基于KCF的多條件綜合判斷行人跌倒檢測方法

謝輝 賈海晨 冒美娟 陳瑞

摘 要：面對逐漸增多的空巢老人，為了防止他們在家中意外跌倒而導致殘疾甚至死亡，文中提出了一種基于KCF跟蹤算法的多條件綜合判斷行人跌倒檢測方法。此方法根據(jù)HOG特征和支持向量機算法進行行人檢測，以矩形區(qū)域框出行人的身體特征區(qū)域，再對檢測到的行人根據(jù)KCF跟蹤算法進行持續(xù)跟蹤，同時利用矩形的一對對角來進行加速度、角度、高度差在一段時間內的計算判斷，檢測行人是否跌倒。實驗結果表明，此方法能夠很好地進行行人檢測跟蹤以及跌倒判斷，具有較高的準確率，能達到較好的檢測效果。

關鍵詞：KCF;目標檢測;目標跟蹤;HOG特征;OpenCV;SVM

中圖分類號：TP391.41文獻標識碼：A文章編號：2095-1302（2020）09-00-04

0 引 言

如今社會中空巢老人的數(shù)量逐步增多，老人發(fā)生跌倒的概率也相應增加，逐漸引起人們的關注。目前主要通過行人跌倒自動檢測系統(tǒng)預防老人跌倒后無法得到及時救護，其主要分為基于可穿戴裝置的系統(tǒng)，基于場景設備的系統(tǒng)以及基于計算機視覺的跌倒自動檢測系統(tǒng)。

基于可穿戴裝置的跌倒自動檢測系統(tǒng)通過穿戴具有加速度傳感器的設備來檢測判斷老人是否跌倒。此方法需要老人一直穿戴該設備，導致設備容易損壞，出現(xiàn)誤報，而且長期穿帶此設備會影響日常生活，大多數(shù)老人對此類裝置具有一定排斥心理，不愿佩戴。

基于場景設備的跌倒自動檢測系統(tǒng)將人體運動的信息通過安裝在特定場景下的多個傳感器設備收集，再對這些數(shù)據(jù)進行分析，判斷是否發(fā)生跌倒事件。雖然此類方法不影響老人正常生活，且準確率高，但此類設備費用較高，難以推廣。

基于計算機視覺的跌倒自動檢測系統(tǒng)通過圖像處理技術對人體形狀特征和運動進行分析來檢測跌倒事件。這種方法因為成本低、受干擾小，可同時檢測多個跌倒事件，因此受到廣泛關注和使用。但目前提出的跌倒檢測算法在壞境影響、目標跟蹤、誤判率和準確率等方面還存在不足，因此本文提出了一種基于KCF的多條件綜合判斷行人跌倒檢測方法[1]。

1 跌倒檢測方案

人體是否跌倒一般通過視覺對人體的運動變換和形態(tài)特征進行判斷。對于運動變換，老人行動緩慢，其運動變化普遍較慢，而當發(fā)生跌倒事件時其行動會發(fā)生急速變換。對于形態(tài)特征而言，當人跌倒時其質心會低于一定高度。本文提出的檢測系統(tǒng)基于這兩個關鍵條件進行判斷。系統(tǒng)首先對視頻進行行人檢測，接著對檢測到的目標進行跟蹤，最后基于上述兩個條件進行跌倒判斷。在檢測和跟蹤的過程中，如果檢測到行人后開始跟蹤，并停止檢測;如果目標丟失，則檢測標記為真，重新進行檢測，不再跟蹤，以便提高程序運行效率以及準確率。程序整體流程如圖1所示。

1.1 行人檢測

在進行行人跌倒檢測之前首先需要鎖定目標，排除其他物體的干擾，因此采用視頻分析中的重要技術—目標檢測提取特征并分類，檢測出運動的物體。運動目標檢測不但為跌倒檢測提供了基礎，而且可為后續(xù)特征提取減少干擾、提高效率，保證特征信息提取的準確性。目前目標檢測的主流算法有如下幾種。

（1）光流法。光流法是圖像在平移過程中的二維矢量場，通過計算每個像素點的速度矢量來表示物體點三維運動的速度場，然后對此進行分析，確定圖像像素點上的運動方向和運動速率。這種方法最大的優(yōu)點是在攝像頭不斷改變位置的情況下也可以檢測到運動前景，雖然光流法無需提前知道場景信息，但容易受光線等因素的變化而影響，并且計算量大，實時性差。

（2）幀間差分法。由于場景的目標在運動，因此目標圖像在不同圖像幀中的位置不同，可對時間相鄰的兩幀或三幀圖像進行差分運算。當?shù)玫降幕叶炔畹慕^對值超過閾值時則表示前景，低于閾值時則表示背景。設t時刻獲得的幀像素值為It（x），則其前一幀圖像像素值為It-1（x），將t時刻和t-1時刻像素的幀差記為ΔIt（x），其表達式如下：

式中：T（x）為像素閾值，當Dt（x）=255時，表示為前景;當Dt（x）=0時，表示為背景。雖然幀間差分法計算復雜度低，能夠實時檢測，但此算法如果閾值設定不完美會存在無法過濾噪聲或忽略前景像素點的可能，只適用于攝像頭靜止情況下的動態(tài)目標檢測。

（3）背景建模法。此算法是對一段視頻中運動區(qū)域進行背景建模的過程，得到靜態(tài)區(qū)域后將背景模型和當前幀圖像進行比較，減去已知的背景從而獲得前景。該算法較上述兩種算法更易實現(xiàn)、檢測結果完整良好、能夠實時檢測處理。 目前在背景建模中高斯模型被廣泛應用，但單高斯背景模型僅在簡單場景中能夠取得較好結果，而行人跌倒檢測的環(huán)境更為復雜，環(huán)境容易發(fā)生突變，導致背景像素值呈多峰分布，故單高斯背景模型不再適用。Stauffer[1]等在單高斯背景模型的基礎上，首次提出了混合高斯背景模型（GMM），這種模型對背景的自適應性強，使得算法魯棒性更強。

本系統(tǒng)設計了基于混合高斯背景模型并結合梯度方向直方圖（HOG）以及支持向量機（SVM）的行人檢測模型[2]，可快速準確地進行行人檢測識別。首先，通過高斯混合模型對視頻提取前景;然后，對前景進行連通域去噪等處理，得到運動目標區(qū)域;最后，使用HOG特征和SVM分類器進行行人檢測識別。其中混合高斯前景分割的步驟最為關鍵，Stauffer等在1999年提出的GMM公式理論如下：

式中：α為權重更新學習率;ρ=α/ωi， t為參數(shù)更新學習率。當t時刻圖像的像素值符合|xt-μi， t-1|≤2.5si， t-1時，xt匹配第i個高斯分布，Mi， t取1;反之，Mi， t取0。如果某個xt不能匹配所有的高斯分布，就把該xt當作新的前景點，并將權值最小的高斯分布用新的高斯分布替換，再用較小的ω和較大的s2進行初始化[2]。

1.2 目標跟蹤

目標跟蹤技術是計算機視覺領域中最為關鍵的步驟之一，也是后續(xù)進一步處理視頻內容的基礎。其通過算法產生運動模型，對每一幀圖像中目標的檢測結果匹配運動模型的目標軌跡，再通過預測之后的位置來更新模型。運動目標的有效跟蹤是跌倒檢測的基礎，對于跌倒檢測系統(tǒng)而言，運動目標跟蹤的準確性和完整性起到了至關重要的作用。

生成式跟蹤方法和判別式跟蹤方法是目前主流的兩種跟蹤算法。其中，判別式跟蹤方法將跟蹤問題等同于一個分類問題，利用SVM分類器進行跟蹤目標與背景的分離，因此判別式跟蹤方法處理速度快，同時還將目標和背景信息考慮在內，在目標跟蹤算法中被廣泛使用。經典核相關濾波（KCF）[3]

目標跟蹤算法是判別式跟蹤算法中效果最好的一種跟蹤算法。在Henriques[4]等提出的核循環(huán)結構（CSK）運動目標跟蹤算法基礎上，KCF算法加入了多通道HOG特征來代替單通道原始像素特征，提升了跟蹤性能。

KCF算法的基本原理實質是求解嶺回歸問題。假設一個訓練樣本集D（xi， yi）中存放有大量通過循環(huán)位移得到的訓練樣本，那么該訓練樣本集D的線性回歸函數(shù)為：

1.3 跌倒判斷

在對摔倒檢測過程中，需要先對已經跟蹤好的運動人體目標進行特征提取，從而降低維度，減少數(shù)據(jù)冗余，同時保留人體關鍵信息，保證跌倒檢測識別更加準確，具有實時性。為了實現(xiàn)選取最少的特征來有效區(qū)分不同圖像類別的目的，對于運動人體的特征選擇，考慮到正常走動時人體質心基本保持較高平衡，當摔倒和蹲下時較低，且跌倒時瞬時速度會突然增大等因素，該系統(tǒng)選擇人體質心的加速度、角速度以及相對高度作為特征依據(jù)進行判斷，三者不僅具有較強的獨立性，符合綜合判斷的條件，還可避免因選擇的特征向量過多，而導致特征向量空間維度更高、分類器設計復雜、系統(tǒng)實時性更差[4-5]。

獲得了人體質心點后就可開始對跌倒進行檢測判斷?？紤]到跌倒行為是連續(xù)動作，而跌倒檢測算法中對質心的判斷僅限于一幀內，容易導致因一些不可控因素而出現(xiàn)誤判或漏判情況，因此本系統(tǒng)提出了對一定時間內質心位置的綜合判斷方法。先計算一段時間內行人的中心位置，放入一個容器，容器保持定長M，其中不斷存放每一幀的中心坐標Pi（xP， yP），如果存放坐標超過固定長度M則將最開始進入容器的坐標刪除。容器示意如圖2所示。

2 實驗結果

本系統(tǒng)基于OpenCV計算機視覺庫，使用C++語言開發(fā)，采用Le2i數(shù)據(jù)庫和采集的摔倒行為視頻數(shù)據(jù)，主要測試包括目標行走、坐下、蹲下以及躺下等正常狀態(tài)，以及向前、向后跌倒情況。表1所列為該系統(tǒng)對跌倒檢測實驗的結果統(tǒng)計[6-9]。

測試結果如圖3所示。

3 結 語

本文提出的基于KCF的多條件綜合判斷行人跌倒檢測方法能夠實時檢測行人，并對多目標進行跟蹤，雖然存在一定（1 s以內）延遲，但經比較發(fā)現(xiàn)，此系統(tǒng)極大地提高了跌倒判斷的準確率。

參考文獻

[1] STAUFFER C，GRIMSON WEL. Adaptive background mixture models for real-time tracking [C]// 1999 IEEE Computer Society Conference on Computer Vision and Pattern Recognition，1999.

[2]龔露鳴，徐美華，劉冬軍，等.基于混合高斯和HOG+SVM的行人檢測模型[J].上海大學學報（自然科學版），2018，24（3）：341-351.

[3]成科揚，師文喜，周博文，等.面向復雜場景的魯棒KCF行人跟蹤方法[J].南京航空航天大學學報，2019（5）：625-635.

[4] HENRIQUES J F，CASEIRO R，MARTINS P，et al. Exploiting the circulant structure of tracking by detection with kernels [C]// European Conferenceon Computer Vision. Berlin，Heidelberg：Springer，2012.

[5]蘇松志，李紹滋，陳淑媛，等.行人檢測技術綜述[J].電子學報，2012，40（4）：814-820.

[6]吳曉陽.基于OpenCV的運動目標檢測與跟蹤[D].杭州：浙江大學，2008.

[7]袁杰. 基于視覺的老人跌倒檢測系統(tǒng)設計與研究[D].贛州：江西理工大學，2018.

[8] Muhammad Mubashir，Ling Shao，Luke Seed.A survey on fall detection：principles and approaches [J]. Neurocomputing，2013：144-152.

[9] HENRIQUES J F，CASEIRO R，MARTINS P，et al. High speed tracking with kernelized correlationfilters [J]. IEEE transactions on pattern analysis and machine intelligence，2015，37（3）：583-596.

[10]禹明娟.基于視頻的室內老人摔倒檢測研究[D].杭州：杭州電子科技大學，2016.

[11] Subhransu Maji，Alexander C Berg，Jitendra Malik. Efficient classification for additive kernel SVMs [J]. IEEE transactions on pattern analysis and machine intelligence，2013，35（1）：66-77.

[12] Lu Chen，Yanhua Shao，Yanying Mei，et al. Using KCF and face recognition for outdoor target tracking UAV [C]// International Conference on Graphic and Image Processing，2019.

[13] Mika?l A Mousse，Cina Motamed，Eugène C Ezin. Percentage of human-occupied areas for fall detection from two views [J]. The visual computer，2017，33（12）：1529-1540.