高苗 朱蘇磊

摘要： 針對(duì)已有摔倒檢測(cè)算法誤檢率高的缺點(diǎn)，提出了一種改進(jìn)的摔倒檢測(cè)算法.首先采用混合高斯模型對(duì)前景目標(biāo)進(jìn)行檢測(cè)，然后進(jìn)行中值濾波和形態(tài)學(xué)處理來(lái)提取前景目標(biāo).在人體寬高比和有效面積比的基礎(chǔ)上，采用了質(zhì)心的變化、方向角度和運(yùn)動(dòng)系數(shù)作為特征來(lái)判斷人體是否摔倒.實(shí)驗(yàn)結(jié)果表明，和傳統(tǒng)算法相比，該算法具有更高的準(zhǔn)確度，識(shí)別度高，算法復(fù)雜度低，能有效地防止誤判.

關(guān)鍵詞：

摔倒檢測(cè)； 混合高斯模型； 質(zhì)心； 方向角度； 運(yùn)動(dòng)系數(shù)

中圖分類號(hào)： TP 273.4文獻(xiàn)標(biāo)志碼： A文章編號(hào)： 10005137（2018）02024206

The design of fall detection algorithm based on multifeature analysis

Gao Miao， Zhu Sulei*

（The College of Information，Mechanical and Electrical Engineering，Shanghai Normal University，Shanghai 200234，China）

Abstract：

In view of the shortcomings of high detection error rate of the existing fall detection algorithm，an improved fall detection algorithm is proposed.First，the Gaussian mixture model is used to detect the foreground object，and then median filtering and morphological processing are used to extract the foreground object.Based on the use of human aspect ratio and effective area ratio，the change of centroid，orientation angle and motion coefficient are taken as features to judge whether the human has fallen.Compared with traditional algorithnal，experimental results show that the proposed algorithm has higher accuracy，higher sensitivity，low algorithm complexity，and can effectively prevent misjudgment.

Key words：

fall detection； Gaussian mixture model； centroid； orientation angle； motion coefficient

收稿日期： 20171210

作者簡(jiǎn)介： 高苗（1993-），女，碩士研究生，主要從事圖像處理方面的研究.Email：122964616@qq.com

導(dǎo)師簡(jiǎn)介： 朱蘇磊（1975-），女，副教授，主要從事圖像處理和嵌入式方面的研究.Email：suleizhu@163.com

*通信作者

引用格式： 高苗，朱蘇磊.基于多特征分析的摔倒檢測(cè)算法設(shè)計(jì) [J].上海師范大學(xué)學(xué)報(bào)（自然科學(xué)版），2018，47（2）：242-247.

Citation format： Gao M，Zhu S L.The design of fall detection algorithm based on multifeature analysis [J].Journal of Shanghai Normal University （Natural Sciences），2018，47（2）：242-247.

0引言

目前，摔倒已經(jīng)成為老人和病人受到傷害的一大原因，如果在摔倒之后不能進(jìn)行有效的治療，很有可能會(huì)出現(xiàn)嚴(yán)重的后果，因此，對(duì)自動(dòng)摔倒檢測(cè)系統(tǒng)的研發(fā)就很有必要.摔倒事件檢測(cè)的方法主要分為以下三種：（1）基于穿戴式傳感器的檢測(cè).當(dāng)有摔倒發(fā)生時(shí)，通過(guò)戴在身上的傳感器來(lái)感應(yīng)信號(hào).基于傳感器的摔倒檢測(cè)準(zhǔn)確率高，但是誤檢率也很高，同時(shí)由于穿戴式傳感器需要隨時(shí)攜帶，對(duì)用戶的生活會(huì)造成一定的不便；（2）基于場(chǎng)景裝置的檢測(cè).這種方法根據(jù)場(chǎng)景和人的姿態(tài)特征來(lái)檢測(cè)摔倒；（3）基于視頻的摔倒檢測(cè).通過(guò)對(duì)視頻進(jìn)行處理來(lái)檢測(cè)摔倒，該方法的成本相對(duì)較低，并且用戶無(wú)需佩戴任何儀器，更加方便[1].

Vaidehi等[2]實(shí)現(xiàn)了一種基于視頻的自動(dòng)檢測(cè)人體摔倒行為系統(tǒng)，此系統(tǒng)只使用人體寬高比和傾斜角度這兩種特征來(lái)判斷是否摔倒，不能區(qū)分下蹲、躺下等常見的行為，誤檢率很高.Rougier 等[3]設(shè)計(jì)的摔倒檢測(cè)系統(tǒng)采用單目 3D 攝像頭，先利用跟蹤模塊定位到人體頭部，然后用粒子濾波的方法判斷頭部的形狀，計(jì)算頭部水平和垂直兩個(gè)方向的速度，通過(guò)和閾值比較來(lái)判斷人體是否摔倒.該方法的時(shí)間復(fù)雜度高，不能滿足實(shí)時(shí)性要求.上述算法在一定程度上能達(dá)到摔倒檢測(cè)的目的，但是由于人體多樣性的特點(diǎn)，誤檢率往往會(huì)很高.

為了有效地降低誤判率，本文作者提出了在寬高比和有效面積比作為人體特征的基礎(chǔ)上，加入了質(zhì)心的變化、方向角度和運(yùn)動(dòng)系數(shù)這些特征來(lái)判斷人體是否摔倒，實(shí)驗(yàn)證明，該算法復(fù)雜性較低，實(shí)時(shí)性較好，準(zhǔn)確度較高.

1運(yùn)動(dòng)目標(biāo)提取

在摔倒檢測(cè)系統(tǒng)中，有效地提取運(yùn)動(dòng)目標(biāo)是一個(gè)關(guān)鍵的環(huán)節(jié)，直接影響著后續(xù)的系統(tǒng)檢測(cè)[4].由于摔倒檢測(cè)系統(tǒng)應(yīng)用于室內(nèi)環(huán)境，攝像頭是固定的，背景也相對(duì)固定，因此采用背景減除法（foreground）來(lái)提取運(yùn)動(dòng)目標(biāo).在室內(nèi)環(huán)境中，由于窗簾的擺動(dòng)、光線的變化以及風(fēng)扇的搖動(dòng)等條件的影響，背景會(huì)出現(xiàn)變化，因此采用混合高斯模型法來(lái)對(duì)背景實(shí)時(shí)更新.

1.1背景建模

背景模型的建立及更新方式對(duì)運(yùn)動(dòng)目標(biāo)的檢測(cè)結(jié)果有著直接的影響[5].混合高斯模型的基本原理是，對(duì)視頻序列圖像中的各個(gè)像素點(diǎn)同時(shí)構(gòu)建K個(gè)高斯分布，將其加權(quán)表示視頻中的信息.對(duì)于是否能實(shí)時(shí)檢測(cè)到背景的改變，背景模型的更新起著關(guān)鍵性的作用[6].

假如像素點(diǎn)的像素值為X，則它的概率密度函數(shù)

p（X）=∑Ki=1ωh（X，μ，∑），（1）

其中，h（X，μ，∑）=1（2π）n2∑12e-12（X-μ）T∑（X-μ），表示在t時(shí)刻第i個(gè)高斯分布，n 表示X的維數(shù)，μ和∑代表高斯分布的均值和方差，∑=δ2I，其中，δ為方差，I三維單位矩陣，ω為權(quán)重，且有∑Ki-1ωi，t=1.

設(shè)偏差門限為2.5，如果滿足條件Xt-μi，t-1≤2.5δi，則這個(gè)像素值與高斯分布匹配，

ωi，t=（1-α）ωi，t-1+α（Mi，t），

μi，t=（1-ρ）μi，t-1+ρXi，t，

δ2i，t=（1-ρ）δ2i，t-1+ρ（Xi，t-μi，t）2，

ρ=αh（Xt，μ，∑），（2）

其中α為自定義的混合高斯模型學(xué)習(xí)率，0≤α≤1，背景模型的更新速度由α的值決定，ρ表示參數(shù)更新速率，Mi，t的值取決于模式是否匹配，對(duì)于匹配的分布Mi，t=1，否則Mi，t=0.

背景模型完成更新后，會(huì)按優(yōu)先級(jí)λi，t對(duì)這K個(gè)高斯模型進(jìn)行排序，選擇前B個(gè)高斯分布生成背景，B=argmin（∑Bk=1ωk，t>T），其中T是一個(gè)設(shè)定的閾值，控制背景分布的個(gè)數(shù).輸入新的序列圖像，將它的像素點(diǎn)與上述B個(gè)高斯分布重新匹配，如果與其中的任意一個(gè)分布匹配，則該像素為背景點(diǎn)，否則，為前景點(diǎn).

1.2中值濾波和形態(tài)學(xué)處理

中值濾波是非線性濾波技術(shù)，它是用像素點(diǎn)領(lǐng)域灰度值的中值來(lái)代替該像素點(diǎn)的灰度值，消除孤立點(diǎn)，能去除脈沖噪聲、椒鹽噪聲，又能保留圖像的邊緣細(xì)節(jié)，不會(huì)使圖像產(chǎn)生模糊，從而改善圖片的質(zhì)量，是很經(jīng)典的平滑噪聲的處理方法.中值濾波在一定條件下，不會(huì)像線性濾波那樣造成圖像細(xì)節(jié)模糊的問(wèn)題，對(duì)避免濾波脈沖干擾有顯著的效果[7].

形態(tài)學(xué)濾波的最基本的操作為腐蝕和膨脹，使用形態(tài)學(xué)濾波的目的是濾除圖像中的干擾信息，保留對(duì)圖像運(yùn)動(dòng)目標(biāo)分析有價(jià)值的信息.通過(guò)形態(tài)學(xué)濾波，可進(jìn)一步濾除噪聲點(diǎn)，同時(shí)也填充了運(yùn)動(dòng)目標(biāo)出現(xiàn)的孔洞，改善了圖像質(zhì)量，經(jīng)過(guò)這些處理之后，圖像上的干擾點(diǎn)大大減少，提取的前景目標(biāo)的特征更加清晰.

2改進(jìn)的摔倒檢測(cè)算法

2.1行為特征提取與分析

提取運(yùn)動(dòng)前景目標(biāo)時(shí)，采用的是背景減除法，用混合高斯模型來(lái)進(jìn)行背景更新，經(jīng)過(guò)中值濾波、陰影抑制和形態(tài)學(xué)處理，能準(zhǔn)確地分割出運(yùn)動(dòng)前景目標(biāo).

2.1.1人體寬高比

人體寬高比是人體最小外接矩形框中，寬度和高度的比值，當(dāng)人站立的時(shí)候，寬高比遠(yuǎn)小于1，當(dāng)人摔倒的時(shí)候，寬高比遠(yuǎn)大于1.但僅僅用這一特征來(lái)判斷摔倒情況，誤檢率比較大，且無(wú)法識(shí)別人下蹲、伸展運(yùn)動(dòng)的情況.

2.1.2有效面積比

文獻(xiàn)[8]提出了有效面積比這一特征.最小外接矩形框圖像經(jīng)過(guò)二值化處理后，像素值為1的像素個(gè)數(shù)為人體的有效面積，矩形框的總面積是像素值為1和0的像素總和，有效面積比是人體有效面積和總面積的比值.當(dāng)人體做伸展運(yùn)動(dòng)時(shí)，有效面積比較小；當(dāng)人體摔倒時(shí)，有效面積較大，結(jié)合寬高比，能提高檢測(cè)的準(zhǔn)確度.

2.1.3質(zhì)心變化

質(zhì)心就是一個(gè)目標(biāo)物體質(zhì)量集中的點(diǎn)，質(zhì)心的變化也是判斷人體是否摔倒的一個(gè)典型的特征，質(zhì)心的坐標(biāo)是用運(yùn)動(dòng)目標(biāo)所有像素點(diǎn)橫坐標(biāo)的平均值和縱坐標(biāo)的平均值表示.通過(guò)質(zhì)心位置的變化，可以判斷目標(biāo)是靜止的還是運(yùn)動(dòng)的.當(dāng)人體彎腰、坐下、摔倒時(shí)，質(zhì)心位置也會(huì)有不同程度的變化，如果下降的程度越大，摔倒的可能性就越大.

2.1.4方向角

方向角是前景輪廓圖外接橢圓的長(zhǎng)軸與x軸的夾角，如圖1所示.

由圖1可以看出，當(dāng)人行走和彎腰時(shí)，方向角會(huì)發(fā)生變化，摔倒時(shí)的變化會(huì)更加顯著.

2.1.5運(yùn)動(dòng)系數(shù)

運(yùn)動(dòng)歷史圖像（MHI）用來(lái)計(jì)算運(yùn)動(dòng)系數(shù)，MHI的更新方式

其中，ts是MHI中運(yùn)動(dòng)發(fā)生的當(dāng)前時(shí)間，td是運(yùn)動(dòng)跟蹤的最大持續(xù)時(shí)間，foreground（·）表示背景減除法提取的結(jié)果，mhi<（ts-td）表示低于當(dāng)前時(shí)間和持續(xù)時(shí)間差值的MHI值.

運(yùn)動(dòng)系數(shù)

Cmotion=∑pixel（x，y）mhi（x，y）∑pixel（x，y）foreground（x，y），（4）

其中pixel（x，y）表示像素點(diǎn)集合，如果像素點(diǎn)沒(méi)有發(fā)生運(yùn)動(dòng)，Cmotion=0；如果全部運(yùn)動(dòng)，Cmotion=1.

2.2摔倒檢測(cè)算法實(shí)現(xiàn)

在已有算法的基礎(chǔ)上，本算法采用質(zhì)心的變化、方向角度和運(yùn)動(dòng)系數(shù)作為特征來(lái)判斷人體是否摔倒，并檢測(cè)在短時(shí)間內(nèi)，摔倒目標(biāo)是否有移動(dòng)的情況，具有較高的精確度和準(zhǔn)確率.算法具體流程圖如圖2所示.

當(dāng)這些特征得以滿足時(shí)，系統(tǒng)判定發(fā)生摔倒行為.

3實(shí)驗(yàn)結(jié)果與分析

算法采用Matlab平臺(tái)編程實(shí)現(xiàn)，系統(tǒng)運(yùn)行環(huán)境：CPU為InteL（R） Core（TM） i53230U CPU @2.6 GHz 2.60 GHz，內(nèi)存為4 GB.圖3為摔倒的實(shí)驗(yàn)示例.

由圖3～圖5可以看出，人體在摔倒前后質(zhì)心位置、方向角和運(yùn)動(dòng)系數(shù)都會(huì)發(fā)生明顯的變化，當(dāng)人體倒下之后，會(huì)顯示“Fall Detection”的警告.

測(cè)試指標(biāo)有識(shí)別率（RC）、精確度（PR）以及準(zhǔn)確率（ACC）組成[9]，

其中，TP表示摔倒視頻中正確檢測(cè)出摔倒的事件次數(shù)，F(xiàn)P表示無(wú)摔倒視頻中檢測(cè)出摔倒的事件次數(shù)，F(xiàn)N表示摔倒視頻中沒(méi)有正確檢測(cè)出摔倒的事件次數(shù)，TN表示無(wú)摔倒視頻中沒(méi)有檢測(cè)摔倒的事件次數(shù).

測(cè)試30次，其中摔倒視頻20次，非摔倒視頻10次，經(jīng)過(guò)測(cè)試TP=18， FP=1， FN=2， TN=9.表1為本算法和已有算法的比較.

通過(guò)比較可以看出，本算法和文獻(xiàn)[8]的算法相比，具有更高的識(shí)別度和準(zhǔn)確度，特別是當(dāng)人體有彎腰、坐下、健身等行為時(shí)，本算法有更高的準(zhǔn)確率.

4結(jié)論

針對(duì)已有的摔倒檢測(cè)算法中不能準(zhǔn)確識(shí)別彎腰和坐下姿勢(shì)的問(wèn)題，本文作者提出了一種以質(zhì)心變化、方向角變化和運(yùn)動(dòng)系數(shù)變化作為特征進(jìn)行檢測(cè)的算法.和已有算法中以人體寬高比和有效面積比作為人體特征相比，本算法誤檢率更低.實(shí)驗(yàn)結(jié)果表明，該算法復(fù)雜度低，容易實(shí)現(xiàn)，準(zhǔn)確率得到了提高，特別是在人體彎腰、坐下等場(chǎng)景中，表現(xiàn)出更大的優(yōu)越性，具有一定的實(shí)用性.

參考文獻(xiàn)：

[1]程添，楊思思，馮蓉，等.基于雙目標(biāo)定的獨(dú)居老人摔倒檢測(cè)算法 [J].傳感器與微系統(tǒng)，2014，33（10）：100-103.

Cheng T，Yang S S，F(xiàn)eng R，et al.Algorithm for falling down detection of solitary elderly person based on binocular vision calibration [J].Transducer and Microsystem Technologies，2014，33（10）：100-103.

[2]Vaidehi V，Ganapathy K，Mohan K，et al.Video based automatic fall detection in indoor environment [C].Proceedings of International Conference on Recent Trends in Information Technology，Chennai：IEEE，2011：1016-1020.

[3]Rougier C，Meunier J，StArnaud A，et al.Fall detection from human shape and motion history using video surveillance [C].Proceedings of the 21st International Conference on Advanced Information Networking and Applications Workshops.Niagara Falls：IEEE，2007，2：875-880.

[4]靳海偉，彭力，盧曉龍.基于輪廓跟蹤的摔倒檢測(cè)算法 [J].江南大學(xué)學(xué)報(bào)（自然科學(xué)版），2015，14（2）：172-177.

Jin H W，Peng L，Lu X L.Fall detection algorithm based on contour tracing [J].Journal of Jiangnan University （Natural Science Edition），2015，14（2）：172-177.

[5]Rajabi H，Nahvi M.An intelligent video surveillance system for fall and anesthesia detection for elderly and patients [C].Proceedings of the 2nd International Conference on Pattern Recognition and Image Analysis （IPRIA）.Rasht：IEEE，2015.

[6]Nadi M，ElBendary N，Hassanien A E，et al.Falling detection system based on machine learning [C].Proceedings of the 4th International Conference on Advanced Information Technology and Sensor Application.Harbin：IEEE，2015.

[7]禹明娟.基于視頻的室內(nèi)老人摔倒檢測(cè)研究 [D].杭州：杭州電子科技大學(xué)，2016.

Yu M J.Research of indoor fall detection for elderly based on video [D].Hangzhou：Hangzhou Dianzi University，2016.

[8]劉紅，左常玲，黃江林.一種改進(jìn)的自動(dòng)摔倒檢測(cè)算法 [J].安徽大學(xué)學(xué)報(bào)（自然科學(xué)版），2012，36（6）：57-61.

Liu H，Zuo C L，Huang J L.An improved algorithm of automatic fall detection [J].Journal of Anhui University （Natural Science Edition），2012，36（6）：57-61.

[9]Tra K，Pham T V.Human fall detection based on adaptive background mixture model and HMM [C].Proceedings of International Conference on Advanced Technologies for Communications.Ho Chi Minh City：IEEE，2013.

（責(zé)任編輯：包震宇，郁慧）