基于三个特征点的人体跌倒检测

【摘 要】设计了视频监控跌倒检测系统，采用人体姿态分析，通过人体轮廓提取、星形骨架提取、人体部位识别等步骤对视频图像进行处理，首先检测出三个特征点。由特征点构成了跌倒判断的特征向量。根据三个特征点相对位置的变化和特征向量与水平地面的夹角，来区分跌倒与正常人体活动的差别。以3个志愿者的步行、坐下和蹲下三类最具代表性动作为实验样本，采用上述方法进行测试。实验结果表明系统能有效检测跌倒，总体成功率超过90%，对正常活动的误报率仅7.5%。

【关键词】跌倒检测；智能监控；人体骨架提取；人体部位识别

【Abstract】According to Computer vision technology， a video surveillance fall detection system designed which using human gesture analysis. Respectively for the body contour extraction， star skeleton extraction and body parts recognition technology processing the monitor image. Check out the three feature points， constitutes a fall determination eigenvector by the feature point. According the relative positioning of the three feature points and feature vector angle with the horizontal ground， to distinguish the difference between the normal human activity and falls. Using the above method test 3 volunteers to walk， sit and squat which three most representative action for the experimental sample. Experimental results show that the system can effectively detect a fall， the overall success rate of over 90%， the normal activities of a false positive rate of only 7.5%.

【Key words】Falling detection；Intelligent monitoring；Human skeleton extraction；Body parts identify

老年人意外跌倒一直是当今社会医疗保健的重要问题。据统计，在全球超过65岁的老年人中，每年有近30%的人会发生意外跌倒事件[1]。在我国，根据2010年第六次人口普查发现，“60岁以上”老年人口占总人口的比重达到了13.26%，“65岁及以上”老年人口则达到了8.87%。随着全国人口老龄化问题的加剧，老年人因跌倒而受到意外伤害的情况越来越受到重视。在家里，如果老年人发生跌倒并且不能及时得到救援，就会发生一系列后续症状更严重者甚至会威胁到老人生命。鉴于此，近年来跌倒检测系统的开发已倍受关注，该类系统会在跌倒发生后及时检测并发出求救，以便救援人员能够及时赶到从而避免跌倒产生的后续伤害。

现阶段已投入商业化的跌倒检测系统多为 “佩戴式”系统[2]，最主要的是基于压力传感器[3]和重力加速传感器[4]两大类，该系统需要老年人一直将其佩戴在身上或者放入口袋中。这些佩戴式系统一般是基于重力加速传感器或者通过手动按下求助按钮来检测跌倒状态。然而，老人往往会忘记佩戴它们，而在跌倒发生后，通常会伴随着晕厥，这样求助按钮也失去作用。

计算机视觉技术为此带来了新的解决方案。基于计算机视觉的跌倒检测系统无需老年人的佩戴[5]，减少了对老年人日常生活的影响。现有的基于视频处理的跌倒检测方法依然存在着很多不足，主要体现在检测的实时性和误报率高两个方面。目前基于视频图像处理的跌倒检测算法主要有两个：（1）基于人体姿势的跌倒检测系统[6]，是利用了人体从站立到跌倒的过程中姿势的剧烈变化进行检测的。优点是准确度更高，因为它是以整个人体的动作变化来判断是否发生跌倒的。缺点是如果使用该方法判断，尤其是三维人体姿势判断，需要巨大的计算量，且该系统的制作复杂，成本较高。（2）基于头部运动的跌倒检测系统[7]，是利用了人在跌倒时头部的垂直方向上运动速度会高于水平方向运动速度作为判据依据，并结合重心或者头与地面的关系来进行判断。其优点是相比整个身体，头部图像更容易提取，运动轨迹与跌倒的相关性更高，计算量更小，缺点是相比于人体姿势的检测，在准确度上有所欠缺。此方法实现还需要使用深度摄像头，成本较高，且限制了它的推广。

1 实现方法

本文通过提取与人体跌倒相关的头部、腹部、小腿三个关键的特征点，利用这些点在摄像头前景平面上投影点的相对位置变化，来检测跌倒事件的发生。该方法主要分为四个步骤：人体轮廓提取、人体星形骨架提取、特征点识别和人体姿态分析。通过网络摄像头与电脑或服务器进行无线连接来进行实时的分析和报警。

图1 特征点检测流程图

2 特征点检测

2.1 图像预处理

运用网络摄像头拍摄到被检测者日常生活影像，通过无线网络实时地将数据到电脑。首先需对采集到的数据进行采样和压缩。采样率可以根据需求手动设置，本文选取1帧/秒的采样率。截取视频图像后，将图像分辨率压缩到640×480像素。

摄像机照相机等视频图像采集设备在摄入视频图像的同时会产生热噪声，环境噪声以及传输系统的噪声等，这些噪声严重影响视频检测的准确性。对此，我们用维纳滤波去除噪声。

2.2 人体轮廓提取

对预处理后的图像进行差分运算[8]，用下列公式对图像阈值化处理，将图像转化成2值图像。

R（i，j）=■

T=■■■F（i，j）-G（i，j）

其中阈值T取值区间为（0，255），它的取值决定了目标识别的准确度，此值大小根据所需的家庭环境来具体设置。F（i，j）表示输入图像序列，G（i，j）表示背景图像序列。ΔT为动态阈值.它是根据图像的光线变化动态改变的。其中M×N是图像人小。最后开闭运算去除空洞点。用canny算子提取人体轮廓。

图2 原始图像与进行人体检测后的二值图像

2.3 人体星形骨架提取

2.3.1 人体质心提取

使用人体星形骨架方法[9]的描述，求出人体质心，设定其坐标为C0=（Cx，Cy），其中Cx=■x■y？籽（x，y）x，Cy=■x■y？籽（x，y）y。？籽（x，y）是密度函数，在人体轮廓里的点？籽（x，y）=1；在轮廓外的点 ？籽（x，y）=0，

2.3.2 肢端点提取

沿轮廓逆时针八领域搜索轮廓点，并计算轮廓与人体重心C0的距离d：

di=■

于是轮廓点上形成的距离函数：g（x）=di。g（x）的五个极大值点即为人体的肢端点，对应头部与四肢，求出5个骨架节点后，这5个节点与重心分别构成5个向量A=（a，b，c，d，e）。

这5个个向量A=（a，b，c，d，e）即代表了单帧图像的人体骨架信息。

2.4 特征点提取

采用apar（anti parallel line）来描述构成人体区域的子区域[10]，apar定义为一个细长的区域。人体可由多个apar区域组成。通过对人体区域的轮廓特征分析，人体的apar之间通常由轮廓线上的特征拐点分隔，且每个apar由连接特征拐点间的线段围成。通过求特征拐点，确定apar区域，本文只需求识别小腿、头部两个部位。

小腿的宽度一般在0.1H左右，故定义该apar块隶属于小腿类的隶属度函数为f1（w）；隶属度曲线如图所示（w1=0.05，w2=0.1，w3=0.125，w4=0.175，w5=0.0625）。头部长宽比一般小于1.4，根据人体区域划分过程中检测到的apar块的长宽比r，得到该apar块隶属于头部的隶属度函数为f2（r）。

f1（w）=0 w≤w■■ w■

确定了头部和小腿的apar位置后，利用本文求取人体质心的算法求出头部中心点C1，小腿中心中C2。共得到三个特征点C0，C1，C2。

图6 三个特征及特征向量

3 跌倒判断

由三个特征点将人体分成上下两个部分： D■=■， D■=■。人体上下两部分的比例p=D■/D■。求出D1，D■与水平地面的夹角分别为θ1，θ2。根据人体生理及运动特性，通过p，θ1，θ2三者数值共同来判断人跌倒与正常行为。

1）站立活动：p值0.9至1.2之间，θ1值变化较大，但多数时间大于60°，θ2值为90°，变化很少，若θ1、θ2值急剧减小到15°以下，判断为可能跌倒。

2）坐下活动：p值1.5至2.2之间，θ1值变化较大，但多数时间大于60°，θ2值为40°，变化很少，若θ1值急剧减小到15°以下，判断可能为跌倒。

3）下蹲活动：p值2.5至3.5之间，70°≤θ1≤90°，变化较大，θ2值为90°变化较小，若θ1、θ2值急剧减小到15°以下，判断可能为跌倒。

在得出可能跌倒后一分钟内没有恢复，则被确定为跌倒事件，并发送警报信息。

4 实验及结果分析

在实验中，3名受测者穿戴护膝等保护器具，捆绑沙袋，模仿老年人行动缓慢的身体状态，进行行走，上下楼，坐立，起蹲等日常生活。分别模仿在以上的日常生活状态下的跌倒事件，如向前、向后跌倒，坐着跌倒，下蹲时跌倒。共进行了30次实验，检测失败2次，实验结果如表1所示。失败组受测者跌倒方向与摄像头方向完全一致，使得跌倒前后p、θ1、θ2值均未发生变化。

表1 跌倒检测结果

5 结束语

本文介绍了一种面向家庭看护的基于人体三个特征点的跌倒检测方法，该方法通过人体轮廓提取，星形骨架提取，人体部位识别等步骤求出特征点和特征向量，由特征点的相对位置变化和特征向量与水平面的夹角实现目标的跌倒检测。该方法简单易行，所需硬件成本较低。通过设计比较完备的实验，从特征选取、摄像头的安装方式和环境影响等多方面对所提出的跌倒检测方法进行性能检验，得到93.3%跌倒检测率，并且对正常活动的误报率不到10%，成功率很高，表明该方法具有一定的实用性，为今后的实际应用奠定了基础。

【参考文献】

[1]J.M. Hausdorff， D.A. Rios， and H.K. Edelber.Gait variability and fall risk in community-living older adults： a1-year prospective study[J]. Archives of Physical Medicine and Rehabilitation，2001，82（8）：1050-1056.

[2]J. Willems， G. Debard， B. Bonroy， B. Vanrumste， T. Goedemé.How to detect human fall in video An overview[C]// International Conference on Positioning and Context-Awareness. Antwerp Belgium， May， 2009， in press.

[3]石欣，熊庆宇，雷璐宁.基于压力传感器的跌倒检测系统研究[J].仪器仪表学报，2010（3）：715-720.

[4]李冬，粱山.基于加速度传感器的老年人跌倒检测装置设计[J].传感器与微系统.2008，27（9）：85-88+.

[5]A. Williams， D. Ganesan， and A. Hanson.Aging in place： fall detection and localization in adistributed smart camera network[C]//Proceedings of the 15th international conference on Multimedia. 2007：892-901.

[6]J. Tao， M. Turjo， M. F. Wong， M. Wang， and Y. P. Tan.Fall incidents detection for intelligent video surveillance[C]// Proc. IEEE Int. Conf. Commu. and Signal Processing. 2005：1590-1594.

[7]杨帆，谢靖，等.基于头部运动轨迹和3D视觉的跌倒检测系统[J].现代电子技术，2012（2）.

[8]Y. T. Chen， Y. C. Lin， and W. H. Fang.A hybrid human fall detection scheme[C]// Proceedings of 2010 IEEE 17th International Conference on Image Processing. 2010：3485-3488.

[9]赵海勇，刘志镜，张浩.基于模板匹配的人体日常行为识别[J].湖南大学学报，2011，38（02）：88-92.

[10]王芹，王然冉，等.关于人体部位识别的一种模糊算法[J].科学技术与工程，2004（8）.