基于多特征分析的摔倒檢測算法設計

高苗 朱蘇磊

摘要： 針對已有摔倒檢測算法誤檢率高的缺點，提出了一種改進的摔倒檢測算法.首先采用混合高斯模型對前景目標進行檢測，然后進行中值濾波和形態學處理來提取前景目標.在人體寬高比和有效面積比的基礎上，采用了質心的變化、方向角度和運動系數作為特征來判斷人體是否摔倒.實驗結果表明，和傳統算法相比，該算法具有更高的準確度，識別度高，算法復雜度低，能有效地防止誤判.

關鍵詞：

摔倒檢測； 混合高斯模型； 質心； 方向角度； 運動系數

中圖分類號： TP 273.4文獻標志碼： A文章編號： 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

導師簡介： 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算法設計 [J].上海師范大學學報（自然科學版），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行有效的治療，很有可能會出現嚴重的后果，因此，對自動摔倒檢測系統的研發就很有必要.摔倒事件檢測的方法主要分為以下三種：（1）基于穿戴式傳感器的檢測.當有摔倒發生時，通過戴在身上的傳感器來感應信號.基于傳感器的摔倒檢測準確率高，但是誤檢率也很高，同時由于穿戴式傳感器需要隨時攜帶，對用戶的生活會造成一定的不便；（2）基于場景裝置的檢測.這種方法根據場景和人的姿態特征來檢測摔倒；（3）基于視頻的摔倒檢測.通過對視頻進行處理來檢測摔倒，該方法的成本相對較低，并且用戶無需佩戴任何儀器，更加方便[1].

Vaidehi等[2]實現了一種基于視頻的自動檢測人體摔倒行為系統，此系統只使用人體寬高比和傾斜角度這兩種特征來判斷是否摔倒，不能區分下蹲、躺下等常見的行為，誤檢率很高.Rougier 等[3]設計的摔倒檢測系統采用單目 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，計算頭部水平和垂直兩個方向的速度，通過和閾值比較來判斷人體是否摔倒.該方法的時間復雜度高，不能滿足實時性要求.上述算法在一定程度上能達到摔倒檢測的目的，但是由于人體多樣性的特點，誤檢率往往會很高.

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上，加入了質心的變化、方向角度和運動系數這些特征來判斷人體是否摔倒，實驗證明，該算法復雜性較低，實時性較好，準確度較高.

1運動目標提取

在摔倒檢測系統中，有效地提取運動目標是一個關鍵的環節，直接影響著后續的系統檢測[4].由于摔倒檢測系統應用于室內環境，攝像頭是固定的，背景也相對固定，因此采用背景減除法（foreground）來提取運動目標.在室內環境中，由于窗簾的擺動、光線的變化以及風扇的搖動等條件的影響，背景會出現變化，因此采用混合高斯模型法來對背景實時更新.

1.1背景建模

背景模型的建立及更新方式對運動目標的檢測結果有著直接的影響[5].混合高斯模型的基本原理是，對視頻序列圖像中的各個像素點同時構建K個高斯分布，將其加權表示視頻中的信息.對于是否能實時檢測到背景的改變，背景模型的更新起著關鍵性的作用[6].

假如像素點的像素值為X，則它的概率密度函數

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時刻第i個高斯分布，n 表示X的維數，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為權重，且有∑Ki-1ωi，t=1.

設偏差門限為2.5，如果滿足條件Xt-μi，t-1≤2.5δi，則這個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習率，0≤α≤1，背景模型的更新速度由α的值決定，ρ表示參數更新速率，Mi，t的值取決于模式是否匹配，對于匹配的分布Mi，t=1，否則Mi，t=0.

背景模型完成更新后，會按優先級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，B=argmin（∑Bk=1ωk，t>T），其中T是一個設定的閾值，控制背景分布的個數.輸入新的序列圖像，將它的像素點與上述B個高斯分布重新匹配，如果與其中的任意一個分布匹配，則該像素為背景點，否則，為前景點.

1.2中值濾波和形態學處理

中值濾波是非線性濾波技術，它是用像素點領域灰度值的中值來代替該像素點的灰度值，消除孤立點，能去除脈沖噪聲、椒鹽噪聲，又能保留圖像的邊緣細節，不會使圖像產生模糊，從而改善圖片的質量，是很經典的平滑噪聲的處理方法.中值濾波在一定條件下，不會像線性濾波那樣造成圖像細節模糊的問題，對避免濾波脈沖干擾有顯著的效果[7].

形態學濾波的最基本的操作為腐蝕和膨脹，使用形態學濾波的目的是濾除圖像中的干擾信息，保留對圖像運動目標分析有價值的信息.通過形態學濾波，可進一步濾除噪聲點，同時也填充了運動目標出現的孔洞，改善了圖像質量，經過這些處理之后，圖像上的干擾點大大減少，提取的前景目標的特征更加清晰.

2改進的摔倒檢測算法

2.1行為特征提取與分析

提取運動前景目標時，采用的是背景減除法，用混合高斯模型來進行背景更新，經過中值濾波、陰影抑制和形態學處理，能準確地分割出運動前景目標.

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，當人站立的時候，寬高比遠小于1，當人摔倒的時候，寬高比遠大于1.但僅僅用這一特征來判斷摔倒情況，誤檢率比較大，且無法識別人下蹲、伸展運動的情況.

2.1.2有效面積比

文獻[8]提出了有效面積比這一特征.最小外接矩形框圖像經過二值化處理后，像素值為1的像素個數為人體的有效面積，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.當人體做伸展運動時，有效面積比較小；當人體摔倒時，有效面積較大，結合寬高比，能提高檢測的準確度.

2.1.3質心變化

質心就是一個目標物體質量集中的點，質心的變化也是判斷人體是否摔倒的一個典型的特征，質心的坐標是用運動目標所有像素點橫坐標的平均值和縱坐標的平均值表示.通過質心位置的變化，可以判斷目標是靜止的還是運動的.當人體彎腰、坐下、摔倒時，質心位置也會有不同程度的變化，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軸與x軸的夾角，如圖1所示.

由圖1可以看出，當人行走和彎腰時，方向角會發生變化，摔倒時的變化會更加顯著.

2.1.5運動系數

運動歷史圖像（MHI）用來計算運動系數，MHI的更新方式

其中，ts是MHI中運動發生的當前時間，td是運動跟蹤的最大持續時間，foreground（·）表示背景減除法提取的結果，mhi<（ts-td）表示低于當前時間和持續時間差值的MHI值.

運動系數

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

其中pixel（x，y）表示像素點集合，如果像素點沒有發生運動，Cmotion=0；如果全部運動，Cmotion=1.

2.2摔倒檢測算法實現

在已有算法的基礎上，本算法采用質心的變化、方向角度和運動系數作為特征來判斷人體是否摔倒，并檢測在短時間內，摔倒目標是否有移動的情況，具有較高的精確度和準確率.算法具體流程圖如圖2所示.

當這些特征得以滿足時，系統判定發生摔倒行為.

3實驗結果與分析

算法采用Matlab平臺編程實現，系統運行環境：CPU為InteL（R） Core（TM） i53230U CPU @2.6 GHz 2.60 GHz，內存為4 GB.圖3為摔倒的實驗示例.

由圖3～圖5可以看出，人體在摔倒前后質心位置、方向角和運動系數都會發生明顯的變化，當人體倒下之后，會顯示“Fall Detection”的警告.

測試指標有識別率（RC）、精確度（PR）以及準確率（ACC）組成[9]，

其中，TP表示摔倒視頻中正確檢測出摔倒的事件次數，FP表示無摔倒視頻中檢測出摔倒的事件次數，FN表示摔倒視頻中沒有正確檢測出摔倒的事件次數，TN表示無摔倒視頻中沒有檢測摔倒的事件次數.

測試30次，其中摔倒視頻20次，非摔倒視頻10次，經過測試TP=18， FP=1， FN=2， TN=9.表1為本算法和已有算法的比較.

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

4結論

針對已有的摔倒檢測算法中不能準確識別彎腰和坐下姿勢的問題，本文作者提出了一種以質心變化、方向角變化和運動系數變化作為特征進行檢測的算法.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.實驗結果表明，該算法復雜度低，容易實現，準確率得到了提高，特別是在人體彎腰、坐下等場景中，表現出更大的優越性，具有一定的實用性.

參考文獻：

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

Cheng T，Yang S S，Feng 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算法 [J].江南大學學報（自然科學版），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.基于視頻的室內老人摔倒檢測研究 [D].杭州：杭州電子科技大學，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.一種改進的自動摔倒檢測算法 [J].安徽大學學報（自然科學版），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.

（責任編輯：包震宇，郁慧）