ax)|vj+ax|v_x 其中thUpperY和thLowerY分別表征垂直速度的上下閾值，用來消除極大誤差。ay表 示垂直速率更新的學習率；thUpperX和thLowerX表示水平速率的上下閾值，ax表示水平速 率更新的學習率； 在獲得速率的基礎之上，給出重心狀態矩陣中加速度的計算方法。
其中，aRy表示當前幀重心的垂直方向瞬時加速度值，aRx表示當前幀重心水平方向瞬 時加速度值，|vn |vxl| |T表示當前幀重心速度狀態值，|vy(l |vx(l| |T表示前一幀重心速度狀 態值，得到重心加速度狀態矩陣之后，對重心加速度進行更新；
【專利摘要】一種基于GMM和時序模型的跌倒實時檢測方法，包括以下步驟：1)背景建模；2)形態學處理；3)運動目標檢測；4)判定人體寬高比變化；5)構造重心狀態變化矩陣；6)指數平滑法更新數據；7)給定跌倒閾值矩陣；8)根據測試數據，按照跌倒檢測公式進行判定。本發明采用重心狀態矩陣將表征人體運動狀態的信息分解為多個參量，并賦予垂直參量更高的權重，使人體狀態變化的檢測更加精確；采用基于時間序列的指數平滑法對歷史數據的權重進行調整，使當前累積數據更加合理。本發明既可應用于平地環境也可應用于樓梯等斜坡環境。
【IPC分類】G06T7-20
【公開號】CN104574441
【申請號】CN201410854055
【發明人】張永良, 王瑞東, 董靈平, 張智勤, 肖剛
【申請人】浙江工業大學
【公開日】2015年4月29日
【申請日】2014年12月31日