梁遠(yuǎn)騰，李捍東

（貴州大學(xué) 電氣工程學(xué)院，貴陽(yáng) 550025）

0 引言

根據(jù)中國(guó)人口與發(fā)展研究所中心預(yù)測(cè)，2020-2035 年中國(guó)老年人口規(guī)?？焖倥噬?，高齡化進(jìn)程提速。截止2018 年，中國(guó)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(gè)百分點(diǎn)，并將迎來(lái)兩次老年人口增長(zhǎng)高峰。2035 年老年人口約達(dá)3.26 億，占比為22.8%［1］。隨著中國(guó)老齡化社會(huì)的到來(lái)，獨(dú)居老人越來(lái)越多，當(dāng)老人發(fā)生跌倒，不能及時(shí)告知家人或其他人員，則將造成嚴(yán)重后果。目前，對(duì)摔倒事件進(jìn)行檢測(cè)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(cè)。陳瑋等人［3］通過(guò)傳感器收集加速度和角速度的信息，使用支持向量機(jī)識(shí)別分類(lèi)，再進(jìn)行摔倒事件的檢測(cè)。二是基于場(chǎng)景裝置的檢測(cè)。Alwan 等人［4］通過(guò)分析地面震動(dòng)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(cè)。Vaidehi 等人［5］設(shè)計(jì)了一種自動(dòng)摔倒檢測(cè)系統(tǒng)，依次使用人體寬高比和傾斜角度來(lái)判斷人體是否摔倒，該算法設(shè)計(jì)原理簡(jiǎn)單，實(shí)現(xiàn)起來(lái)較為容易，但誤判率較高。

通過(guò)以上分析，本文設(shè)計(jì)了一種自動(dòng)摔倒檢測(cè)系統(tǒng)，該系統(tǒng)含有較多的人體運(yùn)動(dòng)狀態(tài)特征，能有效降低摔倒識(shí)別的誤判率。

1 運(yùn)動(dòng)目標(biāo)提取

提取運(yùn)動(dòng)目標(biāo)，在摔倒檢測(cè)系統(tǒng)中是極為重要的環(huán)節(jié)，對(duì)后續(xù)的系統(tǒng)檢測(cè)有著很大影響。目前，幀差法、光流法、背景減除法廣泛運(yùn)用于人體目標(biāo)檢測(cè)中。相鄰兩幀之間的時(shí)間間隔是幀差法的主要缺點(diǎn)，在算法的設(shè)計(jì)過(guò)程中，由于難以找到恰當(dāng)?shù)臅r(shí)間間隔，將導(dǎo)致系統(tǒng)錯(cuò)檢或者漏檢，得不到完整的運(yùn)動(dòng)目標(biāo)前景。光流法的計(jì)算較為復(fù)雜，且運(yùn)算量巨大，不能滿(mǎn)足系統(tǒng)的實(shí)時(shí)性要求。算法設(shè)計(jì)原理簡(jiǎn)單是背景減除法的一大優(yōu)勢(shì)，但缺點(diǎn)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(cè)系統(tǒng)，應(yīng)用場(chǎng)景針對(duì)室內(nèi)，攝像頭是固定的，因此采用背景減除法來(lái)提取運(yùn)動(dòng)目標(biāo)。針對(duì)窗簾擺動(dòng)、光線(xiàn)變化等影響，對(duì)于背景的實(shí)時(shí)更新，本文采用混合高斯模型算法，當(dāng)背景發(fā)生變化時(shí)，能有效提高識(shí)別檢測(cè)的準(zhǔn)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(gè)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(gè)像素點(diǎn)，通過(guò)K個(gè)高斯模型表征每個(gè)像素點(diǎn)。使用K個(gè)高斯模型進(jìn)行加權(quán)平均，來(lái)表征圖像中的信息。其中，背景模型的更新對(duì)能否實(shí)時(shí)檢測(cè)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(diǎn)的像數(shù)值為X，則概率密度函數(shù)可表示為：

表示在t時(shí)刻第i個(gè)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(mén)限等于2.5，當(dāng)｜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(duì)背景模型的更新速度起著關(guān)鍵性作用；ρ表征各個(gè)參數(shù)的更新速度；模式匹配與否由Mi，t值來(lái)控制，當(dāng)Mi，t＝1，模式匹配，Mi，t＝0，模式不匹配。當(dāng)背景模型更新后，算法會(huì)按優(yōu)先級(jí)λi，t對(duì)這K個(gè)高斯模型進(jìn)行排序。選擇前B個(gè)高斯分布生成背景，，T表示控制背景分布的數(shù)量，是一個(gè)閾值，需要人為進(jìn)行設(shè)定。當(dāng)新一幀序列圖像輸入模型中，B個(gè)高斯分布將會(huì)和圖像的所有像素點(diǎn)進(jìn)行匹配，當(dāng)匹配成功，則該像素點(diǎn)為背景點(diǎn)，匹配失敗，該像素點(diǎn)為前景點(diǎn)。

1.2 高斯濾波和形態(tài)學(xué)處理

高斯濾波是一種線(xiàn)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(guò)程。其原理是針對(duì)圖像中的每一個(gè)點(diǎn)像素值與高斯內(nèi)核進(jìn)行卷積計(jì)算，并將計(jì)算結(jié)果相加，輸出到目標(biāo)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(duì)象邊緣添加像素，而腐蝕的作用是刪除對(duì)象邊緣某些像素。先腐蝕后膨脹，可以消除小物體，在纖細(xì)點(diǎn)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(xì)小空洞，連接臨近物體，平滑其邊界。

2 改進(jìn)的摔倒檢測(cè)算法

2.1 人體特征值選取與分析

選取合適的運(yùn)動(dòng)人體特征值，對(duì)判斷運(yùn)動(dòng)目標(biāo)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(gè)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(duì)應(yīng)的寬高比值。人體正常行走或站立時(shí)，人體寬高比遠(yuǎn)小于1；人體摔倒或蹲下時(shí)，人體寬高比遠(yuǎn)大于1。

（2）人體有效面積比。最小外接矩形框圖像，經(jīng)過(guò)二值化處理后，人體有效面積等于像素值為1的像素個(gè)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(dāng)老人做壓腿等運(yùn)動(dòng)時(shí)，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(shí)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(duì)角線(xiàn)的交點(diǎn)，即質(zhì)心為點(diǎn)O，坐標(biāo)為（x0，y0）。接矩形底邊兩端點(diǎn)坐標(biāo)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(dāng)發(fā)生摔倒事件時(shí)，人體質(zhì)心到底邊距離明顯變小。

（4）中心變化率。當(dāng)發(fā)生摔倒事件時(shí)，人體的中心會(huì)在上下、左右位置發(fā)生變化。設(shè)相鄰兩幀圖像的中心點(diǎn)分別為O1＝（x0，y0）、O2＝（x1，y1），Δt是相鄰兩幀圖像之間的時(shí)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(fù)，而x軸方向中心變化率一直大于零。當(dāng)人體發(fā)生摔倒時(shí)，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(jì)算方法如下：

其中，人體的實(shí)時(shí)高度用height來(lái)表示，人體的平均高度用heightaver來(lái)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(lái)計(jì)算人體高度變化率，使得計(jì)算結(jié)果更加準(zhǔn)確，具有很強(qiáng)的適應(yīng)性。

2.2 算法實(shí)現(xiàn)

本文所使用的算法包含人體寬高比等5 個(gè)特征參數(shù)，來(lái)判斷人體是否摔倒。經(jīng)過(guò)多次試驗(yàn)及查閱相關(guān)文獻(xiàn)，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(cè)算法流程圖Fig.1 Flow chart of fall detection algorithm

由圖1 可知，摔倒檢測(cè)系統(tǒng)識(shí)別到運(yùn)動(dòng)人體目標(biāo)后，當(dāng)這些特征得以滿(mǎn)足時(shí)，就可以定義為是摔倒事件。

3 實(shí)驗(yàn)結(jié)果及分析

摔倒檢測(cè)算法在一臺(tái)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(yùn)行。編程軟件有PyCharm、Python3.8、OpenCV4.2.0。

3.1 運(yùn)動(dòng)目標(biāo)提取

獲取前景運(yùn)動(dòng)目標(biāo)后，對(duì)圖像進(jìn)行高斯濾波和形態(tài)學(xué)處理，目標(biāo)檢測(cè)結(jié)果如圖2 所示。

圖2 運(yùn)動(dòng)目標(biāo)提取Fig.2 Moving target extraction

由圖2 可知，當(dāng)視頻中沒(méi)有出現(xiàn)運(yùn)動(dòng)目標(biāo)時(shí)，經(jīng)過(guò)算法提取后的背景圖像全為黑色；當(dāng)出現(xiàn)運(yùn)動(dòng)目標(biāo)時(shí)，經(jīng)過(guò)算法提取后得到目標(biāo)圖像。

3.2 摔倒判別及分析

本文方法針對(duì)獨(dú)居老人在室內(nèi)發(fā)生摔倒事件進(jìn)行檢測(cè)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(xiàn)。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(yàn)，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(huì)發(fā)生明顯的變化。其中，圖3（a）摔倒曲線(xiàn)從第113 幀開(kāi)始寬高比有明顯上升趨勢(shì)，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(xiàn)的寬高比在圖中沒(méi)有明顯的變化。圖3（b）摔倒曲線(xiàn)從第113 幀開(kāi)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(xiàn)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(shí)人體中心變化率在x軸和y軸方向曲線(xiàn)圖，在圖中113 幀左右y軸方向的中心變化率開(kāi)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(shí)，T5 的值比較接近1；當(dāng)有摔倒情況發(fā)生時(shí)，T5 的值總是小于1。

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

圖4 是使用本文算法檢測(cè)結(jié)果。運(yùn)動(dòng)目標(biāo)正常行走時(shí)，視頻左上角顯示Normal（正常）字樣；當(dāng)發(fā)生摔倒事件時(shí)，在視頻左上角會(huì)顯示Falled（跌倒）的警告。

圖4 判別結(jié)果Fig.4 Judgment result

3.3 實(shí)驗(yàn)對(duì)比分析

本文使用the UR Fall Dataset（URFD）和the Fall Detection Dataset（FDD）［7-8］兩個(gè)數(shù)據(jù)集作為測(cè)試數(shù)據(jù)。摔倒檢測(cè)系統(tǒng)融合了5 個(gè)摔倒特征參數(shù)，摔倒檢測(cè)成功率高，誤判率低。最后，從摔倒檢測(cè)誤判率的角度，對(duì)文中提到的摔倒檢測(cè)算法進(jìn)行比較分析，結(jié)果見(jiàn)表1。

表1 對(duì)比結(jié)果Tab.1 Compare results

表1 給出本文方法和其他摔倒檢測(cè)方法的比較結(jié)果?；趕vm 和閾值分析的摔倒檢測(cè)方法會(huì)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(cè)方法，所包含人體摔倒特征參數(shù)較少，當(dāng)人平躺或側(cè)摔、仰摔時(shí)，會(huì)被誤判為摔倒事件；文中方法融合了5 個(gè)摔倒特征參數(shù)，經(jīng)過(guò)各參數(shù)之間的相互修正并進(jìn)行最終判定，能更加精確識(shí)別摔倒事件，降低誤判率。

4 結(jié)束語(yǔ)

本文針對(duì)獨(dú)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(cè)方法。該方法通過(guò)背景減除法來(lái)分割運(yùn)動(dòng)目標(biāo)，使用混合高斯模型算法對(duì)背景進(jìn)行更新，在獲取完整的目標(biāo)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(gè)特征參數(shù)判斷是否有摔倒事件發(fā)生。該方法簡(jiǎn)單、易于實(shí)現(xiàn)、誤判率低，能更為準(zhǔn)確地區(qū)分摔倒行為和日?；顒?dòng)行為。