基于多特征分析的摔倒检测算法设计

高苗 朱苏磊

摘要： 针对已有摔倒检测算法误检率高的缺点，提出了一种改进的摔倒检测算法.首先采用混合高斯模型对前景目标进行检测，然后进行中值滤波和形态学处理来提取前景目标.在人体宽高比和有效面积比的基础上，采用了质心的变化、方向角度和运动系数作为特征来判断人体是否摔倒.实验结果表明，和传统算法相比，该算法具有更高的准确度，识别度高，算法复杂度低，能有效地防止误判.

关键词：

摔倒检测； 混合高斯模型； 质心； 方向角度； 运动系数

中图分类号： TP 273.4文献标志码： A文章编号： 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，硕士研究生，主要从事图像处理方面的研究.Email：122964616@qq.com

导师简介： 朱苏磊（1975-），女，副教授，主要从事图像处理和嵌入式方面的研究.Email：suleizhu@163.com

*通信作者

引用格式： 高苗，朱苏磊.基于多特征分析的摔倒检测算法设计 [J].上海师范大学学报（自然科学版），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，摔倒已经成为老人和病人受到伤害的一大原因，如果在摔倒之后不能进行有效的治疗，很有可能会出现严重的后果，因此，对自动摔倒检测系统的研发就很有必要.摔倒事件检测的方法主要分为以下三种：（1）基于穿戴式传感器的检测.当有摔倒发生时，通过戴在身上的传感器来感应信号.基于传感器的摔倒检测准确率高，但是误检率也很高，同时由于穿戴式传感器需要随时携带，对用户的生活会造成一定的不便；（2）基于场景装置的检测.这种方法根据场景和人的姿态特征来检测摔倒；（3）基于视频的摔倒检测.通过对视频进行处理来检测摔倒，该方法的成本相对较低，并且用户无需佩戴任何仪器，更加方便[1].

Vaidehi等[2]实现了一种基于视频的自动检测人体摔倒行为系统，此系统只使用人体宽高比和倾斜角度这两种特征来判断是否摔倒，不能区分下蹲、躺下等常见的行为，误检率很高.Rougier 等[3]设计的摔倒检测系统采用单目 3D 摄像头，先利用跟踪模块定位到人体头部，然后用粒子滤波的方法判断头部的形状，计算头部水平和垂直两个方向的速度，通过和阈值比较来判断人体是否摔倒.该方法的时间复杂度高，不能满足实时性要求.上述算法在一定程度上能达到摔倒检测的目的，但是由于人体多样性的特点，误检率往往会很高.

为了有效地降低误判率，本文作者提出了在宽高比和有效面积比作为人体特征的基础上，加入了质心的变化、方向角度和运动系数这些特征来判断人体是否摔倒，实验证明，该算法复杂性较低，实时性较好，准确度较高.

1运动目标提取

在摔倒检测系统中，有效地提取运动目标是一个关键的环节，直接影响着后续的系统检测[4].由于摔倒检测系统应用于室内环境，摄像头是固定的，背景也相对固定，因此采用背景减除法（foreground）来提取运动目标.在室内环境中，由于窗帘的摆动、光线的变化以及风扇的摇动等条件的影响，背景会出现变化，因此采用混合高斯模型法来对背景实时更新.

1.1背景建模

背景模型的建立及更新方式对运动目标的检测结果有着直接的影响[5].混合高斯模型的基本原理是，对视频序列图像中的各个像素点同时构建K个高斯分布，将其加权表示视频中的信息.对于是否能实时检测到背景的改变，背景模型的更新起着关键性的作用[6].

假如像素点的像素值为X，则它的概率密度函数

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时刻第i个高斯分布，n 表示X的维数，μ和∑代表高斯分布的均值和方差，∑=δ2I，其中，δ为方差，I三维单位矩阵，ω为权重，且有∑Ki-1ωi，t=1.

设偏差门限为2.5，如果满足条件Xt-μi，t-1≤2.5δi，则这个像素值与高斯分布匹配，

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为自定义的混合高斯模型学习率，0≤α≤1，背景模型的更新速度由α的值决定，ρ表示参数更新速率，Mi，t的值取决于模式是否匹配，对于匹配的分布Mi，t=1，否则Mi，t=0.

背景模型完成更新后，会按优先级λi，t对这K个高斯模型进行排序，选择前B个高斯分布生成背景，B=argmin（∑Bk=1ωk，t>T），其中T是一个设定的阈值，控制背景分布的个数.输入新的序列图像，将它的像素点与上述B个高斯分布重新匹配，如果与其中的任意一个分布匹配，则该像素为背景点，否则，为前景点.

1.2中值滤波和形态学处理

中值滤波是非线性滤波技术，它是用像素点领域灰度值的中值来代替该像素点的灰度值，消除孤立点，能去除脉冲噪声、椒盐噪声，又能保留图像的边缘细节，不会使图像产生模糊，从而改善图片的质量，是很经典的平滑噪声的处理方法.中值滤波在一定条件下，不会像线性滤波那样造成图像细节模糊的问题，对避免滤波脉冲干扰有显著的效果[7].

形态学滤波的最基本的操作为腐蚀和膨胀，使用形态学滤波的目的是滤除图像中的干扰信息，保留对图像运动目标分析有价值的信息.通过形态学滤波，可进一步滤除噪声点，同时也填充了运动目标出现的孔洞，改善了图像质量，经过这些处理之后，图像上的干扰点大大减少，提取的前景目标的特征更加清晰.

2改进的摔倒检测算法

2.1行为特征提取与分析

提取运动前景目标时，采用的是背景减除法，用混合高斯模型来进行背景更新，经过中值滤波、阴影抑制和形态学处理，能准确地分割出运动前景目标.

2.1.1人体宽高比

人体宽高比是人體最小外接矩形框中，宽度和高度的比值，当人站立的时候，宽高比远小于1，当人摔倒的时候，宽高比远大于1.但仅仅用这一特征来判断摔倒情况，误检率比较大，且无法识别人下蹲、伸展运动的情况.

2.1.2有效面积比

文献[8]提出了有效面积比这一特征.最小外接矩形框图像经过二值化处理后，像素值为1的像素个数为人体的有效面积，矩形框的总面积是像素值为1和0的像素总和，有效面积比是人体有效面积和总面积的比值.当人体做伸展运动时，有效面积比较小；当人体摔倒时，有效面积较大，结合宽高比，能提高检测的准确度.

2.1.3质心变化

质心就是一个目标物体质量集中的点，质心的变化也是判断人体是否摔倒的一个典型的特征，质心的坐标是用运动目标所有像素点横坐标的平均值和纵坐标的平均值表示.通过质心位置的变化，可以判断目标是静止的还是运动的.当人体弯腰、坐下、摔倒时，质心位置也会有不同程度的变化，如果下降的程度越大，摔倒的可能性就越大.

2.1.4方向角

方向角是前景轮廓图外接椭圆的长轴与x轴的夹角，如图1所示.

由图1可以看出，当人行走和弯腰时，方向角会发生变化，摔倒时的变化会更加显著.

2.1.5运动系数

运动历史图像（MHI）用来计算运动系数，MHI的更新方式

其中，ts是MHI中运动发生的当前时间，td是运动跟踪的最大持续时间，foreground（·）表示背景减除法提取的结果，mhi<（ts-td）表示低于当前时间和持续时间差值的MHI值.

运动系数

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

其中pixel（x，y）表示像素点集合，如果像素点没有发生运动，Cmotion=0；如果全部运动，Cmotion=1.

2.2摔倒检测算法实现

在已有算法的基础上，本算法采用质心的变化、方向角度和运动系数作为特征来判断人体是否摔倒，并检测在短时间内，摔倒目标是否有移动的情况，具有较高的精确度和准确率.算法具体流程图如图2所示.

当这些特征得以满足时，系统判定发生摔倒行为.

3实验结果与分析

算法采用Matlab平台编程实现，系统运行环境：CPU为InteL（R） Core（TM） i53230U CPU @2.6 GHz 2.60 GHz，内存为4 GB.图3为摔倒的实验示例.

由图3～图5可以看出，人体在摔倒前后质心位置、方向角和运动系数都会发生明显的变化，当人体倒下之后，会显示“Fall Detection”的警告.

测试指标有识别率（RC）、精确度（PR）以及准确率（ACC）组成[9]，

其中，TP表示摔倒视频中正确检测出摔倒的事件次数，FP表示无摔倒视频中检测出摔倒的事件次数，FN表示摔倒视频中没有正确检测出摔倒的事件次数，TN表示无摔倒视频中没有检测摔倒的事件次数.

测试30次，其中摔倒视频20次，非摔倒视频10次，经过测试TP=18， FP=1， FN=2， TN=9.表1为本算法和已有算法的比较.

通过比较可以看出，本算法和文献[8]的算法相比，具有更高的识别度和准确度，特别是当人体有弯腰、坐下、健身等行为时，本算法有更高的准确率.

4结论

针对已有的摔倒检测算法中不能准确识别弯腰和坐下姿势的问题，本文作者提出了一种以质心变化、方向角变化和运动系数变化作为特征进行检测的算法.和已有算法中以人体宽高比和有效面积比作为人体特征相比，本算法误检率更低.实验结果表明，该算法复杂度低，容易实现，准确率得到了提高，特别是在人体弯腰、坐下等场景中，表现出更大的优越性，具有一定的实用性.

参考文献：

[1]程添，杨思思，冯蓉，等.基于双目标定的独居老人摔倒检测算法 [J].传感器与微系统，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]靳海伟，彭力，卢晓龙.基于轮廓跟踪的摔倒检测算法 [J].江南大学学报（自然科学版），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.基于视频的室内老人摔倒检测研究 [D].杭州：杭州电子科技大学，2016.

Yu M J.Research of indoor fall detection for elderly based on video [D].Hangzhou：Hangzhou Dianzi University，2016.

[8]刘红，左常玲，黄江林.一种改进的自动摔倒检测算法 [J].安徽大学学报（自然科学版），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.

（責任编辑：包震宇，郁慧）