英语原文共 9 页，剩余内容已隐藏，支付完成后下载完整资料
摘要— 在这篇文章中，我们提出一种从视频监控中检测人类摔倒的方法。第一步，使用改进的GMM执行背景消除法以找到前景对象。在第二步骤中，基于人类模板的轮廓匹配对人类或非人类对象进行分类。通过模型匹配后产生的分数突然变化，帮助检测跌倒事件。在第三步中计算高宽比，以确定人体形状是否改变。第四步，计算覆盖人的矩形的顶部和中心之间的距离，如果该距离小于某个阈值，则确定人跌倒。最后，如果人的不活动姿势持续到连续100帧，则将生成警报以提醒家中的人及时提供治疗。已经对含有不同的正常和异常跌倒事件的21个视频序列进行了实验。实验结果表明，该系统可以实时有效地识别人的跌倒。
关键字：人类跌倒，前景物体，高宽比，轮廓。
I. 引言和相关研究
通过视频监视进行人体跌倒检测是图像处理和计算机视觉的领域的热门研究。它对于保护70岁以上的老年人或儿童免受跌倒事件的伤害起着重要的作用； 还避免了由于在家中意外跌倒而导致的头部受伤而导致的死亡。 近年来，有很多基于传感器的设备，例如可以戴在手上的加速度计，手控帮助按钮。但是，有时老年人会忘记佩戴此类设备，或者在突然跌倒后因为失去知觉而无法按帮助按钮。 最近计算机视觉领域的最新进展带来了一种创新的解决方案，可以克服这些缺点。 现在，视频监控可提供更多与人类活动有关的信息，例如摔倒事件。
现在有几种半自动视频监控已经被用于监视在家中的老年人或儿童以识别跌倒事件，以便可以及时提供适当的治疗，但是连续观看由半自动视频监控捕获的视频非常复杂 任务。 因此，需要一种用于人类跌倒检测的智能视频监控器，该视频监控器可以立即识别跌倒事件，并通过消息或警报提醒在家中的成员，以照顾老年人或儿童。
几位研究人员已经开发出基于人体形状分析[1]，[2]，[3]，[4]，[5]人体姿势分析[6]，[7]，[8]，[9]，[10]，[11]，[12]，[13]和人体运动分析[14]，[15]来识别跌倒事件的技术。Chua等，在文献[1]中提出了一种方法基于人上半身，身体中部和下半身的三个质心之间的线条，分析两条线之间的方向和距离，以进行形状分析来确定跌倒事件。该方法达到了90.5％的准确度，错误警报率为6.7％。刘等，在文献[2]中利用边框法根据人的纵横比，有效面积比和中心变化率等特征进行人形分析。这种方法适用于室内视频，人与摄像机之间的距离大约为5到10米。在[3]中，Auvinet等人，建议的垂直体积分布比，以从低帧数的多个摄像机视图中找到用于人体形状分析的3-D体积。在[4]-[5]中，在人体轮廓外绘制了椭圆形，以分析头部位置的时间变化[4]和形状变形特征[5]。
许多研究人员试图在人体轮廓外画一个椭圆，以进行姿势分析识别跌倒事件[6]-[8]。Thome等，在[6]中使用拉长的站立姿势和层次型HMM来发现跌倒事件。该方法可正确检测到82％的跌倒和18％的假阴性率。Khan等，在[9]中提出了一种基于二进制轮廓的姿势分析识别跌倒的方法，其由R变换特征的核判别分析，k均值聚类算法和HMM组成。在[10]-[13]中，边界框的方法已被用于姿势估计分析。 Nasution等，在[10]中提出了一种使用自适应背景消除法的新方法来检测跌倒。在这种情况下，去除自适应特征以防止将静态人作为背景。前景对象的垂直和水平直方图和具有当前前景边界框的最新站立姿势之间的角度用作特征集。提取的特征将传递到k-NN分类器，摔倒速度可以推断出真正的摔倒事件。具有多个姿势模板的K-NN分类器的识别率约为90％。刘等，在 [11]中提出了一种跌倒检测系统，其中统计方案和轮廓图像的垂直投影直方图被用来减少人体上肢活动的影响。 k-NN已用于通过轮廓边框的不同和高宽比对姿势进行分类。这种方法产生跌倒检测和躺下事件的检测率为84.44％。
很少有研究者基于移动中的人体形态[14]和人体姿势[15]进行运动分析以识别跌倒事件。
在本文中，我们介绍了一种强大的方法，可通过实时视频监控来实时检测人的跌倒事件，可以区分人还是其他宠物。 我们生成一个基于边缘的人类模板来与视频中的人类轮廓相匹配，如果分数匹配到某个阈值，那么该对象就是人类，否则就是非人类。
论文结构如下：第2节讨论了计划的方法，第3节讨论了人体跌倒分析，第4节讨论了实验结果，第5节总结了本文。
II. 实现方案
提出的方法部署了用于识别人类跌倒的框架。采取如下各种步骤来实时识别人类跌倒事件。第一步是背景消除法，通过背景消除法提取前景对象。在这一步中，我们应用了Zivkovic [16]提出的背景消除技术。 该方法处理时间更少，分割效果更好。第二步，基于边缘的检测技术用于区分人类和非人类物体。第三步，计算出矩形的宽比和顶部到矩形中点的距离，以分析人的跌倒，发现宽高比和距离小于阈值，即发现跌倒事件。如果人连续100帧不活动，则确认有人跌倒，并发出警报作为警报，以提供及时的帮助。
A.前景对象提取
背景消除法是一种用于分割静态相机捕获的视频序列中的前景对象的非常常用的技术，该技术总的来说是从当前帧和背景模型之间的差异中检测出可移动对象[17]。我们应用了Zivkovic [16]提出的改进的高斯混合模型。这是一种对Stauffer-Grimson算法有趣的扩展。该技术显示了如何自动调整用于建模像素的高斯数量。这种改进的方法减少了算法的内存需求，提高了其计算效率，并且在高度多模态背景的情况下可以提高性能[16]。
B.去除噪声
背景消除法不能去除视频图像中的噪声。这些噪声对物体识别产生影响。我们使用腐蚀和膨胀来消除前景图像中的噪声。
C.基于人体边缘模型匹配，实现人类和非人类检测以及人体形状变化检测
为了通过视频监视实时检测到人在家中摔倒的事件，必须有一种可以区分人或其他宠物的方法。我们生成一个基于人类模型的边缘轮廓来与视频帧中检测到的人类轮廓相匹配，如果分数匹配到某个阈值，那么该对象就是人类，否则就是非人类。在这种方法中，我们遵循以下步骤：
- 建立轮廓模板和强度梯度计算
步骤1: 剪辑视频序列前景帧中的轮廓对象。
步骤2: 应用Sobel算子来计算X和Y方向Gx和Gy的梯度。
步骤3: 我们根据以下指定的公式找到梯度后计算幅度和方向：
(1)
(2)
(a) (b)
(c) (d) 图. 2. (a) 视频原图 (b)背景消除未去除噪声图(c) 腐蚀膨胀后去噪图(d) 人体轮廓检测图
步骤4:在计算边缘方向之后，我们有四个可能的方向（即0、45、90、135度）来描述周围的像素。
步骤5: 我们执行了非最大抑制算法以使边缘变细，在边缘沿边缘方向跟踪左右像素，如果当前像素幅度小于像素的左右幅度，则将其抑制。
步骤6: 我们保存Gx和Gy，它们分别是所选边缘模板的X和Y方向的导数。
2) 基于轮廓膜版匹配并生成评分
为了检测人的跌倒事件，在视频对象中对人进行检测非常重要。 在模板匹配的过程中，将预定义的人类轮廓模板与视频帧中的前景对象轮廓模板进行匹配，并产生分数。在这个过程中，GxiT 和GyiT 是视频帧对象X和Y方向的梯度，其中PiT =( XiT , YiT )是选定的点。此后，GxiH 和GyiH 是基于轮廓的人体模型在X和Y方向上的梯度。在计算两个模板的梯度之后，通过匹配过程找到两个模板之间的相似性。可以通过计算模板图像所有梯度向量的归一化点积之和来确定相似性。
我们设置最小分数Smin来计算对象可见部分的相似性匹配分数。可以使用以下公式计算在任意点m上的分数Sm：
(3)
当条件满足给定公式时，分数评估过程将中断：
(4)
上式中，g为贪婪值，用于检查模板图像中的所有点，如果g = 1，则模板图像中的所有点均匹配。分析生成的分数（介于0和1之间）以区分人类对象和非人类对象。
该匹配分数还有助于识别人体姿势的突然变化。 匹配分数在视频序列的帧中具有较小的偏差，直到人体突然发生变化。当一个人跌倒时，匹配分数会突然下降，并且这种变化将持续到跌倒后人体达到静止姿势为止。
D. 环绕人体轮廓的矩形宽高比和顶部到中点的距离
当匹配分数突然改变时，同时考虑矩形的高宽比和顶部与中心之间的距离来决定人是否跌倒。众所周知，人的身高是宽的3至4倍。在直坐或蹲下的情况下，有时人的身高和宽度差异很小。为了处理这种情况，我们已经计算了矩形的中间中心和顶部中心之间的距离，并确定了一个阈值以识别跌倒事件。
III.人类行动分析检测摔倒
人体姿势的突然变化会改变所有三个重要参数，即匹配分数，人体的高宽比以及覆盖人体的矩形的上顶部到中心之间的距离。分数突然变化后，计算出高宽比以及矩形顶部到中心点之间的距离，如果发现小于阈值，则分析人体姿势，如果人体在多达100个连续帧中保持不活动状态，则确认人体跌倒并发出警报。
IV.实验结果分析
我们已经使用OpenCV库实现了我们提出的系统，并在（http://foe.mmu.edu.my/digitalhome/Fall Video.zip）上提供的21个视频数据集上评估了其性能。该数据集的视频序列包括30个日常活动，例如坐下，走路，蹲坐和蹲下，以及21种异常的人类活动，例如向前跌倒，向后跌倒，侧身跌倒以及由于失去平衡而跌倒。我们已经通过有覆盖摔倒的人的红色矩形标记摔倒事件，并通过绿色矩形标记了正常的活动。
在数据集的第一个视频序列中，一个人进入房间并发生跌倒事件，图3中这三帧图片（a-c）是摔倒的过程，被绿色矩形覆盖，摔倒事件发生几秒钟后，检测到人类坠落事件，如图3（d）所示。
(a) (b)
(c) (d)
图. 3. 在视频序列1中的摔倒检测 (a) 发生摔倒事件 (b) 继续摔倒事件 (c) 摔倒事件结束 (d) 在几秒后检测到摔倒
在视频序列4中，人进入房间，在房间的角落，发生与摄像机平行的跌倒事件，由于矩形的顶部和中心点之间的距离小于阈值，因此仍检测到跌落事件。图4（a-d）显示了检测摔倒事件
(a) (b)
(c) (d)
图. 4. 在视频序列4中的摔倒检测 (a) 发生摔倒事件 (b) 继续摔倒事件 (c) 摔倒事件结束 (d) 在几秒后检测到摔倒
(a) (b)
(c) (d)
图. 5. (a) 在视频序列10中坐没有被检测为摔倒事件 (b)-(c) 在视频序列11中跪下没有被检测为摔倒事件 (d) 在视频序列12中跪下没有被检测为摔倒事件
在视频序列7中的一段视频中，计划的方法没有成功检测到距离摄像头很近且平行于摄像头的人类摔倒时间。
表 I. 人类跌倒检测识别的准确性
|
Incidents |
Human Fall Detected (in videos) |
Human Fall not detected |
Detection Accuracy |
|
Human Fall |
20 |
1 |
95.20% |
|
Human Usual Activities |
1 |
29 |
3.33% lt;剩余内容已隐藏，支付完成后下载完整资料 资料编号：[240393]，资料为PDF文档或Word文档，PDF文档可免费转换为Word |
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。
