基于視覺識別的人體跌倒檢測研究

吉承文，馬 超，張鐵鋼，馮世杰

（海南電網有限責任公司信息通信分公司，海口 570203）

0 引言

為工作人員的安全提供保障，電場工作場所都通過制定一些行為準則和電場安全防護措施。盡力在防護方面做出努力，但危險事故依舊存在，及時發現危險和為工作人員提供救助非常重要。因此，研究工作人員的人體跌倒狀態有著重要的意義。

1 跌倒檢測技術

人體的基本活動可以分為日常活動和跌倒，跌倒包括：前向跌倒、后向跌倒、側向跌倒。跌倒檢測的主要內容就是準確區分日常活動和跌倒。本文研究基于視頻圖像的跌倒檢測方法。

基于圖像的跌倒檢測主要是通過攝像頭拍攝視頻或拍照獲取圖片。跌倒檢測有以下分類：基于圖像靜態特征的跌倒檢測和基于人體動作圖像的跌倒檢測。基于圖片靜態特征的跌倒檢測系統，是利用人跌倒后的跌倒狀態特征進行檢測的。基于人體動作圖像的跌倒檢測系統，根據日常活動到跌倒的變化過程檢測跌倒。基于圖像的跌倒檢測系統，優點是檢測精度高，缺點是成本高，計算量大，隱私保護弱，只能對安裝視頻監控設備的場所進行跌倒檢測。

2 基于視覺的跌倒檢測方法

電力工作人員的人身安全是智能監控的重要部分，可以根據不同的工作人員提供不同的跌倒檢測系統。本文采用基于視頻圖像的跌倒檢測，在工作場合區域安裝攝像頭，拍攝視頻圖像檢測人員跌倒，為電力工作人員提供安全保障。

目前的跌倒檢測系統，在檢測場所、檢測時間、檢測成本上不能全部盡如人意，但他們都有著各自的優點，在不同的場合使用不同的跌倒檢測系統，將多個跌倒檢測系統結合使用預測可以得到不錯的效果。隨著計算機視覺領域開始使用卷積神經網絡，目標檢測領域取得了較大的發展，YOLO[1，2]算法檢測速度很快，得到廣泛的研究和應用。

本文基于YOLO系列算法，提出一種基于視覺的跌倒檢測方法，應用于電力場合下的智能監控系統。

2.1 跌倒檢測的評估標準

衡量一個跌倒檢測方法的整體檢測效果，已經有了許多的技術指標。比較常見的跌倒檢測性能指標有靈敏度、特異度和準確度等，準確度是將靈敏度和特異度兩個性能指標進行合并得到的，可以衡量方法整體的檢測效果。

根據已有的跌倒檢測綜述，跌倒檢測的結果一般是分為四種[3]：將跌倒預測為跌倒：真陽性（TP）；將日常活動預測為跌倒：假陽性（FP）；將日常活動預測為非跌倒：真陰性（TN）；將跌倒預測為非跌倒：假陰性（FN）。

假 陽 性 率（false positive rate，FPR）/誤 警 率（false alarm rate，FAR）：檢測為跌倒的數據中非跌倒數據所占的比例。公式定義如下：FPR=FAR =FP/（TP + FP）。

假 陰 性 率（false negative rate，FNR）/漏 警 率（missing alarm rate，MAR）：檢測為非跌倒的數據中跌倒數據所占的比例。公式定義如下：FNR=MAR=FN/（FN+TN）。

靈敏度（Sensitivity）[4]/查全率（Recall）：跌倒數據集中被正確檢測為跌倒的數據比例。公式定義如下：Se=Re=TP/（TP +FN）。

特異度（Specificity）[5]：非跌倒數據集中被正確檢測為非跌倒數據的比例。公式定義：Sp=TN/（TN + FP）。

精度（Accuracy）/準確度：正確檢測的數據占總數據的比例。公式定義如下：Ac =（TP + TN）/（TP + FP + TN + FN）。

2.2 基于YOLO的人體跌倒檢測流程

本文對電力系統智能監控的人身安全的人體姿態進行識別，提出基于目標識別的跌倒檢測模型，通過采集大量的跌倒圖片，進行訓練得到權重文件，對運動人體目標進行檢測、分析和判斷人體姿態，可以直接檢測人體跌倒事件，以檢測到當工作人員跌倒時準確報警。本文實現了跌倒檢測，能夠有效提高在電力系統視頻監控的人體姿態判斷的準確性和實時性。對電力場所的人體目標跌倒特征進行檢測，本文提出的基于視覺的跌倒檢測方案，主要使用YOLO v3算法實現跌倒檢測，檢測流程如圖1所示。

圖1 人體目標跌倒檢測流程

直接檢測單一人體的目標特征時，誤判率和漏檢率都較高。本文將對人體目標的多種人體特征檢測，采用YOLO算法判定當前行為狀態，構造人體目標特征的權重。在損失函數穩定后得到權重文件，測試權重文件選定理想的權重文件，有效提高在電力監控視頻的人體姿態判斷的準確性。

2.3 基于視覺的人體跌倒檢測系統流程

對電力場所的人體目標跌倒特征進行檢測，本文提出的基于YOLO v3算法實現跌倒檢測的目標識別方案，檢測流程如圖2所示。

圖2 基于YOLO模型的人體跌倒檢測系統流程

在系統中，YOLO v3訓練數據集，在損失函數穩定后得到權重文件，測試權重文件選定理想的權重文件；最后，使用得到的權重文件（模型）對視頻進行跌倒檢測，分析判斷是否發生跌倒行為。

人體行為識別受到算法判斷特征的影響，本文采用基于YOLO v3的算法可以有效區分人體的跌倒行為和行走、坐臥等正常行為。根據人體目標行為特征，設置跌倒報警閥值。用YOLO權重模型，系統對待識別的人體目標行為進行分析，判斷人體跌倒達到閾值時發出警報。

3 實驗訓練與測試分析

3.1 數據集

在進行視頻檢測時，使用運行內存為6G的GPU檢測速度約為29FPS，滿足了實時跌倒檢測的要求。實驗采集跌倒和日常活動的圖片4 000張，使用YOLO Marks標記后得到訓練所需的數據集。

3.2 訓練和測試

本文對4 000張圖片組成的數據集進行訓練，在迭代2 000次后，損失函數下降到0.1，并基本穩定之后我們停止了訓練。為了在訓練結束后獲取最佳的權重文件，在訓練過程中，我們選擇每迭代

1 000 次就獲取一個權重文件。訓練結束后，共獲得10個權重文件。為了測試結果的準確性，我們重新采集了1 000張圖片做成測試集，對所有的權重文件進行測試，測試結果如圖2所示，橫坐標為迭代對應次數得到的權重文件，縱坐標為對權重文件測試得到的mAP值。在迭代2 000次后得到的權重文件，進行測試的mAP值約為0.9，基本趨于穩定。很明顯，我們得到的權重文件是理想的，達到了預期的要求，我們選迭代4 000次時得到的權重文件對跌倒事件進行檢測。

3.3 跌倒檢測

為了進一步驗證權重文件的可用性，我們對多張跌倒和非跌倒的目標圖片進行了測試，之后還對視頻中的人體目標進行了檢測。在對目標圖片進行測試時，我們分別對跌倒和非跌倒的人進行檢測，如圖3所示，圖片中一個意外跌倒的小孩和兩個抱頭躺在地上的人都檢測為fall（跌倒），而一個正在跑步的人和一個坐在凳子上的人都檢測為nonfall（非跌倒），對跌倒和非跌倒事件進行檢測全部得到了預期的結果。

4 結束語

跌倒檢測可以為觸電跌倒人員及時提供救助，增加安全保障。本文利用YOLO v3實現監控場景下的跌倒檢測，證明了僅利用一定的數據集訓練后，就可以得到不錯的跌倒檢測效果，無論是準確性，還是實時性均取得了不錯的成績。本文方案代替傳統的跌倒檢測方案有十分重要的意義。但在視頻場景下，對相似的臥起與跌倒等行為特征識別率較低，有待后續研究和改進。需要根據當前算法方案，進行多特征融合識別等優化處理，提高部分遮擋人體目標情況下的跌倒行為識別精度和魯棒性，降低人體目標檢測過程中的計算成本，提高整體的識別率。