基于多特征融合的摔倒檢測方法

梁遠騰，李捍東

（貴州大學(xué) 電氣工程學(xué)院，貴陽 550025）

0 引言

根據(jù)中國人口與發(fā)展研究所中心預(yù)測，2020-2035 年中國老年人口規(guī)?？焖倥噬啐g化進程提速。截止2018 年，中國65 歲及以上老年人口規(guī)模為1.67 億，占比為11.9%。2020—2035 年，老年人口占比將增加約11 個百分點，并將迎來兩次老年人口增長高峰。2035 年老年人口約達3.26 億，占比為22.8%［1］。隨著中國老齡化社會的到來，獨居老人越來越多，當老人發(fā)生跌倒，不能及時告知家人或其他人員，則將造成嚴重后果。目前，對摔倒事件進行檢測的方法主要分為以下3 種［2］：一是基于穿戴式傳感器的檢測。陳瑋等人［3］通過傳感器收集加速度和角速度的信息，使用支持向量機識別分類，再進行摔倒事件的檢測。二是基于場景裝置的檢測。Alwan 等人［4］通過分析地面震動傳感器的信息，判斷人體是否發(fā)生摔倒。第三種是基于視頻的摔倒檢測。Vaidehi 等人［5］設(shè)計了一種自動摔倒檢測系統(tǒng)，依次使用人體寬高比和傾斜角度來判斷人體是否摔倒，該算法設(shè)計原理簡單，實現(xiàn)起來較為容易，但誤判率較高。

通過以上分析，本文設(shè)計了一種自動摔倒檢測系統(tǒng)，該系統(tǒng)含有較多的人體運動狀態(tài)特征，能有效降低摔倒識別的誤判率。

1 運動目標提取

提取運動目標，在摔倒檢測系統(tǒng)中是極為重要的環(huán)節(jié)，對后續(xù)的系統(tǒng)檢測有著很大影響。目前，幀差法、光流法、背景減除法廣泛運用于人體目標檢測中。相鄰兩幀之間的時間間隔是幀差法的主要缺點，在算法的設(shè)計過程中，由于難以找到恰當?shù)臅r間間隔，將導(dǎo)致系統(tǒng)錯檢或者漏檢，得不到完整的運動目標前景。光流法的計算較為復(fù)雜，且運算量巨大，不能滿足系統(tǒng)的實時性要求。算法設(shè)計原理簡單是背景減除法的一大優(yōu)勢，但缺點是易受到光照條件等外界因素的影響。由于本文建立的摔倒檢測系統(tǒng)，應(yīng)用場景針對室內(nèi)，攝像頭是固定的，因此采用背景減除法來提取運動目標。針對窗簾擺動、光線變化等影響，對于背景的實時更新，本文采用混合高斯模型算法，當背景發(fā)生變化時，能有效提高識別檢測的準確性。

1.1 背景模型建立

混合高斯模型是用高斯概率密度函數(shù)精確地量化事物，即將事物分解為若干個基于高斯概率密度函數(shù)形成的模型。其原理是在每一幀圖像中的每個像素點，通過K個高斯模型表征每個像素點。使用K個高斯模型進行加權(quán)平均，來表征圖像中的信息。其中，背景模型的更新對能否實時檢測到背景的變化起著極為重要的作用［6］。

假設(shè)圖像中像素點的像數(shù)值為X，則概率密度函數(shù)可表示為：

表示在t時刻第i個高斯模型的分布?！坪挺谭謩e表示高斯分布的方差及均值，其中∑＝δ2I；n表示X的維數(shù)，δ2為方差，I為三維單位矩陣，ω為權(quán)重系數(shù)，且

假設(shè)偏差門限等于2.5，當｜Xt -μi，t-1｜≤2.5δi，判定該像素值與高斯分布相匹配。

式中，α表示混合高斯模型學(xué)習(xí)率（0 ≤α≤1），α的大小對背景模型的更新速度起著關(guān)鍵性作用；ρ表征各個參數(shù)的更新速度；模式匹配與否由Mi，t值來控制，當Mi，t＝1，模式匹配，Mi，t＝0，模式不匹配。當背景模型更新后，算法會按優(yōu)先級λi，t對這K個高斯模型進行排序。選擇前B個高斯分布生成背景，，T表示控制背景分布的數(shù)量，是一個閾值，需要人為進行設(shè)定。當新一幀序列圖像輸入模型中，B個高斯分布將會和圖像的所有像素點進行匹配，當匹配成功，則該像素點為背景點，匹配失敗，該像素點為前景點。

1.2 高斯濾波和形態(tài)學(xué)處理

高斯濾波是一種線性平滑濾波，適用于消除高斯噪聲，廣泛用于圖像處理的減噪過程。其原理是針對圖像中的每一個點像素值與高斯內(nèi)核進行卷積計算，并將計算結(jié)果相加，輸出到目標圖像中。

在形態(tài)學(xué)處理中，膨脹和腐蝕是最基本的兩種算子。膨脹的作用是給圖像中的對象邊緣添加像素，而腐蝕的作用是刪除對象邊緣某些像素。先腐蝕后膨脹，可以消除小物體，在纖細點處分離物體，平滑較大物體邊界；先膨脹后腐蝕，則可以填充物體內(nèi)細小空洞，連接臨近物體，平滑其邊界。

2 改進的摔倒檢測算法

2.1 人體特征值選取與分析

選取合適的運動人體特征值，對判斷運動目標是否發(fā)生摔倒也起到非常重要的作用，本文選取高度變化率等五個人體特征值，表示方法如下：

（1）人體寬高比。人體寬高比表示為：最小外接矩形框所對應(yīng)的寬高比值。人體正常行走或站立時，人體寬高比遠小于1；人體摔倒或蹲下時，人體寬高比遠大于1。

（2）人體有效面積比。最小外接矩形框圖像，經(jīng)過二值化處理后，人體有效面積等于像素值為1的像素個數(shù)，矩形框總面積是像素值為1 和0 的像素總和。人體有效面積比為：人體有效面積和矩形框總面積的比值。當老人做壓腿等運動時，最小外接矩形框隨著肢體的伸展變大，有效面積比比正常摔倒時的值小。

（3）人體質(zhì)心到底邊距離。定義人體質(zhì)心為人體最小外接矩形兩條對角線的交點，即質(zhì)心為點O，坐標為（x0，y0）。接矩形底邊兩端點坐標記為：a（x1，y1），b（x2，y2）。A＝y(tǒng)1-y2，B＝x1-x2，C＝x1y2-y1x2，質(zhì)心O到底邊ab距離記為h，則h可表示為：

當發(fā)生摔倒事件時，人體質(zhì)心到底邊距離明顯變小。

（4）中心變化率。當發(fā)生摔倒事件時，人體的中心會在上下、左右位置發(fā)生變化。設(shè)相鄰兩幀圖像的中心點分別為O1＝（x0，y0）、O2＝（x1，y1），Δt是相鄰兩幀圖像之間的時間間隔，則x、y軸中心變化率可表示為：

由上述公式可知，y軸方向的中心變化率有正有負，而x軸方向中心變化率一直大于零。當人體發(fā)生摔倒時，人體的中心位置在y軸方向變化很大，而在x軸方向變化很小。

（5）高度變化率。人體高度變化率用heightrate表示，計算方法如下：

其中，人體的實時高度用height來表示，人體的平均高度用heightaver來表示，平均高度表示方法如下所示：

本文使用不斷更新的方式來計算人體高度變化率，使得計算結(jié)果更加準確，具有很強的適應(yīng)性。

2.2 算法實現(xiàn)

本文所使用的算法包含人體寬高比等5 個特征參數(shù)，來判斷人體是否摔倒。經(jīng)過多次試驗及查閱相關(guān)文獻，設(shè)定各特征參數(shù)的閾值。算法流程如圖1 所示。

圖1 摔倒檢測算法流程圖Fig.1 Flow chart of fall detection algorithm

由圖1 可知，摔倒檢測系統(tǒng)識別到運動人體目標后，當這些特征得以滿足時，就可以定義為是摔倒事件。

3 實驗結(jié)果及分析

摔倒檢測算法在一臺使用NVIDIA GeForce GT1030 顯卡加速、8GB 內(nèi)存，Inter（R）Core（TM）i5-5200 CPU ＠ 2.20GHz 2.20 GHz 上運行。編程軟件有PyCharm、Python3.8、OpenCV4.2.0。

3.1 運動目標提取

獲取前景運動目標后，對圖像進行高斯濾波和形態(tài)學(xué)處理，目標檢測結(jié)果如圖2 所示。

圖2 運動目標提取Fig.2 Moving target extraction

由圖2 可知，當視頻中沒有出現(xiàn)運動目標時，經(jīng)過算法提取后的背景圖像全為黑色；當出現(xiàn)運動目標時，經(jīng)過算法提取后得到目標圖像。

3.2 摔倒判別及分析

本文方法針對獨居老人在室內(nèi)發(fā)生摔倒事件進行檢測并判別是否摔倒。圖3 是T1（人體寬高比）、T2（人體有效面積比）、T3（人體質(zhì)心到底邊距離）、T4xy（x、y軸中心變化率）、T5（高度變化率）的特征參數(shù)擬合曲線。其中橫軸x表示視頻幀數(shù)，縱軸表示各特征參數(shù)大小。根據(jù)各摔倒特征值的特性及多次試驗，T1 閾值設(shè)為1.18，T2 閾值設(shè)為0.5，T3 閾值設(shè)為0.85，y軸中心變化率閾值設(shè)為1.3，T5 閾值設(shè)置為0.85。

由圖3 可以看出，人體在摔倒前后各特征參數(shù)都會發(fā)生明顯的變化。其中，圖3（a）摔倒曲線從第113 幀開始寬高比有明顯上升趨勢，且人體寬高比大于設(shè)定閾值，可判斷有摔倒事件發(fā)生；而直立行走曲線的寬高比在圖中沒有明顯的變化。圖3（b）摔倒曲線從第113 幀開始人體有效面積比大于設(shè)定閾值0.5，結(jié)合寬高比，判斷有摔倒事件發(fā)生；在113 幀之前也存在有效面積比大于0.5，結(jié)合寬高比可判斷為假摔。圖3（c）摔倒曲線在第113 幀左右，人體質(zhì)心到底邊距離迅速變小，且小于設(shè)定閾值，判斷有摔倒事件發(fā)生。圖3（d）是發(fā)生摔倒時人體中心變化率在x軸和y軸方向曲線圖，在圖中113 幀左右y軸方向的中心變化率開始發(fā)生急劇變化，x軸方向的中心變化率也隨著y軸方向的中心變化率而變化，結(jié)合T1、T2、T3 值判斷在113 幀左右發(fā)生了摔倒事件。在圖3（e）中，人直立行走時，T5 的值比較接近1；當有摔倒情況發(fā)生時，T5 的值總是小于1。

圖3 各摔倒特征參數(shù)歷史曲線Fig.3 Historical curve of each fall characteristic parameter

圖4 是使用本文算法檢測結(jié)果。運動目標正常行走時，視頻左上角顯示Normal（正常）字樣；當發(fā)生摔倒事件時，在視頻左上角會顯示Falled（跌倒）的警告。

圖4 判別結(jié)果Fig.4 Judgment result

3.3 實驗對比分析

本文使用the UR Fall Dataset（URFD）和the Fall Detection Dataset（FDD）［7-8］兩個數(shù)據(jù)集作為測試數(shù)據(jù)。摔倒檢測系統(tǒng)融合了5 個摔倒特征參數(shù)，摔倒檢測成功率高，誤判率低。最后，從摔倒檢測誤判率的角度，對文中提到的摔倒檢測算法進行比較分析，結(jié)果見表1。

表1 對比結(jié)果Tab.1 Compare results

表1 給出本文方法和其他摔倒檢測方法的比較結(jié)果。基于svm 和閾值分析的摔倒檢測方法會受到傳感器采集信息的精度和訓(xùn)練模型大小的影響，導(dǎo)致誤判率較高；基于人體寬高比和傾斜角度的摔倒檢測方法，所包含人體摔倒特征參數(shù)較少，當人平躺或側(cè)摔、仰摔時，會被誤判為摔倒事件；文中方法融合了5 個摔倒特征參數(shù)，經(jīng)過各參數(shù)之間的相互修正并進行最終判定，能更加精確識別摔倒事件，降低誤判率。

4 結(jié)束語

本文針對獨居老人在室內(nèi)發(fā)生摔倒事件的情形，提出了基于多特征融合的摔倒檢測方法。該方法通過背景減除法來分割運動目標，使用混合高斯模型算法對背景進行更新，在獲取完整的目標后，再依次使用人體寬高比、人體有效面積比、人體質(zhì)心到底邊距離、中心變化率、高度變化率5 個特征參數(shù)判斷是否有摔倒事件發(fā)生。該方法簡單、易于實現(xiàn)、誤判率低，能更為準確地區(qū)分摔倒行為和日?；顒有袨?。