朱 艷，李曙生，謝忠志

（泰州職業(yè)技術(shù)學(xué)院機(jī)電技術(shù)學(xué)院，泰州 225300）

引 言

隨著人類社會(huì)的不斷發(fā)展以及醫(yī)療條件的快速進(jìn)步，人類平均壽命日益增加，老年人口所占的比例越來越大。隨著年齡的增大，人體機(jī)能不斷下降，從而造成跌倒的幾率越來越大，跌倒成為危害老年人身體健康的主要外因［1?2］，成為老年人死亡的頭號(hào)殺手。調(diào)查和研究發(fā)現(xiàn)，在跌倒事件發(fā)生后，如果能在第一時(shí)間得到合理的醫(yī)療救助，那么跌倒造成的傷害程度就可以降到最低，從而大大降低死亡風(fēng)險(xiǎn)，提高救治率。中國(guó)60 歲以上老年人口的數(shù)量不斷增加，是世界上唯一老年人口超過兩億的國(guó)家［3］。因此，如何及時(shí)準(zhǔn)確地對(duì)老年人進(jìn)行跌倒檢測(cè)，并在第一時(shí)間發(fā)出求救信號(hào)對(duì)保障老年人的生命健康尤為關(guān)鍵。

目前，國(guó)內(nèi)外跌倒檢測(cè)研究主要有3 種方法。第1 種為基于環(huán)境參數(shù)的跌倒檢測(cè)［4?8］，Litvak 等［4］在房間地板上安裝了多個(gè)聲音和壓力傳感器，通過分析采集到的聲頻和壓力信號(hào)來識(shí)別跌倒行為。Al?wan 等［6］在地板表面安裝了壓電式振動(dòng)傳感器，通過監(jiān)測(cè)人體正常行走和跌倒時(shí)采集到的振動(dòng)信號(hào)差別來識(shí)別跌倒行為。該方法成本較高，受周圍環(huán)境影響較大，識(shí)別精度較低。第2 種為基于穿戴式智能傳感器的跌倒檢測(cè)［9?13］。Jahanjoo 等［10］從加速度傳感器獲取的三維加速度信息中提取跌倒特征序列，并采用模糊神經(jīng)網(wǎng)絡(luò)模型對(duì)樣本進(jìn)行分類，得到較好的識(shí)別效果。Kumar 等［11］將加速度傳感器和陀螺儀穿戴于人身，并將獲取的加速度和角度數(shù)據(jù)，通過支持向量機(jī)（Support vector machine，SVM）分類器進(jìn)行跌倒識(shí)別，獲取了93% 的識(shí)別精度。該方法雖然識(shí)別精度高，但穿戴物影響人體舒適度，因此應(yīng)用局限性較大。第3 種為基于視覺傳感器的檢測(cè)方法，按照采用的視覺傳感器種類不同，可分為基于紅綠藍(lán)（Red green blue，RGB）視覺傳感器的跌倒檢測(cè)［14?16］和基于深度視覺傳感器的跌倒檢測(cè)［17?18］。Miguel 等［16］將RGB 攝像頭獲取的二維圖像通過幀差法和光流法提取特征信息，采用K 鄰近（K?nearest neighbor，KNN）分類器進(jìn)行跌倒識(shí)別，獲得了96% 的識(shí)別精度。但該方法只能得到二維圖像信息，特征提取困難且易造成用戶個(gè)人隱私泄露。王君澤等［18］以深度視覺傳感器獲取骨架數(shù)據(jù)，實(shí)時(shí)計(jì)算骨架點(diǎn)的空間坐標(biāo)位置進(jìn)行跌倒識(shí)別。該方法不涉及個(gè)人隱私，同時(shí)特征提取容易，識(shí)別精度較高，成為近年來跌倒檢測(cè)的主要研究方向之一。

本文以Kinect V2 深度視覺傳感器為監(jiān)測(cè)手段，以獲取的骨架節(jié)點(diǎn)為數(shù)據(jù)分析源，基于模糊C 均值（Fuzzy C?means，F(xiàn)CM）聚類算法和卷積神經(jīng)網(wǎng)絡(luò)（Convolutional neural networks，CNN）算法建立跌倒識(shí)別模型對(duì)人體跌倒行為進(jìn)行監(jiān)控。

1 跌倒檢測(cè)系統(tǒng)結(jié)構(gòu)

系統(tǒng)結(jié)構(gòu)主要由硬件部分和軟件部分組成，如圖1 所示。硬件部分主要由Kinect V2、計(jì)算機(jī)、USB 通信電纜幾部分組成，深度視覺傳感器Kinect V2 用于實(shí)時(shí)采集人體3D 深度圖像。計(jì)算機(jī)上安裝的軟件平臺(tái)對(duì)采集到的圖像數(shù)據(jù)進(jìn)行處理。Kinect V2 通過USB通信電纜將數(shù)據(jù)傳輸給計(jì)算機(jī)。 軟件部分由Kinect Developer Toolkit、LabVIEW 和MATLAB 組成。Ki?nect Developer Toolkit 作為傳感器開發(fā)工具包，可以將采集到的3D 深度圖像，轉(zhuǎn)換到骨架追蹤系統(tǒng)，然后采用LabVIEW 和MATLAB 混合編程的方式完成跌倒識(shí)別算法設(shè)計(jì)。由LabVIEW 中提供的Script 節(jié)點(diǎn)，實(shí)現(xiàn)兩軟件之間的數(shù)據(jù)傳輸。

圖1 系統(tǒng)結(jié)構(gòu)Fig.1 System structure

2 改進(jìn)型FCM 骨架節(jié)點(diǎn)聚類中心計(jì)算

2.1 骨骼節(jié)點(diǎn)數(shù)據(jù)獲取

使用Kinect SDK 和Kinect dirver 配合LabVIEW 平臺(tái)，完成對(duì)Kinect V2 的開發(fā)，LabVIEW 通過調(diào)用外部DLL 文件的方式完成骨架節(jié)點(diǎn)數(shù)據(jù)的獲取，人體骨骼節(jié)點(diǎn)分布如圖2 所示。由圖2 可知，人體骨架由1 號(hào)節(jié)點(diǎn)人體中心為分界點(diǎn)，可分為上身節(jié)點(diǎn)和下身節(jié)點(diǎn)兩部分。

圖2 人體25 個(gè)骨骼關(guān)節(jié)點(diǎn)分布圖Fig.2 Distribution of 25 joints in human body

2.2 改進(jìn)型FCM 聚類中心算法設(shè)計(jì)

跌倒時(shí)，人體會(huì)在極短的時(shí)間內(nèi)由直立狀態(tài)轉(zhuǎn)換到躺臥狀態(tài)，各骨架節(jié)點(diǎn)的高度、速度、加速度、節(jié)點(diǎn)間角度等參數(shù)都會(huì)發(fā)生較大變化，各節(jié)點(diǎn)會(huì)表現(xiàn)出一定的跌倒識(shí)別性，并且各節(jié)點(diǎn)之間具有明顯的關(guān)聯(lián)性。若將所有骨骼節(jié)點(diǎn)均作為跌倒識(shí)別的數(shù)據(jù)源，會(huì)造成樣本數(shù)據(jù)維度增加，識(shí)別速度較慢。而若僅選擇幾個(gè)關(guān)鍵骨骼點(diǎn)作為分析數(shù)據(jù)源，又會(huì)造成跌倒特征提取不充分，識(shí)別準(zhǔn)確率不高。為有效解決上述矛盾，本文采用FCM 聚類算法對(duì)除1號(hào)節(jié)點(diǎn)（人體中心）之外的24 個(gè)骨骼點(diǎn)進(jìn)行分類，選取聚類中心的個(gè)數(shù)k= 2，得到上身聚類中心O1(xu，yu，zu)和下身聚類中心O2(xd，yd，zd)，以2 個(gè)聚類中心和1 號(hào)節(jié)點(diǎn)Oc(x1，y1，z1)3 個(gè)點(diǎn)作為數(shù)據(jù)分析源，提取跌倒識(shí)別特征數(shù)據(jù)。

假設(shè)樣本集X，如果想把這些數(shù)據(jù)劃分成k個(gè)類，每個(gè)類有一個(gè)中心，那么就應(yīng)該有k個(gè)聚類中心Oi，每個(gè)樣本j屬于第i類的隸屬度為μij，定義一FCM 目標(biāo)函數(shù)如式（1）所示，其約束條件如式（2）所示。FCM 算法就是目標(biāo)函數(shù)最小化的求解過程，通過拉格朗日乘數(shù)法求解J在隸屬度函數(shù)約束下的優(yōu)化，可得到隸屬度μij計(jì)算公式（3），聚類中心k i計(jì)算公式（4）

式中：Oi表示聚類中心；m∈(1，∞)為模糊指數(shù)，用來控制模糊程度，值越大，分類的模糊程度越高，本文選取表示樣本數(shù)據(jù)xj與k i之間的歐式距離。

傳統(tǒng)FCM 聚類算法在初始化聚類中心時(shí)，一般采用從聚類數(shù)據(jù)中隨機(jī)選取的方式確定，可能會(huì)導(dǎo)致算法在迭代過程中收斂速度非常緩慢，甚至?xí)霈F(xiàn)收斂到局部極小的情況，無法得到全局最優(yōu)解。因此，本文對(duì)傳統(tǒng)FCM 算法進(jìn)行改進(jìn)，提出一種新的初始聚類中心的選擇方法，解決了傳統(tǒng)算法的缺點(diǎn)，改進(jìn)FCM 算法流程為：

步驟1計(jì)算24 個(gè)骨骼節(jié)點(diǎn)任意兩點(diǎn)之間的歐式距離，將距離最小的兩個(gè)節(jié)點(diǎn)定義為一類，并選取這兩個(gè)節(jié)點(diǎn)的中點(diǎn)作為第1 個(gè)初始聚類中心點(diǎn)O1；

步驟2分別計(jì)算O1和剩余22 個(gè)節(jié)點(diǎn)之間的歐式距離，找到和O1之間距離最大的骨架節(jié)點(diǎn)xj；

步驟3分別計(jì)算xj和剩余21 個(gè)節(jié)點(diǎn)之間的歐式距離，選擇距離最近的節(jié)點(diǎn)，并將其和xj定義為一類，選取兩節(jié)點(diǎn)的中點(diǎn)作為第2 個(gè)初始聚類中心點(diǎn)O2；

步驟4設(shè)置分類個(gè)數(shù)k，模糊指數(shù)m，容許誤差ξ的大?。?/p>

步驟5將O1和O2作為初始聚類中心，并設(shè)置迭代次數(shù)s= 1；

步驟6由式（3）計(jì)算樣本j屬于第i類的隸屬度為μij；

步驟7由式（4）計(jì)算得到2 個(gè)新的聚類中心O1(s+ 1 )和O2(s+ 1 )；

步驟8計(jì)算誤差，如果e<ξ，迭代結(jié)束；否則s=s+ 1，轉(zhuǎn)入步驟6；

步驟9樣本歸類，將24 個(gè)骨架節(jié)點(diǎn)劃分成兩類，并輸出類簇中心O1(xu，yu，zu)和O2(xd，yd，zd)。

人體在站立和蹲下時(shí)，分別采用改進(jìn)FCM 聚類算法和傳統(tǒng)FCM 算法對(duì)24 個(gè)骨架節(jié)點(diǎn)進(jìn)行分類，其目標(biāo)函數(shù)J和迭代次數(shù)的關(guān)系分別如圖3、4 所示。站立時(shí)，傳統(tǒng)FCM 算法需要迭代21 次才能收斂，而改進(jìn)FCM 算法只需8 次迭代即可收斂。蹲下時(shí)，傳統(tǒng)FCM 算法需要迭代15 次才能收斂，而改進(jìn)FCM 算法只需6 次迭代即可收斂。由此可知，改進(jìn)FCM 算法可以大大提高算法運(yùn)算速度，增強(qiáng)系統(tǒng)實(shí)時(shí)性要求。不同人體行為時(shí)，對(duì)24 個(gè)骨架節(jié)點(diǎn)進(jìn)行聚類計(jì)算，得到上身中心O1(xu，yu，zu)和下身中心O2(xd，yd，zd) 的分布結(jié)果如圖5 所示。由圖5 可知，骨架節(jié)點(diǎn)以人體中心Oc(x1，y1，z1)（1 號(hào)節(jié)點(diǎn)）為分界點(diǎn)，可以很明顯得劃分為兩類，將兩個(gè)聚類中心O1(xu，yu，zu)和O2(xd，yd，zd)作為跌倒識(shí)別特征數(shù)據(jù)源，具有較好的識(shí)別性和魯棒性。

圖3 人體站立時(shí)改進(jìn)FCM 和傳統(tǒng)FCM 算法比較Fig.3 Comparison of improved FCM and traditional FCM algorithms for a standing state

圖4 人體蹲下時(shí)改進(jìn)FCM 和傳統(tǒng)FCM 算法比較Fig.4 Comparison between improved FCM and tradi?tional FCM algorithms for a squatting state

圖5 不同人體行為下骨架節(jié)點(diǎn)聚類中心結(jié)果顯示Fig.5 Results of skeleton node cluster center for dif?ferent human behaviors

3 跌倒特質(zhì)數(shù)據(jù)提取

3.1 歸一化高度特征計(jì)算

跌倒時(shí)，人體各骨架節(jié)點(diǎn)距離地面的距離都會(huì)迅速變小，尤其是頭部高度的變化最為明顯，因此選取頭部（3 號(hào)節(jié)點(diǎn)）距離地面的高度作為跌倒檢測(cè)的閾值條件。由于人體形態(tài)差別較大，閾值的選取隨不同的人體，變化較大。為增加系統(tǒng)的魯棒性，對(duì)頭部節(jié)點(diǎn)距離地面的高度進(jìn)行歸一化處理，計(jì)算過程如下：

（1）人體的左右腳掌骨架節(jié)點(diǎn)15，19 和地面接觸，因此將這兩個(gè)節(jié)點(diǎn)的高度默認(rèn)為零，并以此建立地面方程。首先通過Kinect SDK 獲取15 和19 節(jié)點(diǎn)的坐標(biāo)數(shù)據(jù)，然后將其代入式（5），先計(jì)算地面方程和Kinect 之間的傾角θ，進(jìn)而確定地面方程

（2）地面方程確定以后，將3 號(hào)頭部節(jié)點(diǎn)坐標(biāo)(x3，y3，z3)代入式（6），計(jì)算頭部距離地面的高度d3

（3）人體在站立狀態(tài)下，將人體中心Oc(x1，y1，z1)坐標(biāo)代入式（6），計(jì)算人體中心距離地面的高度d1，并將此高度定義為歸一化基準(zhǔn)高度。

（4）計(jì)算歸一化高度dn=d3/d1，并將此作為跌倒識(shí)別閾值條件。

選擇A、B、C3 個(gè)形體差異較大的人作為實(shí)驗(yàn)對(duì)象，分別采集他們?cè)诘?、蹲下、彎腰、慢跑和行? 種狀態(tài)下的骨架節(jié)點(diǎn)數(shù)據(jù)，并計(jì)算dn的平均值，結(jié)果如圖6 所示。由圖6 可知，不同的實(shí)驗(yàn)對(duì)象在同一種動(dòng)作下的歸一化高度dn變化不大，不同動(dòng)作下的dn變化比較明顯。在跌倒?fàn)顟B(tài)下，dn的值在0.1 左右，為防止發(fā)生漏判，本文選擇dn= 0.25 作為跌倒識(shí)別閾值判斷條件。

圖6 不同體型對(duì)象在各動(dòng)作下的dn 平均值Fig.6 Average values of dn of different body types for each action

3.2 速度特征數(shù)據(jù)提取

人體在彎腰、蹲下、坐下、跌倒時(shí)，各骨架節(jié)點(diǎn)距離地面的高度都會(huì)發(fā)生較大的變化，如果只將高度作為跌倒識(shí)別閾值條件，容易造成誤判。在彎腰、蹲下、坐下等動(dòng)作時(shí)，雖然高度變化較大，但上述動(dòng)作發(fā)生的持續(xù)時(shí)間比跌倒發(fā)生的持續(xù)時(shí)間長(zhǎng)，因此將速度作為跌倒識(shí)別的判斷條件，可以很好地區(qū)分以上幾種動(dòng)作。

由式（7）可得相鄰兩幀時(shí)類簇中心垂直方向的移動(dòng)距離dy(i)。兩類簇中心的垂直向速度vyu(i) 和vyd(i) 可由式（8）計(jì)算得到

式中：y(i)為當(dāng)前幀時(shí)類簇中心的垂直坐標(biāo)，y(i- 1 )為上一幀時(shí)類簇中心的垂直坐標(biāo)，Δt為相鄰兩幀的時(shí)間差。

圖7 為不同動(dòng)作下，上身中心O1(xu，yu，zu) 和下身中心O2(xd，yd，zd) 的速度變化曲線。由圖7 可知，上身中心O1(xu，yu，zu)和下身中心O2(xd，yd，zd)在各動(dòng)作下的速度都有較大變化，但在跌倒時(shí)上身中心的速度變化比下身中心速度變化更加明顯。跌倒時(shí)的vyu(i) > 1 m/s。因此選取上身中心的速度值作為跌倒識(shí)別的另一個(gè)閾值條件，為減少漏判選取vyu(i)= 0.9 m/s 作為跌倒識(shí)別速度閾值。

圖7 不同動(dòng)作下兩聚類中心速度變化曲線Fig.7 Velocity variation of two cluster centers for different actions

3.3 加速度特征數(shù)據(jù)計(jì)算

研究表明，由骨骼節(jié)點(diǎn)位移變化量換算得到的加速度特征參數(shù)對(duì)基于機(jī)器學(xué)習(xí)的跌倒檢測(cè)算法具有較好的行為識(shí)別性，因此選取上身中心O1(xu，yu，zu)和下身中心O2(xd，yd，zd)在3 個(gè)方向上的加速度作為跌倒識(shí)別特質(zhì)向量，輸入基于CNN 的跌倒檢測(cè)模型。聚類中心在x軸方向的速度值由式（9）計(jì)算，兩聚類中心在x軸方向的加速度ax1(i)和ax2(i)由式（10）計(jì)算。同理，分別得到兩聚類中心在y軸方向和z軸方向的加速度ay1(i)、ay2(i)和az1(i)、az2(i)

3.4 角度特征數(shù)據(jù)計(jì)算

兩個(gè)聚 類中心點(diǎn)O1(xu，yu，zu)、O2(xd，yd，zd) 和 人 體 中 心Oc(x1，y1，z1)3 點(diǎn)可圍成一個(gè)三角形，如圖8 所示。三條邊分別用L12、L1c和L2c表示，線段L1c和L2c之間的夾角定義為θo，其大小由式（11）計(jì)算。式中L12、L1c和L2c的大小可由式（12）計(jì)算。將L12和水平方向之間的夾角定義為θh，其大小由式（13）計(jì)算

圖8 三個(gè)中心點(diǎn)幾何關(guān)系圖Fig.8 Geometric relationship of three center points

不同動(dòng)作時(shí)θo和θh的變化曲線如圖9 所示，其中，曲線data1 表示θo的大小，曲線data2 表示θh的大小。由圖9 可知，在行走和慢跑過程中，θo接近于180o，θh接近于90o，基本沒有變化。在跌倒過程中，θh從90o 急劇下降到20o 左右，而θo的變化則不太明顯。在彎腰過程中，θo從180o 附近急劇下降到90o 左右，θh也有較大變化，但變化沒有θo明顯。因此，通過θo和θh可很好地識(shí)別跌倒和日常行為，故選其作為跌倒識(shí)別特征數(shù)據(jù)。

圖9 不同人體動(dòng)作時(shí)θo 和θh 的變化曲線Fig.9 Variation of θo and θh for different human actions

4 CNN 跌倒識(shí)別算法設(shè)計(jì)

4.1 CNN 跌倒檢測(cè)模型

對(duì)聚類中心的高度和速度進(jìn)行閾值分析，雖然具有一定的跌倒行為識(shí)別性，但識(shí)別精度并不高。比如，跌倒、蹲下、坐下等行為的高度和速度特征相似，閾值分析不適合上述行為分類。本文采用CNN算法構(gòu)建跌倒識(shí)別模型。CNN 是一種包含卷積計(jì)算且具有深度結(jié)構(gòu)的前饋神經(jīng)網(wǎng)絡(luò)，具有良好的表征學(xué)習(xí)能力。本文設(shè)計(jì)的跌倒識(shí)別算法如圖10 所示，為滿足CNN 算法對(duì)輸入樣本的格式要求，需將特征數(shù)據(jù)重構(gòu)成8×8 的“圖片”格式，第1 個(gè)卷積層內(nèi)部包含18 個(gè)的卷積核，大小為3×3，用于粗略提取跌倒特征，第1 個(gè)池化層的大小選為2×2，步長(zhǎng)選為1。第2 個(gè)卷積層內(nèi)部包含36 個(gè)的卷積核，大小為3×3，用于精確提取跌倒特征，第2 個(gè)池化層的規(guī)格和第1 個(gè)池化層一樣，池化層用來降低特征維度，提高運(yùn)算速度。將提取的特征輸入全連接層運(yùn)算，通過判斷層分類，最后輸出識(shí)別結(jié)果。CNN 一般先采用標(biāo)準(zhǔn)正態(tài)分布或均勻分布對(duì)權(quán)重W和偏置b進(jìn)行初始化，然后經(jīng)過訓(xùn)練學(xué)習(xí)不斷優(yōu)化更新，直到接近或達(dá)到目標(biāo)值。

圖10 CNN 跌倒檢測(cè)模型Fig.10 Fall detection model based on CNN

4.2 樣本數(shù)據(jù)重構(gòu)

本文提取了跌倒識(shí)別加速度ax1，ax2，ay1，ay2，az1，az2和角度θo和θh共8 個(gè)跌倒識(shí)別特征向量［19］。將采集到的連續(xù)8 幀的特征向量重構(gòu)成一個(gè)8×8 的樣本數(shù)據(jù)Si

為檢驗(yàn)系統(tǒng)的魯棒性，選擇A、B、C 這3 個(gè)形體差異較大的實(shí)驗(yàn)對(duì)象，構(gòu)建1 000 個(gè)訓(xùn)練樣本，樣本中包含行走、慢跑、彎腰、前后跌倒和左右跌倒動(dòng)作。將訓(xùn)練樣本輸入設(shè)計(jì)的CNN 模型進(jìn)行訓(xùn)練，訓(xùn)練結(jié)果如圖11 所示。由圖11 可知，訓(xùn)練步長(zhǎng)在80 左右時(shí)，CNN 已經(jīng)收斂穩(wěn)定，訓(xùn)練準(zhǔn)確率達(dá)100%。

圖11 CNN 訓(xùn)練步長(zhǎng)和準(zhǔn)確率之間的關(guān)系Fig.11 Relationship between CNN training step and accuracy

4.3 跌倒檢測(cè)流程

為保證系統(tǒng)的實(shí)時(shí)性和識(shí)別準(zhǔn)確性，采用閾值分析和機(jī)器學(xué)習(xí)相結(jié)合的方法來設(shè)計(jì)跌倒檢測(cè)系統(tǒng)，檢測(cè)流程如圖12 所示。將采集到的骨骼點(diǎn)數(shù)據(jù)進(jìn)行平滑處理，通過改進(jìn)FCM 算法計(jì)算兩聚類中心點(diǎn)坐標(biāo)。將上身聚類中心點(diǎn)O1(xu，yu，zu) 的速度值vyu(i)= 0.9 m/s 作為跌倒識(shí)別第一閾值判斷條件，若條件成立，則進(jìn)入歸一化高度計(jì)算，將dn= 0.25 作為跌倒識(shí)別第二閾值判斷條件。如果兩個(gè)閾值條件均成立，則認(rèn)定人體處于假定跌倒?fàn)顟B(tài)，將重構(gòu)的樣本輸入CNN 跌倒識(shí)別模型，進(jìn)行跌倒最終認(rèn)定，如果輸出結(jié)果為真，則跌倒認(rèn)定成功，系統(tǒng)進(jìn)行遠(yuǎn)程報(bào)警。

圖12 跌倒檢測(cè)流程Fig.12 Fall detection process

5 實(shí)驗(yàn)結(jié)果和分析

選擇D 和E 兩個(gè)不同體型的實(shí)驗(yàn)對(duì)象，分別模仿向前跌倒、向后跌倒、左側(cè)跌倒、右側(cè)跌倒、坐下、蹲下、彎腰各30 次，共得到420 個(gè)檢測(cè)樣本。將采集到的相同樣本數(shù)據(jù)分別通過本文算法，閾值（Threshold value size，TVS）、SVM、強(qiáng)分離器（Adaptive boosting，Ada?Boost）、決策樹（Decision tree，DT）、KNN 算法進(jìn)行跌倒識(shí)別，檢測(cè)識(shí)別結(jié)果如表1 所示?？梢园l(fā)現(xiàn)本系統(tǒng)所采用的識(shí)別算法其準(zhǔn)確率達(dá)到98.8%，而其他算法中識(shí)別精度最高的Ada?Boost 算法其準(zhǔn)確率僅為95.8%，因此本文算法識(shí)別精度明顯高于其他算法。 本文算法的平均識(shí)別時(shí)間為0.178 s，略慢于TVS 檢測(cè)算法的0.083 s，但TVS 算法的識(shí)別精度僅86.6%，而另外幾種機(jī)器學(xué)習(xí)檢測(cè)算法中最快的DT 算法其平均識(shí)別時(shí)間為0.262 s，慢于本文算法，因此本文提出的FCM 改進(jìn)算法既保持了較高的識(shí)別準(zhǔn)確率，又保證了系統(tǒng)的實(shí)時(shí)性要求。

表1 各類算法模型在相同樣本數(shù)據(jù)下的檢測(cè)結(jié)果對(duì)比Table 1 Comparison of detection results of various algorithm models under the same sample data

6 結(jié)束語(yǔ)

本文采用深度視覺傳感器Kinect V2 用于監(jiān)測(cè)跌倒，首先將獲取的骨骼節(jié)點(diǎn)數(shù)據(jù)通過FCM 聚類算法進(jìn)行分類，得到兩個(gè)聚類中心點(diǎn)。以兩聚類中心點(diǎn)坐標(biāo)和人體中心點(diǎn)坐標(biāo)為數(shù)據(jù)分析源提取高度、速度、加速度和角度為跌倒識(shí)別特征向量，采用閾值和CNN 相結(jié)合的方式實(shí)現(xiàn)跌倒識(shí)別。結(jié)果表明，本文設(shè)計(jì)的跌倒檢測(cè)系統(tǒng)具有更高的識(shí)別正確率、更低的誤報(bào)率以及更好的魯棒性，為老年人跌倒實(shí)時(shí)監(jiān)測(cè)提供了新的方向。