一種基于深度圖像的跌倒行為實(shí)時(shí)檢測(cè)方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明屬于數(shù)字圖像識(shí)別技術(shù)領(lǐng)域，更具體地，設(shè)及一種基于深度圖像的跌倒行 為實(shí)時(shí)檢測(cè)方法。
【背景技術(shù)】
[0002] 隨著社會(huì)人口老齡化嚴(yán)重，老年人看護(hù)逐漸成為一個(gè)熱點(diǎn)問(wèn)題，而跌倒檢測(cè)作為 老年人看護(hù)的一個(gè)重要問(wèn)題也逐漸被人們所關(guān)注。按照監(jiān)測(cè)設(shè)備與選用特征的不同，目前 的跌倒檢測(cè)系統(tǒng)主要分為Ξ大類(lèi)別：基于環(huán)境監(jiān)控的跌倒檢測(cè)系統(tǒng)、基于穿戴設(shè)備的跌倒 檢測(cè)系統(tǒng)和基于視頻圖像的跌倒檢測(cè)系統(tǒng)。
[0003] 環(huán)境監(jiān)控式系統(tǒng)對(duì)日?；顒?dòng)影響較小，但是傳感器較多，成本較高；穿戴式設(shè)備的 檢測(cè)系統(tǒng)適用性廣，計(jì)算量小，但需要用戶時(shí)刻穿戴，長(zhǎng)時(shí)間穿戴會(huì)對(duì)人體活動(dòng)造成不適； 視頻監(jiān)測(cè)系統(tǒng)具有精確度高，成本低的優(yōu)點(diǎn)；目前基于視頻圖像的跌倒檢測(cè)系統(tǒng)，是根據(jù)彩 色圖像進(jìn)行檢測(cè)，易受光照影響，全天候監(jiān)控效果差，隱私保護(hù)性差；近幾年逐漸出現(xiàn)基于 深度圖像的跌倒檢測(cè)，深度圖像可W有效解決易受光照影響的問(wèn)題，但是目前的方法未能 達(dá)到實(shí)時(shí)性要求。

【發(fā)明內(nèi)容】

[0004] 針對(duì)現(xiàn)有技術(shù)的W上缺陷或改進(jìn)需求，本發(fā)明提供了一種基于深度圖像的跌倒行 為實(shí)時(shí)檢測(cè)方法，其目的在于通過(guò)對(duì)深度圖像里人體部位解析，根據(jù)關(guān)節(jié)點(diǎn)的高度特征向 量識(shí)別出跌倒行為，解決現(xiàn)有跌倒檢測(cè)系統(tǒng)易受光照影響、隱私保護(hù)性和實(shí)時(shí)性差的問(wèn)題。
[0005] 為實(shí)現(xiàn)上述目的，按照本發(fā)明的一個(gè)方面，提供了一種基于深度圖像的跌倒行為 實(shí)時(shí)檢測(cè)方法，包括W下步驟：
[0006] (1)深度圖像獲??；通過(guò)深度傳感器獲取室內(nèi)場(chǎng)景的深度圖像；深度圖像具有光 照不變性，可全天候進(jìn)行檢測(cè)；且在深度圖像中不能辨別個(gè)體身份，可有效保護(hù)隱私；
[0007] 似人體圖像識(shí)別：對(duì)比前、后帖的深度圖像，根據(jù)深度變化程度值找出深度變化 明顯的像素點(diǎn)，根據(jù)相鄰相似原則獲取屬于人體的像素點(diǎn)；所有運(yùn)些屬于人體的像素點(diǎn)構(gòu) 成一個(gè)連通區(qū)域，即為識(shí)別出的人體圖像；
[0008] (3)深度差分特征提取：提取人體圖像中各像素點(diǎn)的八鄰域差分特征，獲取多 維特征向量；根據(jù)像素點(diǎn)深度與該像素點(diǎn)的偏移位置深度獲取像素點(diǎn)的深度差分特征
[0009] 其中，d(s)是圖像在像素S點(diǎn)處的深度，V表示偏移向量，^是對(duì)偏移向量進(jìn)行 ?".ν) 深度不變性處理，
是像素S點(diǎn)的偏移位置深度；
[0010] 其中，八鄰域差分特征是指分別向八個(gè)方向取八個(gè)像素點(diǎn)與樣本點(diǎn)做差；每次做 差選取不同偏移向量V，偏置向量V等差變化變換N次，構(gòu)成NX8維特征向量；
[0011] (4)人體部位解析；根據(jù)步驟（3)獲取的深度差分特征，對(duì)人體部位進(jìn)行解析；
[0012] 在部位解析前，構(gòu)建人體模型，將人體分為頭部和軀干兩個(gè)類(lèi)別；粗略分為兩個(gè)部 位而并不進(jìn)一步細(xì)化為手臂、頭部、胸部、腿部等更加具體的部位，可降低計(jì)算量，保證實(shí)時(shí) 性；
[0013] 采用隨進(jìn)森林分類(lèi)器進(jìn)行人體部位解析，判斷出各像素所屬的類(lèi)別，即完成人體 部位的解析；選擇此分類(lèi)器的原因在于：一方面它具有特征選擇功能，自動(dòng)選擇分類(lèi)效果 最好的特征維度；另一方面，由于該分類(lèi)器是多棵樹(shù)并行預(yù)測(cè)，可W極大的提升分類(lèi)速度， 提高實(shí)時(shí)性；
[0014] 妨關(guān)節(jié)點(diǎn)提?。和ㄟ^(guò)均值漂移算法確定頭部與軀干的關(guān)節(jié)點(diǎn)位置；其中，關(guān)節(jié)點(diǎn) 位置是某個(gè)部位像素密度最大的位置；其中，均值漂移算法是一種基于密度梯度上升的非 參數(shù)方法，通過(guò)迭代運(yùn)算找到目標(biāo)位置；
[0015] (6)高度特征提取：獲取到頭部的關(guān)節(jié)點(diǎn)與軀干的關(guān)節(jié)點(diǎn)位置后，選取連續(xù)多帖 頭部關(guān)節(jié)點(diǎn)與地面的距離構(gòu)成高度特征向量；高度特征是連續(xù)多帖的高度值組成的多維向 量；
[0016] (7)跌倒檢測(cè)：利用高度特征的訓(xùn)練樣本離線訓(xùn)練跌倒分類(lèi)器；采用訓(xùn)練好的跌 倒分類(lèi)器對(duì)上述高度特征向量進(jìn)行分類(lèi)檢測(cè)，獲取跌倒檢測(cè)結(jié)果。
[0017] 優(yōu)選地，步驟（2)中的人體圖像識(shí)別，具體包括如下子步驟；
[001引 （2. 1)對(duì)深度圖像進(jìn)行中值濾波，消除未檢測(cè)到深度的空桐點(diǎn)；
[001引 （2.。根據(jù)相鄰帖里同一位置深度變化程度ki，篩選出深度值明顯變化的運(yùn)動(dòng)像 素點(diǎn)；
[0020] 其中，相鄰帖同一位置深度變化程度
；di(s)表示某一帖某位 置像素點(diǎn)的深度，d2(s)表示其相鄰帖同一位置像素點(diǎn)的深度；將ki> 0. 5的點(diǎn)判定為深度 值變化明顯的點(diǎn)，屬于人體運(yùn)動(dòng)的像素點(diǎn)；
[0021] (2. 3)在所述人體運(yùn)動(dòng)的像素點(diǎn)的鄰域范圍內(nèi)，根據(jù)同一帖不同位置深度變化程 度k2獲取屬于人體的像素點(diǎn)；
[002引其中，同一帖不同位置深度變化程度
滿中，d(Si)，d(S2)表 示同一帖不同像素Si，S2的深度；將k 2<0. 1的像素點(diǎn)判定為屬于人體的像素點(diǎn)；
[002引 （2. 4)重復(fù)步驟化3)，直至篩選出所述鄰域范圍全部滿足符合k2< 0. 1的像素 點(diǎn)；由篩選出來(lái)的相鄰相似的像素點(diǎn)構(gòu)成的連通區(qū)域，即為識(shí)別出的人體區(qū)域；
[0024]在初始確定人體圖像后，對(duì)于后續(xù)進(jìn)入的每一帖新的深度圖，首先將其與其前一 帖比較，若存在運(yùn)動(dòng)像素，則重復(fù)人體圖像識(shí)別步驟；若不存在運(yùn)動(dòng)像素，則表明人體未運(yùn) 動(dòng)，繼續(xù)保留之前識(shí)別出的人體圖像部分。
[00巧]優(yōu)選地，步驟（4)的人體部位解析包括如下子步驟：
[0026] (4. 1)對(duì)分類(lèi)器進(jìn)行訓(xùn)練，獲得具體的分類(lèi)模型：獲取至少1000張已經(jīng)計(jì)算深度 差分特征I的深度圖像，將其中的人體頭部與軀干部位進(jìn)行標(biāo)記，獲得每個(gè)像素點(diǎn)的所屬 類(lèi)別C;結(jié)合該樣本點(diǎn)的深度特征I，構(gòu)成該點(diǎn)的樣本信息爆，句；將大量訓(xùn)練樣本信息集合9=?侶，L·)}作為輸入，訓(xùn)練隨機(jī)森林，得到分類(lèi)器模型；其中，隨機(jī)森林是指包含多個(gè)決策 樹(shù)的分類(lèi)器，其輸出的類(lèi)別是由個(gè)別樹(shù)輸出的類(lèi)別的眾數(shù)而定；
[0027] 步驟（4. 1)是離線步驟；在開(kāi)始跌倒檢測(cè)之前完成獲取深度差分特征的訓(xùn)練樣本 和訓(xùn)練隨機(jī)森林的步驟；可有效提高跌倒行為檢測(cè)的實(shí)時(shí)性；
[0028] (4. 2)采用訓(xùn)練完成的隨機(jī)森林分類(lèi)器進(jìn)行人體部位的解析：輸入各像素點(diǎn)的深 度差分特征，對(duì)隨機(jī)森林分類(lèi)器中的每一棵樹(shù)進(jìn)行分類(lèi)判斷，每一棵樹(shù)得到像素S所屬類(lèi) 別的概率分布Pi(CIS)，即像素S的最終類(lèi)別概率分布：
[0029]
[0030] 其中，N表示隨機(jī)森林中決策樹(shù)的數(shù)目，Pi(CIS)表示一棵決策樹(shù)中像素S的所屬 類(lèi)別概率分布；獲取到像素S的所屬類(lèi)別概率分布后，選取概率值最大的類(lèi)別作為像素S的 類(lèi)別；判斷出像素所屬類(lèi)別，即完成人體部位的解析。
[0031] 優(yōu)選地，步驟巧）中提取步關(guān)節(jié)點(diǎn)的步驟包括如下子步驟：
[0032] (5. 1)初始化中屯、像素點(diǎn)：將屬于某部位的所有像素點(diǎn)的橫坐標(biāo)相加取平均作為 中屯、像素點(diǎn)玄的橫坐標(biāo)，縱坐標(biāo)相加取平均作為中屯、像素點(diǎn)J的縱坐標(biāo)，獲得中屯、像素點(diǎn)r 的位置iS
[003引 （5. 2)獲取中屯、像素點(diǎn)r的偏移量.
進(jìn)入步驟（5. 3);
[0034] 其中！是中屯、像素點(diǎn)在世界坐標(biāo)系中的坐標(biāo)，N是圖像中人體部分的像素?cái)?shù)量，Wi。 是像素權(quán)重，.t.是本類(lèi)別像素點(diǎn)在世界坐標(biāo)系中的坐標(biāo)，b。是身體部位的寬度；系數(shù)Wi。如 下：
[0035]
[003引其中，P(c|si)表示在像素上所屬身體部位類(lèi)的概率分布；d(Si)2為像素點(diǎn)深度的 平方，與該像素點(diǎn)在世界坐標(biāo)系中的表面積具有正相關(guān)的關(guān)系，即一個(gè)像素點(diǎn)深度越大，貝U 在世界坐標(biāo)系中所占的面積越大.
[0037] (5.如確定關(guān)節(jié)點(diǎn)位置：根據(jù)中屯、像素點(diǎn)的偏移量乂(巧，移動(dòng)中屯、像素點(diǎn)，確定其 新位置；進(jìn)入步驟巧.2)，再次獲取偏移量，不斷迭代，直至偏移量/f(句為0 ;偏移量為0的 點(diǎn)的坐標(biāo)即為該部位的關(guān)節(jié)點(diǎn)坐標(biāo)T。
[0038] 優(yōu)選地，步驟（6)提取高度特征步驟，包