基于计算机视觉的自动跌倒检测系统外文翻译资料

 2022-01-30 21:44:41

英语原文共 10 页，剩余内容已隐藏，支付完成后下载完整资料

基于计算机视觉的自动跌倒检测系统

摘要：老年人在世界上的人口日益增加，老年健康越来越受到关注，跌倒导致受伤是老年人的主要健康问题之一，而这个问题给独巢老人的日常生活产生复杂影响。基于此，在本文中我们提出了一款新型的视频监控自动跌倒检测系统，利用背景减除法进行运动目标检测，通过应用矩形和椭圆拟合人体外形提取目标特征。通过UR跌倒数据库进行实验验证，将该方法与现有方法进行比较，实现效果更显著。

关键词：跌到检测 计算机视觉 背景减除法 老年护理 辅助生活

1、研究背景介绍

独居老人或病人的照料问题是家庭中最重要的问题，最危险的一个情况就是当一个人在家时发生跌倒状况。医院中约60%的老人受伤都是因为跌倒，跌倒会严重影响独居老人的正常生活，因为他或她已经失去知觉或处于瘫痪状态，患者可能无法寻求帮助。一般来说，跌倒的人往往需要帮助，而病人或老年人更需要必要的照料，因为在家庭里会有很多跌倒情况的发生，比如从床上摔下来、走路失去平衡跌倒、坐着或者站着时不小心跌倒等。

据欧盟委员会和世界卫生组织调查，从2008年到2060年，老年人口将增加三倍，报道中提到，每年约有28-35`岁以上和32-42p岁以上的人跌倒，这些数字是逐年增加的。因此随着老年人口的增加，老年人的照料问题成为一项巨大的挑战，问题是不是所有的跌倒情况都会造成严重的伤害，但大多数情况下老年人跌倒后，没有别人的帮助就无法起来，长时间躺在地板上会造成诸如脱水、低温等健康问题。

现有的许多检测方式都是基于可穿戴设备的跌到检测方式，这些方式使用加速度和陀螺仪来检测人是否跌倒，但是在佩戴此类设备后，患者会感到不舒服，如果这个人很长一段时间忘记戴它，就无法检测跌倒情况。因此，视觉监控更具优势，基于计算机视觉的检测方式提供了一种不引人注目的非接触检测方式，即人在活动时无需佩戴任何设备，这样与其他可能会受到噪音影响的非视觉类设备不同，这些设备不受噪声的影响，不仅如此其他一些优点如下：

计算机视觉系统可使用具有监测优势的摄像头，并在其视图中储存大量场景信息，其优点是摄像头具备识别多个目标的能力，此外，摄像头的干扰性少，它可以安装在固定结构上而不需要穿戴在身上，且其安装简单，无需操作系统使用方便。

在本算法框架中，我们逐帧处理视频序列，处理过程为先描述人体的轮廓，然后提取代表跌倒的目标人体特征，在处理视频过程中我们使用了基于学习的跌倒检测算法。

本文章后续安排如下：第2章我们对类似的代表性研究工作提出讨论；第3章我们提出一种跌落检测方法；第4章通过本检测方式与现有方式作对比，展示我们的实验结果；在第5章对本章主要内容作总结并对后续方向做展望。

2、相关研究现状

跌落检测系统由20世纪70年代首次提出[9]，它的设计方式是当用户按下遥控发射器按钮，将会发送一个报警信号。而自动跌倒检测方法在上世纪90年代开始出现，Lord和Calvin提出一种基于加速度传感器的检测系统[10]。

Muheidat[11]等人提出了一种基于环境实时感知的老人跌倒检测系统，该系统由置于地毯下的传感器组成，电子设备读取人体活动状态，然后使用智能手机获取人体信息，提高跌到检测的效率。Joshi[12]等人提出了一种基于计算机视觉和互联网的跌到检测系统，使用单目摄像机来捕捉人的不同活动，然后计算中心变化、宽高比、方向角来检测跌倒情况并发送一封带有视频截图的邮件以报警。Djelouat[13]等人提出一种基于计算机视觉的老人跌到检测系统，首先获取人体不同活动状态下的加速度数据，然后将数据进行二元矩阵相乘，使用KNN和扩展最近邻分类器区分跌倒与其他活动状态。

2016年Merrouche[14]等人提出一种基于计算机视觉和摄像机的跌到检测方法，该系统通过分析人体形态、跟踪头部运动轨迹以及目标中心变化实现检测，利用协方差转化运算，建立时间和空间关系模型判别是否跌倒，系统检测正确率达92.8%。Wang[15]等人提出一种使用彩色摄像机的跌到检测方法，利用背景减除法来检测运动目标，然后提取目标轮廓并获取其宽和高，通过光流法计算人体运动速度，进而检测人体是否跌倒。Wang[16]提出一种利用视觉合成来检测运动目标的跌倒检测方法，通过深度学习得出方向梯度直方图描述子（HOG）和LBP进行特征提取来判断跌倒状况，该系统检测跌倒检测正确率为93.5%、非跌倒检测正确率为92%。

Rougier[17]等人提出一种分析视频中人体外形的跌倒检测方法，利用形状匹配法跟踪视频中目标运动轨迹，通过该方法可确定日常生活中不同人体形态变化，再利用高斯混合模型来判断是否跌倒。Lazzi[18]等人提出一种基于视频的跌倒监控系统，首先获取图像序列，利用背景减除法检测视频中的运动目标，然后进行图像处理强化目标特征，最后根据提取的不同目标特征来判断跌倒状况。Yajal[19]等人利用方向边界框来进行跌到检测，通过RGB-D摄像机获取视频，然后在视频图像中计算目标宽高比来监测目标运动状态。Diaz[20]等人提出一种利用2D摄像机的动态背景减除算法来进行跌到检测，利用该算法检测图像中运动目标，再通过运动检测算法判断是否跌倒，该方法检测正确率达85.37%。

Ma[21]等人通过分析视频图像中目标形态来进行跌倒检测，利用基于形状的跌倒特征和基于学习的分类器这两种计算机视觉技术来区分跌倒状态和其他日常活动状态，该方法跌倒检测正确率为91.15%、非跌倒检测正确率为77.14%。Chua[22]等人提出一种利用未校准摄像机的跌到检测方法，该方法结合人体形态和头部运动状态，从目标的拟合椭圆数据中提取不同特征来判断跌倒状态，而头部运动状态检测则用来判别日常生活中其他活动状态。Dumitrache等人[23]提出一种基于三轴加速度传感器的跌到检测方法，检测算法移植在用于采集三轴加速度传感器数据和进行数据处理的移动式微控制器系统中。Xiao[24]等人用混合高斯模型（GMM）和宽高比的时空分析来实现跌倒检测，利用GMM得到背景和前景图像，而宽高比特征则通过目标最小外接矩阵计算得到，再通过宽高比的时空分析强化得到的跌倒行为特征。Khawandi[25]等人设计出一个基于机器学习的跌到检测算法框架，该算法通过对多传感器监测系统采集的数据进行学习、分析和识别来判断跌倒状态，然后利用决策树对跌倒状态进行分类。

Yun[26]等人设计了一种应用统一的黎曼流形来分析人体形态的跌倒检测系统，当点在n个球体的单位上移动时，它代表动态形状，然后根据与流形点之间的测地线距离计算出速度。该系统检测成功率达96.77%，误检率为10.26%。

3、跌倒检测方法

为了可以检测到一个人在室内环境中的跌倒状况，我们在房间内安装一台摄像机，可以覆盖房间大部分区域，并且房间内没有干扰视线的阻碍物。我们假设相机的焦距和视场（FOV）不变，摄像机逐帧捕获场景并将其发送到计算机，输入图像的分辨率为320X240，实验在基于公开UR跌倒数据库中进行。

3.1背景减除法

在视频序列中，识别运动物体是最基本和最关键的任务，检测视频中移动目标最常用的方法是背景减除法。该方法主要用于前景检测，即检测视频序列中运动目标的技术。在本设计中，我们使用高斯混合方法（MOG）检测运动目标物体，如图1所示：

图1 背景减除法处理效果

3.2 形态学处理

形态学是一个广泛的图像处理操作过程，它处理图像是基于形状的。这些操作过程先获取输入图像，然后在输入图像中使用一个结构元素并生成尺寸相似的输出图像。在形态学操作中，输出图像的每个像素的值是基于输入图像中相应像素及其领域像素间的对比。腐蚀和膨胀是最基本的形态学操作。我们采用背景减除法得到图像，然后在图像上进行腐蚀和膨胀操作，以将在图像分割期间不连续的部分连通起来。

3.3连通分量提取

连通分量提取的作用是扫描图像，联合图像中的关联像素点组合成一个个连通分量。连通分量中的像素点具有相同的像素值，这些像素值相互连接。当计算出所有连通集，每个像素值根据连通分量提取的规则进行颜色或灰度标记，通过在图像中一个像素点一个像素点地扫描寻找，发现相互连接的像素区域进行连通分量提取。在本设计中，我们使用八连通区域，这样所有人体外形都可以找到。我们可以找到由人体外形组成的大连通区域，也会发现由噪声、光照效应以及移动分割等引起的小连通区域。基于此，在连通区域列表中使用一个过滤器来消除两者直接的限制提取目标轮廓，而这两个限制之间的适当范围需要通过实验得出。

3.4轮廓提取

轮廓提取阶段能够去除大量的噪音和图像中干扰性非目标物体。从图像可以看出，大轮廓基本在目标人体所在区域，还有一些由噪音造成的小轮廓区域。基于此，设置一个阈值，在轮廓列表上应用一个过滤器来提取目标轮廓，通过实验设置合适的阈值范围，找到最有可能代表人体形状的目标。

3.5研究方法

对视频序列，我们一帧一帧地进行处理。首先我们应用背景减除法从视频中检测目标，然后我们提取视频中代表人体形状的目标轮廓。如图2所示，提取轮廓后，以椭圆或矩形拟合其外形，计算椭圆的面积和方向以及边界矩形框的宽高比再对其应用增量式聚类。在第一帧中，我们使用边界矩形的宽高比、椭圆的面积和方向作为特征来创建第一个簇。当处理下一帧时，我们再次计算这些参数并将其与现有簇的特征值进行比较。如果存在相似的簇，我们将其放在同一簇里，

否则我们创建一个新簇，并将其特征作为第一个元素，因簇里不止有一个元素，我们使用特征的平均值与新特征进行比较。

图2 分割前景的椭圆和矩形拟合结果

设X1、X2和X3为三个变量，其中X1为椭圆角，X2是椭圆的面积、X3是矩形的宽高比，首先求椭圆的长轴H和短轴W，椭圆的面积定义为：

上述公式中，将H和W除以2得到椭圆的长半轴和短半轴，拟合椭圆后，我们对拟合矩形进行宽高比的计算，计算公式如下：

当得到上述参数，再应用增量式聚类方法来检测视频中的跌倒情况，即同时满足以下三个条件：

椭圆的角度介于5到40或70到100之间，即：0≦X1≦50或70≦X1≦100；

椭圆的面积介于4000到12000之间，即4000≦X1≦12000；

宽高比大于1，即X3＞1。

4、实验结果讨论

上述所提算法均通过C 语言和基于Linux操作系统的OpenCV开

全文共7727字，剩余内容已隐藏，支付完成后下载完整资料

资料编号：[119]，资料为PDF文档或Word文档，PDF文档可免费转换为Word

原文和译文剩余内容已隐藏，您需要先支付 30元 才能查看原文和译文全部内容！立即支付

以上是毕业论文外文翻译，课题毕业论文、任务书、文献综述、开题报告、程序设计、图纸设计等资料可联系客服协助查找。

您可能感兴趣的文章