一種基于深度圖像的跌倒行為實時檢測方法
【技術領域】
[0001] 本發明屬于數字圖像識別技術領域，更具體地，設及一種基于深度圖像的跌倒行 為實時檢測方法。
【背景技術】
[0002] 隨著社會人口老齡化嚴重，老年人看護逐漸成為一個熱點問題，而跌倒檢測作為 老年人看護的一個重要問題也逐漸被人們所關注。按照監測設備與選用特征的不同，目前 的跌倒檢測系統主要分為Ξ大類別：基于環境監控的跌倒檢測系統、基于穿戴設備的跌倒 檢測系統和基于視頻圖像的跌倒檢測系統。
[0003] 環境監控式系統對日常活動影響較小，但是傳感器較多，成本較高；穿戴式設備的 檢測系統適用性廣，計算量小，但需要用戶時刻穿戴，長時間穿戴會對人體活動造成不適； 視頻監測系統具有精確度高，成本低的優點；目前基于視頻圖像的跌倒檢測系統，是根據彩 色圖像進行檢測，易受光照影響，全天候監控效果差，隱私保護性差；近幾年逐漸出現基于 深度圖像的跌倒檢測，深度圖像可W有效解決易受光照影響的問題，但是目前的方法未能 達到實時性要求。
【發明內容】
[0004] 針對現有技術的W上缺陷或改進需求，本發明提供了一種基于深度圖像的跌倒行 為實時檢測方法，其目的在于通過對深度圖像里人體部位解析，根據關節點的高度特征向 量識別出跌倒行為，解決現有跌倒檢測系統易受光照影響、隱私保護性和實時性差的問題。
[0005] 為實現上述目的，按照本發明的一個方面，提供了一種基于深度圖像的跌倒行為 實時檢測方法，包括W下步驟：
[0006] (1)深度圖像獲取；通過深度傳感器獲取室內場景的深度圖像；深度圖像具有光 照不變性，可全天候進行檢測；且在深度圖像中不能辨別個體身份，可有效保護隱私；
[0007] 似人體圖像識別：對比前、后帖的深度圖像，根據深度變化程度值找出深度變化 明顯的像素點，根據相鄰相似原則獲取屬于人體的像素點；所有運些屬于人體的像素點構 成一個連通區域，即為識別出的人體圖像；
[0008] (3)深度差分特征提取：提取人體圖像中各像素點的八鄰域差分特征，獲取多 維特征向量；根據像素點深度與該像素點的偏移位置深度獲取像素點的深度差分特征
[0009] 其中，d(s)是圖像在像素S點處的深度，V表示偏移向量，^是對偏移向量進行 ?".ν) 深度不變性處理，
是像素S點的偏移位置深度；
[0010] 其中，八鄰域差分特征是指分別向八個方向取八個像素點與樣本點做差；每次做 差選取不同偏移向量V，偏置向量V等差變化變換N次，構成NX8維特征向量；
[0011] (4)人體部位解析；根據步驟（3)獲取的深度差分特征，對人體部位進行解析；
[0012] 在部位解析前，構建人體模型，將人體分為頭部和軀干兩個類別；粗略分為兩個部 位而并不進一步細化為手臂、頭部、胸部、腿部等更加具體的部位，可降低計算量，保證實時 性；
[0013] 采用隨進森林分類器進行人體部位解析，判斷出各像素所屬的類別，即完成人體 部位的解析；選擇此分類器的原因在于：一方面它具有特征選擇功能，自動選擇分類效果 最好的特征維度；另一方面，由于該分類器是多棵樹并行預測，可W極大的提升分類速度， 提高實時性；
[0014] 妨關節點提取：通過均值漂移算法確定頭部與軀干的關節點位置；其中，關節點 位置是某個部位像素密度最大的位置；其中，均值漂移算法是一種基于密度梯度上升的非 參數方法，通過迭代運算找到目標位置；
[0015] (6)高度特征提取：獲取到頭部的關節點與軀干的關節點位置后，選取連續多帖 頭部關節點與地面的距離構成高度特征向量；高度特征是連續多帖的高度值組成的多維向 量；
[0016] (7)跌倒檢測：利用高度特征的訓練樣本離線訓練跌倒分類器；采用訓練好的跌 倒分類器對上述高度特征向量進行分類檢測，獲取跌倒檢測結果。
[0017] 優選地，步驟（2)中的人體圖像識別，具體包括如下子步驟；
[001引 （2. 1)對深度圖像進行中值濾波，消除未檢測到深度的空桐點；
[001引 （2.。根據相鄰帖里同一位置深度變化程度ki，篩選出深度值明顯變化的運動像 素點；
[0020] 其中，相鄰帖同一位置深度變化程度
；di(s)表示某一帖某位 置像素點的深度，d2(s)表示其相鄰帖同一位置像素點的深度；將ki> 0. 5的點判定為深度 值變化明顯的點，屬于人體運動的像素點；
[0021] (2. 3)在所述人體運動的像素點的鄰域范圍內，根據同一帖不同位置深度變化程 度k2獲取屬于人體的像素點；
[002引其中，同一帖不同位置深度變化程度
滿中，d(Si)，d(S2)表 示同一帖不同像素Si，S2的深度；將k 2<0. 1的像素點判定為屬于人體的像素點；
[002引 （2. 4)重復步驟化3)，直至篩選出所述鄰域范圍全部滿足符合k2< 0. 1的像素 點；由篩選出來的相鄰相似的像素點構成的連通區域，即為識別出的人體區域；
[0024]在初始確定人體圖像后，對于后續進入的每一帖新的深度圖，首先將其與其前一 帖比較，若存在運動像素，則重復人體圖像識別步驟；若不存在運動像素，則表明人體未運 動，繼續保留之前識別出的人體圖像部分。
[00巧]優選地，步驟（4)的人體部位解析包括如下子步驟：
[0026] (4. 1)對分類器進行訓練，獲得具體的分類模型：獲取至少1000張已經計算深度 差分特征I的深度圖像，將其中的人體頭部與軀干部位進行標記，獲得每個像素點的所屬 類別C;結合該樣本點的深度特征I，構成該點的樣本信息爆，句；將大量訓練樣本信息集合9=?侶，L·)}作為輸入，訓練隨機森林，得到分類器模型；其中，隨機森林是指包含多個決策 樹的分類器，其輸出的類別是由個別樹輸出的類別的眾數而定；
[0027] 步驟（4. 1)是離線步驟；在開始跌倒檢測之前完成獲取深度差分特征的訓練樣本 和訓練隨機森林的步驟；可有效提高跌倒行為檢測的實時性；
[0028] (4. 2)采用訓練完成的隨機森林分類器進行人體部位的解析：輸入各像素點的深 度差分特征，對隨機森林分類器中的每一棵樹進行分類判斷，每一棵樹得到像素S所屬類 別的概率分布Pi(CIS)，即像素S的最終類別概率分布：
[0029]
[0030] 其中，N表示隨機森林中決策樹的數目，Pi(CIS)表示一棵決策樹中像素S的所屬 類別概率分布；獲取到像素S的所屬類別概率分布后，選取概率值最大的類別作為像素S的 類別；判斷出像素所屬類別，即完成人體部位的解析。
[0031] 優選地，步驟巧）中提取步關節點的步驟包括如下子步驟：
[0032] (5. 1)初始化中屯、像素點：將屬于某部位的所有像素點的橫坐標相加取平均作為 中屯、像素點玄的橫坐標，縱坐標相加取平均作為中屯、像素點J的縱坐標，獲得中屯、像素點r 的位置iS
[003引 （5. 2)獲取中屯、像素點r的偏移量.
進入步驟（5. 3);
[0034] 其中！是中屯、像素點在世界坐標系中的坐標，N是圖像中人體部分的像素數量，Wi。 是像素權重，.t.是本類別像素點在世界坐標系中的坐標，b。是身體部位的寬度；系數Wi。如 下：
[0035]
[003引其中，P(c|si)表示在像素上所屬身體部位類的概率分布；d(Si)2為像素點深度的 平方，與該像素點在世界坐標系中的表面積具有正相關的關系，即一個像素點深度越大，貝U 在世界坐標系中所占的面積越大.
[0037] (5.如確定關節點位置：根據中屯、像素點的偏移量乂(巧，移動中屯、像素點，確定其 新位置；進入步驟巧.2)，再次獲取偏移量，不斷迭代，直至偏移量/f(句為0 ;偏移量為0的 點的坐標即為該部位的關節點坐標T。
[0038] 優選地，步驟（6)提取高度特征步驟，包