人體跌倒檢測方法與流程
本發(fā)明涉及一種圖像應用技術，特別涉及一種人體跌倒檢測方法。
背景技術：
2015年中國總人口數量超13.6億人，60周歲老齡人口2.1億，占總人口的15.5％，我國已經步入老齡化社會。據相關資料分析，跌倒是導致老年人傷殘甚至死亡的重要因素之一。及時的檢測出老人跌倒，不僅能減小醫(yī)療開支，更能使老人得到及時救助。
目前，國內外對人體跌倒檢測主要分為兩類方法：(1)基于人體穿戴設備；(2)基于視頻圖像分析。基于人體穿戴設備的跌倒檢測，主要以傳感器為媒介來采集數據。常見的傳感器有加速度傳感器，陀螺儀，壓力傳感器等。席旭剛等設計出了一種基于表面肌電(sEMG)和足底壓力信號融合的跌倒檢測系統(tǒng)，系統(tǒng)需要在人體穿戴肌電信號采集儀和壓力傳感器，系統(tǒng)平均識別率達到了91.7％。Jin Wang等通過無線傳感器采集人體跌倒時軀干傾斜角、心跳率的變化，分析人體是否發(fā)生跌倒，準確率達到97.5％。宋菲等通過將提取到的運動目標圖像分為三個區(qū)域，分析不同區(qū)域重心連線的變化，檢測人體是否發(fā)生跌倒，實驗證明跌倒檢測率達到90.5％。M.等人利用橢圓標記跟蹤目標，分析橢圓運動目標的長短軸的方向和離心率的變化，實驗準確率可以達到90％。
基于人體穿戴設備的跌倒檢測準確率較高，但是其成本也相對較高，佩戴相關產品也較麻煩。基于視頻圖像分析的跌倒檢測成本低，但是準確率相對較低，容易受外界條件的影響。
技術實現要素：
本發(fā)明是針對基于視頻圖像分析的跌倒檢測準確率低的問題，提出了一種人體跌倒檢測方法，以攝像機為媒介來采集圖像數據，通過圖像處理技術分析判斷人體是否跌倒。具有良好的環(huán)境適應性和較高的跌倒檢測準確率。
本發(fā)明的技術方案為：一種人體跌倒檢測方法，具體包括如下步驟：
1)以攝像機為媒介來采集圖像數據，對采集的圖像進行處理，首先，將像素點的顏色信息從RGB顏色空間轉換到HSV顏色空間，然后通過設定參數值，將背景區(qū)域區(qū)分出，得到人體目標；
2)在步驟1)基礎上通過最小面積外接矩形對人體目標進行限定，然后用最小面積外接矩計算矩形寬高比、人體質心高度比和人體軀干傾斜角，作為人體跌倒判斷的特征量；
3)通過廣義三角模糊函數構造人體特征的基本概率分配BPA，分別構建人體在跌倒、下蹲、站立時其人體寬高比特征對應的隸屬度函數；
4)將步驟2)檢測到的三種人體目標特征值代入到步驟3)構造的廣義模糊函數中，生成BPA的策略：
A:當樣本在某單個模糊數橫坐標范圍內時，該樣本點的縱坐標即是該命題的BPA值mi(U),i為證據數，取1,2,3；U為識別框架，取S,T,F為人體站立、下蹲、跌倒3個命題；
B:當樣本在多個模糊數橫坐標范圍內時，該樣本點滿足的多個縱坐標值為多個命題的BPA值mi(U)；
C:生成的單個BPA值mi(U)小于1時，生成其他BPA為k取1,2；lk為mi(U)的特征值橫坐標與其他兩個證據三角模糊數中心點，也就是與縱坐標為1的橫坐標的距離；
D:生成的BPA之和小于1時，生成
E:生成所有的BPA之和大于1時，則歸一化各BPA值；
5)根據步驟4的計算，每個命題都有3個證據分別為m1，m2，m3，通過雙重加權平均證據源，對人體證據進行信息融合，分析證據中三種人體狀態(tài)的融合概率值，判斷最大概率值的狀態(tài)為人體狀態(tài)。
所述步驟5)通過雙重加權平均證據源，對人體證據進行信息融合，具體包括如下步驟：
m1(S)、m2(S)、m3(S)為人體站立的3個證據，m1(T)、m2(T)、m3(T)為人體下蹲的3個證據，m1(F)、m2(F)、m3(F)為人體跌倒的3個證據,
(1)計算平均證據：
mave(S)＝(m1(S)+m2(S)+m3(S))/3；
(2)計算單個命題下各個證據與平均證據的距離：
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)與平均證據距離越近，權重越大，所以定義單個命題下各證據的權重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)利用每個證據的權重計算出新的平均證據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)計算每個證據與新的平均證據的距離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]1/2
D3＝[(m3(S)-mave(S)2+(m3(T)-mave(T))2+(m3(F)-mave(F))2]1/2
(6)與平均證據距離越近，權重越大，所以計算各證據的權重：
(7)利用每個證據的權重計算出最終的加權平均證據：
(8)最后對m4(S)、m4(T)、m4(F)用D-S組合規(guī)則迭代重復計算2次，得出融合結果,D-S組合規(guī)則迭代融合計算證據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)，得到的證據m5再次與m4進行D-S融合得到最終證據m6。
本發(fā)明的有益效果在于：本發(fā)明人體跌倒檢測方法，有較高的準確率。與市面上以依托于傳感器為信息媒介的檢測方案相比，該跌倒檢測方案不僅解決了依靠圖像處理進行跌倒檢測準確率低的問題，也降低了檢測成本。該跌倒檢測方案可以推廣到老人群體密集的老人醫(yī)院、養(yǎng)老院等場所，具有較高的實際應用價值。
附圖說明
圖1為本發(fā)明人體跌倒檢測方法流程圖；
圖2為本發(fā)明視頻提取幀圖；
圖3為本發(fā)明HSV顏色空間圖；
圖4為本發(fā)明去除陰影前圖；
圖5為本發(fā)明去除陰影后圖；
圖6為本發(fā)明人體寬高比模糊函數定義圖；
圖7為本發(fā)明人體質心高度比模糊函數定義圖；
圖8為本發(fā)明人體軀干傾斜角模糊函數定義圖；
圖9為本發(fā)明人體跌倒狀態(tài)實圖；
圖10為本發(fā)明方法處理后人體跌倒狀態(tài)圖。
具體實施方式
本發(fā)明主要以人體特征分析和D-S信息融合，利用人體最小面積外接矩形和垂直外接矩形對檢測到的人體目標進行標記，分析人體目標區(qū)域的矩形寬高比、人體質心高度比和人體軀干傾斜角的特征變化。根據各個特征對人體不同狀態(tài)的判斷靈敏度，提出了一種基于改進D-S證據理論的人體跌倒檢測的方法。該方案具有良好的環(huán)境適應性和較高的跌倒檢測準確率。
如圖1所示，該人體跌倒檢測方法具體步驟如下：
步驟1：以攝像機為媒介來采集圖像數據，如圖2所示視頻提取幀圖，對采集的圖像進行處理，首先，將像素點的顏色信息從RGB顏色空間轉換到HSV顏色空間，如圖3所示HSV顏色空間圖。按照公式(1)檢測陰影區(qū)域，如圖4、5所示去除陰影前、后圖。公式(1)中，I(x,y)表示二值圖像在坐標x，y處的值，HI、SI、VI表示當前圖像在HSV顏色空間各分量的值，HB、SB、VB表示背景幀圖像在HSV顏色空間各分量的值，TV、TS、TH分別表示設置的亮度、飽和度、色調各個參數閾值，通過統(tǒng)計陰影區(qū)域前后各個參數的變化范圍，設置TV＝0.3，TS＝0.15，TH＝0.25。滿足條件的像素點設置為1，即將誤檢測到的陰影轉換為二值圖中黑色背景區(qū)域。
利用公式(1)消除背景差分法下光照變化帶來的陰影干擾，進而得到完整的人體輪廓，如圖5所示。
步驟2：通過計算得到進行人體跌倒判斷的特征量。本發(fā)明中，采用人體寬高比、人體質心高度比和人體軀干傾斜角作為人體跌倒判斷的特征量。
當物體邊界未知時，用外接矩形來描述目標是最簡單的方法。對于任意朝向的物體，有必要確定物體的主軸，此時用水平或垂直方向的矩形來描述目標，將不再具有參考性。因此，定義一種能更完整描述人體目標的人體最小面積外接矩形。將檢測到的人體目標輪廓邊界以每次3°左右的增量在90°范圍內旋轉。每旋轉一次記錄一次其坐標系方向上的外接矩形邊界點的最大和最小x、y值。旋轉到某一個角度后，外接矩形的面積達到最小。取面積最小的外接矩形的參數為主軸意義下的長度和寬度。矩形四個頂點按順序依次標記為R1(XR1，YR1)，R2(XR2，YR2)，R3(XR3，YR3)，R4(XR4，YR4)。則外接矩形的寬W和高H可通過下列公式計算：
人體寬高比可通過公式(4)計算：
式中W、H分別為人體最小面積外接矩形的寬和高。
然后，定義最小外接矩形的中心(矩形對角線)Z為人體質心位置。在經過陰影處理后的目標檢測二值圖P(x,y)中，定義二維數組集合[row，col]為目標區(qū)域(像素為0)像素點集合，其中row、col分別為目標區(qū)域像素點在二值圖中的橫縱坐標值集合。
設置一條直線L為水平地面，其中L為像素點(0，max(row))到像素點(640,max(row))的直線。此處640為本文實驗攝像頭分辨率下row所能取到的最大值。
接下來，定義質心Z到直線L的距離ZL為質心高度，定義ZL與人體身高HP比值RZ為人體質心高度比，如式(5)所示：
公式(5)中HP為人體正常站立時在二值圖中的計算得到的高度平均值，設置為370。
最后定義人體軀干傾斜角φ，按照下列公式(6)計算φ值。
公式(6)中max(row)、min(row)分別表示目標在二值圖垂直方向上的最大、最小像素坐標值，max(col)、min(col)分別表示目標在二值圖水平方向上的最大、最小像素坐標值。四個坐標值所包圍的矩形為目標垂直外接矩形。
通過單個人體特征判斷人體姿態(tài)并不能準確的分析人體的運動情況，特殊情況下某個人體特征甚至還會出現突變的情況，此時單一的通過某個人體特征判斷人體姿態(tài)會造成檢測誤差。如何融合三種人體特征信息，是精確判斷人體運動姿態(tài)的關鍵。
步驟3：根據在步驟2中得到的三種人體特征量對人體姿態(tài)不同的檢測靈敏度，提出一種D-S證據理論融合人體特征信息的檢測算法。
采集到的三種人體目標特征不符合D-S證據理論BPA的要求，不能直接代入D-S證據理論進行信息融合，需要通過構造BPA，利用統(tǒng)計的人體特征數據，建立三角模糊數的隸屬函數，構造方法簡單實用，計算量較小，生成代表人體目標特征的BPA，基本概率分配BPA，也稱m函數，表示分配給各命題的信任程度，m(A)為基本可信數，反映著對A的信度大小。
首先，定義一種廣義三角模糊函數構造人體特征BPA。人體寬高比特征的廣義模糊函數μQ(a)如公式(7)、(8)、(9)所示，分別表示人體在跌倒、下蹲、站立時其人體寬高比特征對應的隸屬度函數，其廣義三角模糊函數圖如附圖6所示。
同理構造人體質心高度比、人體軀干傾斜角的廣義模糊函數μφ(c)如公式(10)、(11)、(12)、(13)、(14)、(15)所示，，其廣義三角模糊函數圖如附圖7、8所示。
步驟4：將檢測到的三種人體目標特征值代入到步驟3構造的廣義模糊函數中，生成BPA的策略如下：
(1)當樣本在某單個模糊數橫坐標范圍內時，該樣本點的縱坐標即是該命題的BPA值mi(U)(i為證據數，取1,2,3；U為識別框架，取S,T,F為人體站立、下蹲、跌倒3個命題)。
(2)當樣本在多個模糊數橫坐標范圍內時，該樣本點滿足的多個縱坐標值為多個命題的BPA值mi(U)。
(3)生成的單個BPA值mi(U)小于1時，生成其他BPA為(k取1,2；lk為mi(U)的特征值橫坐標與其他兩個證據三角模糊數中心點(縱坐標為1的橫坐標)的距離)。
(4)生成的BPA之和小于1時，生成
(5)生成所有的BPA之和大于1時，則歸一化各BPA值。
步驟5：將步驟4中生成的BPA代入到改進的D-S證據理論規(guī)則中，對人體證據進行信息融合和判斷。通過雙重加權平均證據源的改進算法對D-S證據理論進行改進。
S,T,F為人體站立、下蹲、跌倒3個命題，根據步驟4的計算，每個命題都有3個證據分別為m1，m2，m3。改進的融合算法步驟如下：
(1)計算平均證據。
mave(S)＝(m1(S)+m2(S)+m3(S))/3；
(2)計算單個命題S下各個證據與平均證據的距離。
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)與平均證據距離越近，權重越大，所以定義單個命題下各證據的權重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)利用每個證據的權重計算出新的平均證據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)計算每個證據與新的平均證據的距離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]1/2
D3＝[(m3(S)-mave(S)2+(m3(T)-mave(T))2+(m3(F)-mave(F))2]1/2
(6)與平均證據距離越近，權重越大，所以計算各證據的權重。
(7)利用每個證據的權重計算出最終的加權平均證據。
(8)最后對m4(S)、m4(T)、m4(F)用D-S組合規(guī)則迭代重復計算2次，得出融合結果。D-S組合規(guī)則迭代融合計算證據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)，得到的證據m5再次與m4進行D-S融合得到最終證據m6，計算過程如式(16)、(17)、(18)。分析證據m6中三種人體狀態(tài)的融合概率值，判斷最大概率值的狀態(tài)為人體狀態(tài)。圖9為本發(fā)明人體跌倒狀態(tài)實圖；圖10為本發(fā)明方法處理后人體跌倒狀態(tài)圖。
- 還沒有人留言評論。精彩留言會獲得點贊！