楊任兵，程文播，錢(qián) 慶，章 強(qiáng)，錢(qián) 俊，潘宇駿

?

紅外圖像中基于多特征提取的跌倒檢測(cè)算法研究

楊任兵1，程文播2，錢(qián) 慶2，章 強(qiáng)2，錢(qián) 俊2，潘宇駿2

（1. 上海大學(xué) 通信與信息工程學(xué)院，上海 200444；2. 中國(guó)科學(xué)院蘇州生物醫(yī)學(xué)工程技術(shù)研究所，江蘇 蘇州 215163）

研究表明跌倒是我國(guó)老年人傷害的主要原因，而且超過(guò)一半的跌倒發(fā)生在家中。如果我們能及時(shí)發(fā)現(xiàn)老人跌倒并進(jìn)行有效處理，就會(huì)降低跌倒對(duì)老人的傷害。因此為了檢測(cè)老年人室內(nèi)跌倒行為，本文從低分辨率的紅外圖像中，提取出4種對(duì)跌倒敏感的特征，同時(shí)使用K近鄰算法進(jìn)行分類(lèi)來(lái)判斷是否發(fā)生跌倒。另外，本文還設(shè)計(jì)了一套基于該算法的老年人跌倒檢測(cè)系統(tǒng)，它具有保護(hù)隱私、準(zhǔn)確度高、安裝方便的優(yōu)點(diǎn)。最后通過(guò)實(shí)驗(yàn)測(cè)試表明該跌倒檢測(cè)算法的準(zhǔn)確率高達(dá)91.25%。

跌倒檢測(cè)；紅外傳感器；K近鄰算法；多特征提取

0 引言

我國(guó)老齡人口越來(lái)越多，老年人的安全也牽系許多普通家庭的心。研究調(diào)查表明，老年人意外傷害的首要原因就是跌倒[1]。60歲以上老人中，34%的人每年至少發(fā)生一次摔倒行為，其中有一半以上的摔倒發(fā)生在家中（64.4%），而且隨著年齡增加，發(fā)生在家中的摔倒傷害病例比例有所增加，80歲以上的調(diào)查病例中71.19%的摔倒發(fā)生在家中[2]。2013年全國(guó)疾病監(jiān)測(cè)系統(tǒng)死因監(jiān)測(cè)結(jié)果顯示，年齡在65歲以上的老年人跌倒死亡率為44.30/10萬(wàn)，因跌倒而死亡是該人群傷害致死的第一位死因[3]。除導(dǎo)致死亡外，跌倒還能造成老年人活動(dòng)受限、功能受限、殘疾等非致死性后果。如果能及時(shí)地救助跌倒的老年人，將大大降低傷殘率和死亡率。然而現(xiàn)狀是家庭中的子女無(wú)法照顧老人，造成空巢老人越來(lái)越多[4]，使得老年人跌倒后得到及時(shí)救助變得愈加艱難。因此研究出一種用于室內(nèi)的老年人跌倒檢測(cè)系統(tǒng)顯得尤為必要，系統(tǒng)自動(dòng)檢測(cè)到老年人跌倒后立即發(fā)出報(bào)警求助，縮短從跌倒到救治的時(shí)間，有效減少由跌倒造成的意外傷害，提高老年人生活品質(zhì)，同時(shí)也減少了需要花在老年人看護(hù)上的人力成本。

目前國(guó)內(nèi)外有不少在跌倒檢測(cè)系統(tǒng)和算法方面的研究，按照檢測(cè)方法可以分為3類(lèi)：基于穿戴式的跌倒檢測(cè)系統(tǒng)、基于聲學(xué)的跌倒檢測(cè)系統(tǒng)和基于視頻的跌倒檢測(cè)系統(tǒng)，它們都有其各自的優(yōu)勢(shì)和不足?；诖┐魇降牡箼z測(cè)系統(tǒng)是通過(guò)在人體手臂、腰部、頭部或者腿部穿戴上安裝有加速度[5]、軀干角速度[6]、壓力等傳感器的專(zhuān)用設(shè)備，提取出軀體位置和運(yùn)動(dòng)的關(guān)鍵特征，然后進(jìn)行模式識(shí)別分類(lèi)來(lái)檢測(cè)人體跌倒。這類(lèi)系統(tǒng)具有成本低、安裝簡(jiǎn)單、易于操作等優(yōu)點(diǎn)，但是使用者需要將設(shè)備全程穿戴在身體的特定部位，帶給使用者不舒適感，特別是老年群體感受強(qiáng)烈，限制了這類(lèi)系統(tǒng)的推廣和應(yīng)用。另一類(lèi)基于聲學(xué)的跌倒檢測(cè)系統(tǒng)則是通過(guò)分析跌倒時(shí)對(duì)地面的沖擊狀況，比如跌倒產(chǎn)生的聲音特征[7]、與地板的震動(dòng)特征[8]等，事實(shí)上，日常生活中很多物體發(fā)出的聲響都會(huì)成為系統(tǒng)的干擾源，因此系統(tǒng)的特異性有待提高，而無(wú)法獲得滿(mǎn)意的準(zhǔn)確度。最后一類(lèi)基于視頻的跌倒檢測(cè)系統(tǒng)是直接分析視頻圖像中人體的輪廓[9]、姿態(tài)[10]以及運(yùn)動(dòng)特征[11]來(lái)實(shí)現(xiàn)的，具有高準(zhǔn)確度、能夠同時(shí)檢測(cè)多個(gè)事件、不影響人們?nèi)粘Ｉ畹韧怀鰞?yōu)點(diǎn)，而被越來(lái)越多的應(yīng)用在家庭看護(hù)中[12]。但是基于視頻的系統(tǒng)所帶有的問(wèn)題是在光照不足時(shí)準(zhǔn)確度會(huì)大大降低，并且清晰的視頻圖像暴露了個(gè)人的隱私，可能會(huì)危及使用者的安全。

為了改善上述問(wèn)題，有人提出使用人體紅外熱成像的方式來(lái)檢測(cè)跌倒，因?yàn)榧t外熱信號(hào)反映的是探測(cè)范圍內(nèi)溫度分布情況，用這種方式來(lái)檢測(cè)跌倒，不僅不受環(huán)境光強(qiáng)弱的影響，而且沒(méi)有暴露出圖像內(nèi)清晰的細(xì)節(jié)，還能獲得很高的準(zhǔn)確度。Mastorakis G.等人使用微軟的Kinect紅外攝像頭，獲取紅外圖像中人體姿勢(shì)的寬、高、深度信息，通過(guò)決策樹(shù)算法來(lái)判決是否跌倒，最后記錄48次跌倒、112次非跌倒數(shù)據(jù)進(jìn)行評(píng)估實(shí)驗(yàn)，準(zhǔn)確無(wú)誤地檢測(cè)出里面全部的跌倒數(shù)據(jù)[13]。在本文中使用的紅外陣列傳感器，其價(jià)格不足微軟Kinect的1/3，體積只有藥丸大小，具有成本較低、體積小的優(yōu)點(diǎn)，而且獲取的紅外圖像的分辨率僅為8×8像素大小，更好地保護(hù)了個(gè)人隱私?；谶@些優(yōu)點(diǎn)，本文提出一種新型的跌倒檢測(cè)算法，原理是通過(guò)從該紅外圖像中提取出4種特征，然后使用K近鄰算法（K-Nearest Neighbor, KNN）進(jìn)行分類(lèi)，來(lái)判斷是否跌倒，根據(jù)該算法所設(shè)計(jì)的系統(tǒng)，通過(guò)實(shí)驗(yàn)評(píng)測(cè)表明跌倒檢測(cè)的準(zhǔn)確率達(dá)到91.25%。

1 跌倒檢測(cè)系統(tǒng)設(shè)計(jì)

1.1 紅外陣列傳感器簡(jiǎn)介

本文使用的是松下半導(dǎo)體公司的一款高精度、低分辨率的Grid-EYE系列紅外線(xiàn)陣列傳感器[14]，它在一個(gè)8×8網(wǎng)格式布局內(nèi)含有64個(gè)熱電堆元件，能夠在不接觸被測(cè)物體的前提下探測(cè)物體表面的絕對(duì)溫度，如圖1所示。由于這款傳感器分辨率低，從溫度分布圖像中無(wú)法直接辨別出探測(cè)的物體，另外，實(shí)際上人體時(shí)時(shí)刻刻都在向周?chē)h(huán)境輻射紅外線(xiàn)，即使在黑暗條件下，也絲毫不影響Grid-EYE傳感器獲取到人體的溫度分布圖像。

在性能參數(shù)上，Grid-EYE系列傳感器在60°探測(cè)視野角內(nèi)，能夠探測(cè)最遠(yuǎn)為5m的目標(biāo)，而且它設(shè)有I2C外部數(shù)字接口，方便將溫度分布數(shù)據(jù)傳輸?shù)诫娔X上，封裝尺寸還非常小。表1中列舉出Grid-EYE傳感器的主要參數(shù)。

圖1 紅外陣列傳感器：(a) 松下Grid-EYE傳感器實(shí)物圖；(b) Grid-EYE輸出的溫度分布圖

表1 Grid-EYE傳感器的主要參數(shù)

1.2 系統(tǒng)組成

本文所設(shè)計(jì)的跌倒檢測(cè)系統(tǒng)如圖2所示，首先需要將Grid-EYE紅外陣列傳感器安裝在房間屋頂上，從上往下采集出傳感器檢測(cè)范圍內(nèi)的溫度分布信息，并以I2C的方式將溫度信息發(fā)送到單片機(jī)上，這里使用的是TI公司的MSP430F5529單片機(jī)，完成信號(hào)采集后，單片機(jī)通過(guò)無(wú)線(xiàn)藍(lán)牙將信息發(fā)送到電腦監(jiān)控臺(tái)，電腦從溫度分布數(shù)據(jù)中提取出4種特征，再與訓(xùn)練數(shù)據(jù)進(jìn)行對(duì)比，最后使用KNN分類(lèi)器檢測(cè)出是否有跌倒行為。

2 跌倒檢測(cè)算法

本文提出的跌倒檢測(cè)算法流程圖如圖3所示，整個(gè)算法可分為3部分：活動(dòng)人體檢測(cè)、特征提取以及KNN分類(lèi)。電腦上位機(jī)軟件收到溫度分布數(shù)據(jù)后，首先計(jì)算出最大溫度分布方差，根據(jù)該方差的大小來(lái)確定被檢測(cè)區(qū)域內(nèi)是否有人活動(dòng)，如果是處在無(wú)人活動(dòng)狀態(tài)，算法自動(dòng)判斷檢測(cè)結(jié)果為無(wú)人跌倒，繼續(xù)接收下一幀數(shù)據(jù)，否則從中提取出4種對(duì)跌倒敏感的特征，再分別求取與訓(xùn)練數(shù)據(jù)之間的歐式距離，最后利用KNN分類(lèi)器判決出這4種特征屬于跌倒類(lèi)還是非跌倒類(lèi)，當(dāng)屬于跌倒類(lèi)時(shí)軟件需要彈出提示信息，并響起警報(bào)請(qǐng)求人員迅速前去救助。

2.1 活動(dòng)人體檢測(cè)

一般來(lái)說(shuō)，在檢測(cè)區(qū)域沒(méi)有人在的情況下，Grid-EYE檢測(cè)的是周?chē)h(huán)境溫度分布，而這種狀態(tài)溫度分布較為均勻，隨時(shí)間發(fā)生的變化很小。但當(dāng)有人靠近時(shí)，溫度分布就不再均勻變化，因?yàn)槿梭w表面的溫度與背景環(huán)境溫度有明顯的溫差存在，此時(shí)溫度分布數(shù)據(jù)主要受人體的運(yùn)動(dòng)、姿態(tài)變化所影響。

圖2 系統(tǒng)方案設(shè)計(jì)

Fig.2 System design diagram

圖3 跌倒檢測(cè)算法流程圖

Fig.3 Flowchart of fall detection algorithm

為了研究人體的靠近對(duì)紅外線(xiàn)溫度分布數(shù)據(jù)產(chǎn)生的影響，首先定義a表示在第幀時(shí)刻，溫度分布數(shù)據(jù)中第行列的像素點(diǎn)的溫度值。因此從Grid-EYE傳感器獲得的每一幀紅外線(xiàn)溫度圖像都可以用數(shù)學(xué)矩陣這樣表示：

2.2 特征提取

跌倒檢測(cè)算法中至關(guān)重要的步驟就是從雜亂無(wú)序的8×8像素點(diǎn)的溫度分布數(shù)據(jù)中提取出4種對(duì)跌倒敏感的特征，這是因?yàn)樵嫉臏囟确植紨?shù)據(jù)中包含大量與跌倒檢測(cè)無(wú)關(guān)的信息，也被稱(chēng)為“噪聲”信息[15]。本文通過(guò)特征提取的方式不僅去除掉這些“噪聲”，增強(qiáng)跌倒檢測(cè)的敏感性，同時(shí)也對(duì)原始數(shù)據(jù)進(jìn)行特征降維，降低了分類(lèi)時(shí)計(jì)算的開(kāi)銷(xiāo)。

mov＝end－start＋1 (5)

該特征表示的是溫度分布發(fā)生變化的時(shí)間長(zhǎng)短，檢測(cè)區(qū)域內(nèi)沒(méi)人的情況下，這個(gè)值較小，當(dāng)人在檢測(cè)區(qū)域內(nèi)來(lái)回走動(dòng)，這個(gè)值會(huì)變大，當(dāng)人跌倒時(shí)，這個(gè)值也會(huì)變大，但不高于人在來(lái)回走動(dòng)的情況，如圖4。

最大像素點(diǎn)數(shù)max：指的是在第start幀～end幀之間，每幀中64個(gè)單像素點(diǎn)的方差超過(guò)閾值最多的像素點(diǎn)數(shù)。這個(gè)特征表示的是溫度分布發(fā)生變化的像素點(diǎn)的個(gè)數(shù)，當(dāng)有人跌倒的時(shí)候這個(gè)特征會(huì)發(fā)生變大，因?yàn)榈购笕梭w在檢測(cè)區(qū)域內(nèi)的表面積變大，從而引起更多的像素點(diǎn)方差發(fā)生變化。

高溫區(qū)域的形態(tài)特征max：如圖5所示，人在站立時(shí)，紅外線(xiàn)溫度圖像中形成的是一塊方形區(qū)域，當(dāng)人跌倒后，人體橫躺在地面，在紅外線(xiàn)圖像中形成的則是長(zhǎng)條形區(qū)域，并且該區(qū)域的面積大于方形區(qū)域。為了表現(xiàn)人體跌倒前后這一變化，算法從溫度分布數(shù)據(jù)中提取高溫區(qū)域的形態(tài)特征max。

圖4 10s內(nèi)4種特征在不同狀態(tài)下的變化，方差閾值取0.8

圖5 站立和平躺時(shí)在紅外線(xiàn)溫度分布圖像中高溫區(qū)域的形狀和面積不一樣

首先特征指的是高溫點(diǎn)集中區(qū)域的面積與長(zhǎng)寬比的乘積，其中高溫點(diǎn)是指溫度值大于高溫均值的像素點(diǎn)，這里高溫均值定義如下：

一幀紅外線(xiàn)溫度分布圖像中，64個(gè)溫度值中最大值為max，最小值為min，從中計(jì)算出一個(gè)臨界溫度值th，如圖6所示，方法是把最小值和最大值線(xiàn)段分成左右兩部分，并且左邊占總長(zhǎng)的1/3，然后舍棄低于臨界溫度值的像素點(diǎn)，計(jì)算其余存留下來(lái)的溫度值的平均值，這個(gè)平均值就稱(chēng)為高溫均值，公式計(jì)算如下：

然后統(tǒng)計(jì)高溫點(diǎn)在8×8像素的圖像中分布位置，并使用bwlabel函數(shù)選取其中最大的4連通區(qū)域，也就是位置相鄰的高溫點(diǎn)數(shù)量最多的區(qū)域，并計(jì)算該區(qū)域的面積、長(zhǎng)度以及寬度，則計(jì)算公式如下：

最后特征max就取在第start幀到end幀之間的最大值。

2.3 分類(lèi)器

本系統(tǒng)中使用近鄰分類(lèi)器進(jìn)行數(shù)據(jù)分類(lèi)，它是一種有監(jiān)督的機(jī)器學(xué)習(xí)方法，分類(lèi)原理是在特征空間下，尋找訓(xùn)練樣本里面與待分類(lèi)樣本距離最近的個(gè)近鄰，根據(jù)這個(gè)近鄰的類(lèi)別確定待分類(lèi)樣本歸屬，這里的距離一般由歐式距離來(lái)度量[10]。其中有兩個(gè)因素會(huì)直接影響KNN分類(lèi)器的性能，一個(gè)是特征空間的選取，另一個(gè)是值的選取。由前文特征提取的內(nèi)容以及圖4可以反映出，本文選取的4種特征直接與人體活動(dòng)變化緊密相關(guān)，因此選取合適的值在本文中是影響KNN分類(lèi)器性能最關(guān)鍵的因素。如果值取得過(guò)小，則算法易受噪聲的影響，使分類(lèi)結(jié)果不穩(wěn)定，值取得過(guò)大，則會(huì)增加算法的時(shí)間復(fù)雜度[16]。本文使用目前常用的交叉驗(yàn)證的方法來(lái)確定合適的值，通過(guò)實(shí)驗(yàn)確定“值-準(zhǔn)確率”的變化，選取準(zhǔn)確率最高的情況下的值，本文將在第3章進(jìn)行詳細(xì)介紹。

3 算法實(shí)驗(yàn)評(píng)測(cè)

3.1 實(shí)驗(yàn)裝置及環(huán)境

為了評(píng)測(cè)跌倒檢測(cè)算法的性能，本文利用Grid-EYE傳感器設(shè)計(jì)配套的軟硬件系統(tǒng)，如圖7所示，右上圖是基于Grid-EYE傳感器的紅外線(xiàn)溫度分布數(shù)據(jù)采集和發(fā)送裝置，該裝置使用3節(jié)5號(hào)電池供電，方便安裝，通過(guò)搭載MSP430F5529單片機(jī)，紅外線(xiàn)溫度分布數(shù)據(jù)可以被讀取并由HC-06藍(lán)牙模塊實(shí)時(shí)發(fā)送到電腦上，用于上位機(jī)軟件進(jìn)行跌倒檢測(cè)。右下圖就是使用MATLAB 2013b軟件編寫(xiě)的上位機(jī)操作界面，該界面不僅能夠?qū)崟r(shí)顯示采集到的紅外線(xiàn)溫度分布圖像以及所提取的4種特征值，當(dāng)軟件檢測(cè)到跌倒時(shí)，能夠彈窗提醒給在旁人員前去救助，并發(fā)出報(bào)警鈴聲。

本文中的實(shí)驗(yàn)是在圖7左圖所示的環(huán)境下進(jìn)行，實(shí)驗(yàn)裝置固定在檢測(cè)區(qū)域正上方的天花板上，天花板距離地面3.1m，室溫23℃左右。實(shí)驗(yàn)人員需要根據(jù)要求完成指定動(dòng)作，來(lái)對(duì)本文所提出的跌倒檢測(cè)算法的效果進(jìn)行評(píng)測(cè)。

3.2 Vth的選取

溫度分布方差閾值th直接影響跌倒檢測(cè)算法的性能，如果選取過(guò)低，不僅會(huì)增加算法檢測(cè)的計(jì)算量，誤判率也會(huì)提高，如果選取過(guò)高，漏檢率又會(huì)上升，因此選取合適的閾值th對(duì)整個(gè)檢測(cè)系統(tǒng)來(lái)說(shuō)至關(guān)重要。

在本文中，閾值th的檢測(cè)方法是在檢測(cè)區(qū)域沒(méi)有人的情況下，整個(gè)裝置連續(xù)運(yùn)行10min，記錄下這段時(shí)間內(nèi)的最大溫度分布方差，重復(fù)該過(guò)程3次，選取3次實(shí)驗(yàn)中的最大值作為閾值th。通過(guò)實(shí)驗(yàn)，本文中選取的閾值th為0.8。

圖6 求取高溫均值時(shí)確定臨界溫度值示意圖

圖7 實(shí)驗(yàn)裝置及環(huán)境。左圖為室內(nèi)的實(shí)驗(yàn)環(huán)境，右上圖為基于文中提出的算法設(shè)計(jì)的硬件系統(tǒng)，右下圖為Matlab編寫(xiě)的跌倒檢測(cè)界面

3.3 訓(xùn)練數(shù)據(jù)

本文中邀請(qǐng)5名人員（4男1女）進(jìn)行實(shí)驗(yàn)，以獲得訓(xùn)練數(shù)據(jù)。在實(shí)驗(yàn)過(guò)程中，要求實(shí)驗(yàn)人員在檢測(cè)區(qū)域內(nèi)完成表2所要求的4種動(dòng)作，每種動(dòng)作完成10次，實(shí)驗(yàn)記錄人員保存每次動(dòng)作完成過(guò)程時(shí)提取到的4種特征數(shù)據(jù)，最后共獲得200組數(shù)據(jù)（非跌倒類(lèi)100組，跌倒類(lèi)100組），作為本文中的訓(xùn)練數(shù)據(jù)。

表2 動(dòng)作要求

3.4 選取最優(yōu)K值

本文使用常用的交叉驗(yàn)證的方法來(lái)選取最優(yōu)的值。首先將前面得到的訓(xùn)練數(shù)據(jù)作為數(shù)據(jù)集，按不同比例分成訓(xùn)練集和測(cè)試集進(jìn)行實(shí)驗(yàn)，然后以3為初始值，2為步長(zhǎng)選取相應(yīng)的值進(jìn)行分類(lèi)，最后計(jì)算出每次的分類(lèi)準(zhǔn)確率，準(zhǔn)確率最高的情況即為最優(yōu)的值。表3顯示的是交叉驗(yàn)證的結(jié)果，從中可以看出最優(yōu)的值為3。

3.5 實(shí)驗(yàn)結(jié)果和分析

為了全面評(píng)測(cè)算法的魯棒性，另外邀請(qǐng)3名人員參與實(shí)驗(yàn)，共8名實(shí)驗(yàn)人員（6男2女），設(shè)定溫度分布方差閾值th為0.8，分類(lèi)器的值為3，要求實(shí)驗(yàn)人員進(jìn)行實(shí)驗(yàn)，按照上面一樣動(dòng)作，每種動(dòng)作每人完成5次，實(shí)驗(yàn)結(jié)果如表4所示。

表3 交叉驗(yàn)證結(jié)果

表4 實(shí)驗(yàn)結(jié)果準(zhǔn)確率

由評(píng)測(cè)結(jié)果我們可以看到，本系統(tǒng)對(duì)真實(shí)的人體跌倒檢測(cè)準(zhǔn)確率比較高，可以達(dá)到93.75%，整個(gè)系統(tǒng)的準(zhǔn)確率為91.25%，這說(shuō)明我們從溫度分布數(shù)據(jù)中提取到的特征確實(shí)與人體跌倒相關(guān)聯(lián)。但同時(shí)也可以看出該系統(tǒng)也有較高的虛警率，其中主要部分是將坐下的動(dòng)作誤分類(lèi)成跌倒動(dòng)作，這是因?yàn)樽潞偷惯@兩個(gè)動(dòng)作在最大分布方差和運(yùn)動(dòng)幀數(shù)上表現(xiàn)得較為相似，從而造成分類(lèi)出錯(cuò)。為了解決這一問(wèn)題，本文下一步方案計(jì)劃增加一個(gè)紅外線(xiàn)陣列傳感器，安裝在側(cè)面墻體上，用于檢測(cè)跌倒時(shí)垂直方向上紅外線(xiàn)溫度分布的變化。

4 結(jié)論

本文采用一款具有低成本、低分辨率特點(diǎn)的紅外線(xiàn)陣列傳感器，提出一套適用于老年人室內(nèi)跌倒檢測(cè)的算法，創(chuàng)新地從紅外線(xiàn)溫度分布數(shù)據(jù)中提取出對(duì)跌倒敏感的4種特征，并且還設(shè)計(jì)出實(shí)驗(yàn)系統(tǒng)對(duì)該算法進(jìn)行性能評(píng)估，與基于其他跌倒檢測(cè)算法的系統(tǒng)相比，該算法所實(shí)現(xiàn)的系統(tǒng)具有保護(hù)隱私、準(zhǔn)確度高、安裝方便的優(yōu)點(diǎn)，實(shí)驗(yàn)證明基于本文所提出的4種特征然后進(jìn)行KNN分類(lèi)，跌倒檢測(cè)的準(zhǔn)確率達(dá)到91.25%。從原理上來(lái)說(shuō)，通過(guò)增加一個(gè)紅外線(xiàn)陣列傳感器，跌倒檢測(cè)的準(zhǔn)確率還能進(jìn)一步提高，有待以后進(jìn)行實(shí)驗(yàn)驗(yàn)證。

[1] 耳玉亮, 段蕾蕾, 葉鵬鵬, 等. 2014年全國(guó)傷害監(jiān)測(cè)系統(tǒng)老年跌倒/墜落病例特征分析[J]. 中華流行病學(xué)雜志, 2016, 37(1): 24-28.

ER Yuliang, DUAN Leilei, YE Pengpeng, et al. Epidemiologic characteristics of fall in old population: Results from national injury surveillance in China, 2014[J]., 2016, 37(1): 24-28.

[2] 朱月妹, 袁浩斌, 陳雷. 老年人跌倒危險(xiǎn)因素的調(diào)查[J]. 護(hù)理實(shí)踐與研究, 2007, 4(10): 5-7.

ZHU Yuemei, YUAN Haobin, CHEN Lei. Investigation the risk factors of fall for the aged[J]., 2007, 4(10): 5-7.

[3] 中國(guó)疾病預(yù)防控制中心慢性非傳染性疾病預(yù)防控制中心, 國(guó)家衛(wèi)生和計(jì)劃生育委員會(huì)統(tǒng)計(jì)信息中心. 全國(guó)疾病監(jiān)測(cè)系統(tǒng)死因監(jiān)測(cè)數(shù)據(jù)集2013[M]. 北京: 科學(xué)普及出版社, 2015.

National Center for Chronic and Non-communicable Disease Control and Prevention, Chinese Center for Disease Control and Prevention, Statistical Information Center of the National Health and Family Planning Commission.2013 [M]. Beijing: Popular Science Press, 2015.

[4] 劉臘梅, 路麗娜. 城市老年空巢家庭現(xiàn)狀及對(duì)策分析[J]. 護(hù)士進(jìn)修雜志, 2011, 26(18): 1707-1709.

LIU Lamei, LU Lina. Analysis on the present situation and countermeasures of urban old-age empty Nest family[J]., 2011, 26(18): 1707-1709.

[5] 劉鵬, 盧潭城, 呂愿愿, 等. 基于MEMS三軸加速度傳感器的摔倒檢測(cè)[J]. 傳感技術(shù)學(xué)報(bào), 2014(4): 570-574.

LIU Peng, LU Tancheng, LV Yuanyuan, et al. MEMS tri-axial accelerometer based fall detection [J]., 2014(4): 570-574.

[6] Bourke A K, Lyons G M. A threshold-based fall-detection algorithm using a bi-axial gyroscope sensor[J]., 2008, 30(1): 84-90.

[7] ZHUANG X, HUANG J, Potamianos G, et al. Acoustic fall detection using Gaussian mixture models and GMM super vectors[C]//,,, 2009: 69-72.

[8] Zigel Y, Litvak D, Gannot I, et al. A method for automatic fall detection of elderly people using floor vibrations and sound—proof of concept on human mimicking doll falls[J]., 2009, 56(12): 2858-2867.

[9] Foroughi H, Aski B S, Pourreza H. Intelligent video surveillance for monitoring fall detection of elderly in home environments[C]//, 2008: 219-224.

[10] LIU C L, LEE C H, LIN P M. A fall detection system using k-nearest neighbor classifier[J]., 2010, 37(10): 7174-7181.

[11] FU Z, Culurciello E, Lichtsteiner P, et al. Fall detection using an address-event temporal contrast vision sensor[C]//, 2008: 424-427.

[12] YU X. Approaches and principles of fall detection for elderly and patient[C]//,, 2008: 42-47.

[13] Mastorakis G, Makris D. Fall detection system using Kinect’s infrared sensor[J]., 2014, 9(4): 635-646.

[14] 松下電器機(jī)電（中國(guó)）有限公司. 紅外線(xiàn)陣列傳感器Grid-EYE [EB/OL]. https://industrial.panasonic.cn/ ea/ products/ sensors/ built- in-sensors/grid-eye.

Panasonic Corporation. Infrared Array Sensor Grid-EYE[EB/OL]. Available: https://industrial.panasonic.com/ea/products/sensors/ built -in-sensors/grid-eye.

[15] 奉國(guó)和, 吳敬學(xué). KNN分類(lèi)算法改進(jìn)研究進(jìn)展[J]. 圖書(shū)情報(bào)工作, 2012, 56(21): 97-100.

FENG Guohe, WU Jingxue. A literature review on the improvement of KNN algorithm[J]., 2012, 56(21): 97-100.

[16] 李洪奇, 楊中國(guó), 朱麗萍, 等. 基于數(shù)據(jù)集特征的KNN最優(yōu)K值預(yù)測(cè)方法[J]. 計(jì)算機(jī)應(yīng)用與軟件, 2016, 33(6): 54-58.

LI Hongqi, YANG Zhongguo, ZHU Liping, et al. Prediction method of optimal k value in KNN based on dataset features[J]., 2016, 33(6): 54-58.

Fall Detection Algorithm Based on Multi Feature Extraction in Infrared Image

YANG Renbing1，CHENG Wenbo2，QIAN Qing2，ZHANG Qiang2，QIAN Jun2，PAN Yujun2

(1.,,200444,;2.,,215163,)

Falling is reported to be the major cause of injury in the elderly population in China. More than half of the falls this population experienced occurred at home. If we can get timely messagesduring the event of a fall, and process these effectively, we can reduce the potential for harm. Therefore, in order to detect indoor falls of the elderly, this study extracts four fall-sensitive featuresin low-resolution infrared images, after which the k-nearest neighbor algorithm is used to determine whether a fallhas occurred or not. Moreover, this paper also designs a complete fall detection system for the elderly based on the proposed algorithm, which offers the advantages of privacy protection, high accuracy, and convenient assembly.Results of experiments show that the accuracy of the fall detection system is as high as 91.25%.

fall detection，infrared sensors，KNN，multi feature extraction

TP391.4

A

1001-8891(2017)12-1131-08

2017-05-15；

2017-06-23.

楊任兵（1993-），男，碩士研究生，研究方向：光電信號(hào)和生物醫(yī)學(xué)信號(hào)處理。E-mail：yangrenbing2014@163.com。

程文播（1984-），男，副研究員，碩士生導(dǎo)師，主要從事床旁診斷技術(shù)以及微弱光電信號(hào)處理方面的研究。E-mail：chengwb@sibet.ac.cn。

江蘇省科技支撐計(jì)劃項(xiàng)目（BE2014639）；中國(guó)科學(xué)院科技服務(wù)網(wǎng)絡(luò)計(jì)劃（KFJ-STS-SCYD-007）；蘇州市科技計(jì)劃項(xiàng)目（SYS201664）。