CN106485185A - 一种基于边界链码的老人摔倒检测算法 - Google Patents

Abstract

本发明属于计算机视觉领域，公开了一种基于边界链码的老人摔倒检测的方法。本发明首先通过基于PERT背景建模的运动目标检测算法提取监控视频中的运动目标—老人，对于提取的运动目标进行中值滤波和形态学处理，获取完整的目标。然后对目标区域进行轮廓跟踪顺序找出边界点，生成边界链码。最后利用插值调整边界链码长度，通过与摔倒模型进行欧氏空间距离比较判别是否摔倒。本发明可降低老人摔倒检测算法的复杂度，并且可以获得较精确的摔倒检测结果，而且对于不同场景适应性较强。

Description

一种基于边界链码的老人摔倒检测算法

技术领域

本发明属于计算机视觉技术领域，尤其涉及一种基于边界链码的老人摔倒检测算法。

背景技术

截止2013年底，我国60周岁及以上人口20243万人，占总人口的14.9％，人口老龄化情况严重。目前许多家庭的子女由于在外工作等原因，无暇照顾老人，因此老人的健康维护显得十分重要。对于大多数老年人来说，摔倒是造成严重受伤的原因之一。研究表明20-30％的老年人不同程度经受由摔倒引起的病痛，因此快速而准确地获取摔倒信息为伤者提供及时救助，可以大大提高医疗效率，降低由摔倒延迟发现而引起的近一步伤害。

目前摔倒检测的相关算法可以分为两类：基于可穿戴式设备的摔倒检测算法和基于视频的摔倒检测算法。基于可穿戴式设备的摔倒检测根据设备监测到的数据来反映人体活动变化。但是可穿戴式设备容易受到外界噪声干扰，例如人体的自然伸缩，其正确判别率低。基于视频的摔倒检测通过布置在高危区域的摄像头捕捉人体活动，运用动作跟踪技术来识别摔倒事件。利用外接方框来代表人体，通过人体宽高比特征进行摔倒判断，算法简单但是容易产生误判。在人体宽高比特征的基础上采用有效面积比和中心变化率两个特征来进行结果修正，能有效防止误判。通过提取视频图像序列中人体形状特征积累似然率和设置阈值来进行摔倒动作匹配。其算法复杂，实时性较差。

计算机视觉领域包括运动目标的检测，运动行为分析，运动目标的跟踪等多方面技术领域。老人摔倒检测是近年来的一个研究热点。

发明内容

本发明的目的在于提供一种基于边界链码的老人摔倒检测算法。具体实现包括以下步骤：

(1)目标的提取：提出基于PERT背景建模的运动目标检测算法，通过三时估计法构建背景模型，通过背景减除法来获得活动目标；

(2)运动目标的滤波和形态学处理：利用采用中值滤波来消除噪声干扰，利用形态学中膨胀和腐蚀来得到完整的目标；

(3)边界链码生成：轮廓跟踪就是顺序找出边界点，不仅可以跟踪出边界，还可以同时记录边界信息，生成边界链码，为形状分析和目标识别做准备。轮 廓跟踪可以基于四方向码和八方向码分别跟踪出四连通的轮廓和八连通的轮廓。但对于大多数区域，不一定存在封闭的四连通轮廓，会导致基于四方向码的轮廓跟踪失败。因此，本文采用八方向码的轮廓跟踪。可以得到精确地边界链码；

(4)摔倒判别：通过从相同起点开始编码和将较短的链码扩展到与较长链码相同的长度，采用欧氏空间距离来衡量经过调整后的模板边界链码和实际边界链码来比较两组链码的差别大小来判断老人是否摔倒。

本发明的优点在于降低老人摔倒检测算法的复杂度，并且可以获得较精确的摔倒检测结果，而且对于不同场景适应性较强。

附图说明

下面结合附图和具体实例对本发明做进一步说明：图1为目标提取图片；图2为滤波后图片；图3为膨胀腐蚀后图片；图4为八连通方向码图片；图5为轮廓跟踪图片。

具体实施方式

本发明所公开的一种基于边界链码的老人摔倒检测算法的技术方案：

一、目标的提取：视频序列中的每个像素的灰度值是一个离散的随机分布，根据当一个随机变量服从贝塔分布时，可以用三时估计法来估算该变量的均值和标准差。用当前帧的前三帧图像来估算背景和标准差，根据前面所述的三时估算，其中：

a＝max(f_k-1，f_k-2，f_k-3) (1)

b＝median(f_k-1，f_k-2，f_k-3) (2)

c＝min(f_k-1，f_k-2，f_k-3) (3)

由下式定义均值和标准差：

其中是f_k帧图像的背景估计。

当前帧f_k(x，y)其与背景图像进行差分得到的差分图像D_k(x，y)，表示如下：

对差分结果进行二值化处理

得到目标图像R_k(x，y)；当D_k(x，y)中像素点的值大于时，被判定为前景，否则被判定为背景，其中G是倍值因子(通常取固定值)。结果如下图1所示。

二、运动目标的滤波和形态学处理：中值滤波是基于排序统计理论的一种能有效抑制噪声的非线性信号处理技术，中值滤波的基本原理是把数字图像或数字序列中一点的值用该点的一个邻域中各点值的中值代替，让周围的像素值接近的真实值，从而消除孤立的噪声点。方法是用某种结构的二维滑动模板，将板内像素按照像素值的大小进行排序，生成单调上升(或下降)的为二维数据序列，结果如下图2所示。膨胀和腐蚀是图形形态学中最基本的两种算子。腐蚀的作用是消除物体边界点，使目标缩小，可以消除小于结构元素的噪声点；膨胀的作用是将与物体接触的所有背景点合并到物体中，使目标增大，可添补目标中的空洞。运算时先膨胀后腐蚀，可以填充物体内细小的空洞，并平滑物体边界。结果如下图3所示。

三、边界链码生成：轮廓跟踪生成边界链码的算法如下，八连通方向码如图4所示。

步骤1：从上到下、从左到右顺序扫描图形，寻找第一个目标点作为边界跟踪的起始点，记为A。A点一点事最左上角上的边界点，其相邻的边界点只有可能出现在它的左下、下、右下、右四个邻点中。定义一个搜索方向向量dir＝5，即从5开始搜索与A相邻的下一个边界点，用于记录从当前边界点搜索下一个相邻边界点所用的搜索方向码。

如果当前搜索方向dir上的邻点不是边界点，则依次使搜索方向逆时针旋转一个方向，更新dir，知道搜索到一个边界点为止。如果所有方向都没有找到相邻的边界点，则该点是一个孤立点。dir的更新公式表示为：dir＝dir+1。

步骤2：把上一次搜索到的边界点作为当前边界点，在其3*3邻域内按逆时针方向搜索新的边界点，它的起始搜索方向设定为：若上次搜索到边界点的方向dir为奇数，则使dir＝dir+6，即将上次的搜索方向顺时针旋转两个方向；若dir为偶数，则使dir＝dir+7，即将上次的搜索方向顺时针旋转一个方向。

如果起始搜索方向没有找到边界点，则依次使搜索方向逆时针旋转一个方向， 更新dir，直到搜索到一个新的边界点为止。

步骤3：如果搜索到的边界点就是第一个边界点A，则停止搜索，结束跟踪，否则重复上一步骤继续搜索。

由依次搜索到的边界点系列就构成了被跟踪的边界，即边界链码。示例如图5所示，边界链码为566711077123335533。

四、摔倒判别：对于上一步得到的结果，进行插值边界链码调整后通过欧氏空间距离判断摔倒事件。

我们约定从最上角的像素点开始沿相同的方向(如逆时针)生成链码。在扩展链码上我们采用插值技术，假设有两组链码A和B，A＝{a_i|1≤i≤m}代表较短的一组，其中a_i代表链码A中的一点，m代表A的长度，同理B＝{b_i|1≤i≤n}代表较长的一组。C＝{c_i|1≤i≤n}代表A经过插值后的链码，我们通过以下两步定义c_i：

第一步：根据a_i原来在A的位置成比例地分布在C上。令c₁＝a₁，当2≤i≤m， 例如，设A＝2536。如果我们设则A的长度扩大两倍后C＝2__5_3_6，因为在A上1，2，3，4位置的编码在C上的分别对应位置为1，4，6，8。

第二步：在C上插入新编码：在原来链码序列的基础上插入新值必然引起误差，因此在原来序列中两个编码间插入新值必须符合原值的变化趋势。这里我们考虑三种插值情况。

第一种情况为我们在相同的两个编码值间插值，它表明原来的边界沿相同的方向变化。例如链码“...22...”，这组链码表明至少三个相邻像素在垂直方向上。如果我们要扩大两倍及其更多倍数时，我们应该在这两个相同的编码间复制这个值，则新的链码变为“...2222...”。

第二种情况为我们在不同的编码值间插值。为了防止不可预知的误差，我们将新增的前一半编码取值为原来链码左边的编码值，后一半取值为原来链码右边的编码值。例如“...03...”，则变化后的链表为“...000333...”。

第三种情况为在原来链码的最后一个编码后面插值。这种情况下，我们可以参考原来链码的第一个编码和最后一个编码来决定插值。

采用欧式空间距离来衡量经过调整后的模板边界链码和实际边界链码来比较两组链码的差别大小，即未知人形与摔倒模型的相似程度。欧式空间距离定义如下：

D＝sqrt(∑(x1_i-x2_i)^2) (8)

其中i＝1，2，…n，这里x1_i、x2_i表示经过调整后的两组链码中对应位置的码值。

如果欧式空间距离D小于我们预设的阈值(其大小根据实际系统的精确度而定)，并且这个状态持续持续一段时间，我们判断其为摔倒事件。

应该注意，虽然以上是参考具体实施方式对本发明进行说明的，但这并不意味是对本发明的限制，本发明的保护范围是由所附权利要求而不是具体实施方式来限定的。

Claims (5)

1.一种老人摔倒检测方法，其特征在于，该方法包括以下步骤：

(1)运动目标提取：通过PERT背景建模，提取监控视频中的运动目标；

(2)运动目标的滤波和形态学处理：对于提取的运动目标，采用中值滤波来消除这噪声干扰，利用形态学中膨胀和腐蚀来得到完整的目标；

(3)边界链码生成：采用轮廓跟踪算法生成边界链码；

(4)摔倒判别：利用插值调整边界链码长度，通过与摔倒模型进行欧氏空间距离比较判别老人是否摔倒。

2.根据权利要求1所述的老人摔倒检测方法，其特征在于：所述步骤(1)的运动目标(老人)的获取采用的是基于PERT背景建模的运动目标检测算法。

3.根据权利要求1或2所述的无老人摔倒检测方法，其特征在于：所述步骤(2)进一步包括：利用采用中值滤波来消除噪声干扰，利用形态学中膨胀和腐蚀来得到完整的目标。

4.根据权利要求1所述的老人摔倒检测方法，其特征在于：所述步骤(3)具体是：轮廓跟踪就是顺序找出边界点，不仅可以跟踪出边界，还可以同时记录边界信息，生成边界链码，为形状分析和目标识别做准备；轮廓跟踪可以基于四方向码和八方向码分别跟踪出四连通的轮廓和八连通的轮廓；但对于大多数区域，不一定存在封闭的四连通轮廓，会导致基于四方向码的轮廓跟踪失败，因此，本文采用八方向码的轮廓跟踪。

5.根据权利要求1或3所述的老人摔倒检测方法，其特征在于：所述步骤(4)具体是：由于实际老人的体型大小有差别以及老人与摄像头的距离存在不同造成实际链码与模板链码长度不一致，这将引起较大的比较误差，我们通过从相同起点开始编码和将较短的链码扩展到与较长链码相同的长度来解决这个问题，最终采用欧式空间距离来衡量经过调整后的模板边界链码和实际边界链码来比较两组链码的差别大小，即未知人形与摔倒模型的相似程度，欧式空间距离定义如下：

D＝Sqrt(∑(x1_i-x2_i)^2) (1)

其中i＝1，2，…n，这里x1_l、x2_l表示经过调整后的两组链码中对应位置的码值；如果欧式空间距离D小于我们预设的阈值(其大小根据实际系统的精确度而定)，并且这个状态持续持续一段时间，我们判断其为摔倒事件。