專利名稱：基于全方位計算機視覺的獨居老人家庭安保裝置的制作方法
技術(shù)領(lǐng)域：
本發(fā)明屬于全方位計算機視覺傳感器、圖像理解、信息處理等技術(shù)在高齡化社會老人監(jiān)護方面的應(yīng)用，適用于需要得到即時和適當服務(wù)的獨居老人等弱勢人群的家庭。
背景技術(shù)：
根據(jù)聯(lián)合國的一項調(diào)查表明，預(yù)計到2030年，中國65歲以上的人口將占人口總數(shù)的12.7％；其中空巢老人家庭將占老人家庭總數(shù)的90％。獨居老人人口的增長，需要我們提供各種各樣的監(jiān)護服務(wù)。GE公司在2003做的全球研究中指出獨居老人的遠程監(jiān)護者最關(guān)心的問題是老人的摔倒異常。另一項研究指出一年內(nèi)65歲以上的老人摔倒的概率為30％，而75歲以上的老人摔倒的概率為42％。因此，如何檢測到老人的摔倒異常逐漸引起了國內(nèi)外科研者的興趣。
在國外，已經(jīng)有許多研究者進行了這方面的研究。一些研究者把加速度傳感器安裝在老人身上，通過監(jiān)護加速度的異常來檢測摔倒異常。還有一些研究者使用計算機視覺技術(shù)監(jiān)護老人的行為活動來檢測摔倒異常。但是，對于在監(jiān)護場所之外的摔倒異常，這些方法就無能為力了。
在國內(nèi)，在本發(fā)明作出以前對獨居老年等弱勢人群的家庭發(fā)生異常時主要是通過電話或者家庭中的報警按鈕以主動形式向援救方報警及請求服務(wù)，或者是采用上門探望的方法來確認老人是否安康。天有不測風(fēng)云、人有旦夕禍福，誰都不能預(yù)料自己在某日某時會生病，也不能預(yù)料自己可能會出現(xiàn)連電話都請求報警救援都困難的時候。最近幾年人們通過信息技術(shù)智能地發(fā)現(xiàn)老人的生活異常，專利號為CN200410017289.4獨居老人家庭安保裝置中采用紅外傳感器來探測老人的活動量來判斷老人是否出現(xiàn)異常；專利號為CN200410066707.9基于生活供應(yīng)線的獨居老人安保裝置中采用老人家中日常使用的水、電、煤氣以及熱氣的量來判斷老人是否出現(xiàn)異常。
另一方面，近年發(fā)展起來的全方位視覺傳感器ODVS(OmniDirectional VisionSensors)為實時獲取場景的全景圖像提供了一種新的解決方案。ODVS的特點是視野廣(360度)，能把一個半球視野中的信息壓縮成一幅圖像，一幅圖像的信息量更大；獲取一個場景圖像時，ODVS在場景中的安放位置更加自由；監(jiān)護環(huán)境時ODVS不用瞄準目標；檢測和跟蹤監(jiān)護范圍內(nèi)的運動物體時算法更加簡單；可以獲得場景的實時圖像。這種ODVS攝像機主要由一個CCD攝像機和正對著攝像頭的一個反光鏡組成。反光鏡面將水平方向一周的圖像反射給CCD攝像機成像，這樣，就可以在一幅圖像中獲取水平方向360o的環(huán)境信息。這種全方位攝像機有著非常突出的優(yōu)點，特別在對全景實時處理要求下，是一種快速、可靠的視覺信息采集途徑。
由于全方位視覺是一種典型的機器視覺，是人不可能具備的。攝像機采集圖像的原理和人眼觀察物體的原理不一樣，使得全方位圖像與人眼看到的圖像差別也很大，即使按照柱面展開，其形變還是存在的。因此如何通過全方位光學(xué)成像技術(shù)、計算機圖像處理技術(shù)和網(wǎng)絡(luò)通信技術(shù)為智能獨居老人家庭安保領(lǐng)域提供一種快速、可靠的監(jiān)護領(lǐng)域大范圍內(nèi)視覺信息采集途徑，并根據(jù)ODVS攝像機得到的實時全方位圖像，通過智能化的處理技術(shù)不僅能夠檢測到監(jiān)護場所內(nèi)的摔倒異常，而且還能夠預(yù)測監(jiān)護場所之外的摔倒異常。
因此如何通過全方位光學(xué)成像技術(shù)、計算機圖像處理技術(shù)和網(wǎng)絡(luò)通信技術(shù)對獨居老年等弱勢人群的家庭提供即時和適當服務(wù)，對提高老年人的生活質(zhì)量、解決我國現(xiàn)有家庭養(yǎng)老上所存在的社會問題有著積極意義。

發(fā)明內(nèi)容為了克服已有技術(shù)中獨居老人安保裝置在關(guān)鍵時候不能及時、適當為獨居老人提供服務(wù)和救援幫助，本發(fā)明提供一種基于全方位計算機視覺的獨居老人家庭安保裝置，采用該裝置不僅能夠自動地檢測到監(jiān)護場所內(nèi)老人的摔倒異常，同時還能夠預(yù)測監(jiān)護場所之外老人的摔倒異常，并在關(guān)鍵時候能得到即時性的、適合的援救或者服務(wù)的獨居老人安保裝置。
本發(fā)明解決其技術(shù)問題所采用的技術(shù)方案是一種基于全方位計算機視覺的獨居老人家庭安保裝置，所述的獨居老人家庭安保裝置包括微處理器、用于監(jiān)護老人安康情況的全方位視覺傳感器，所述的全方位視覺傳感器與微處理器連接，所述的全方位視覺傳感器包括用以反射監(jiān)控領(lǐng)域中物體的外凸折反射鏡面、用以防止光折射和光飽和的黑色圓錐體、透明圓柱體、攝像頭，所述的外凸折反射鏡面位于透明圓柱體的上方，外凸折反射鏡面朝下，黑色圓錐體固定在折反射鏡面外凸部的中心，攝像頭對著外凸反射鏡面朝上，所述的攝像頭位于外凸反射鏡面的虛焦點位置；所述的微處理器還包括圖像數(shù)據(jù)讀取模塊，用于讀取從全方位視覺傳感器傳過來的視頻圖像信息；圖像數(shù)據(jù)文件存儲模塊，用于將讀取的視頻圖像信息通過文件方式保存在存儲單元中；全方位視覺傳感器標定模塊，用于對全方位視覺傳感器的參數(shù)進行標定，建立空間的實物圖像與所獲得的視頻圖像的對應(yīng)關(guān)系；圖像展開處理模塊，用于將讀取的圓形視頻圖像展開為全景柱狀圖；運動對象檢測模塊，用于將所獲得的當前幀現(xiàn)場視頻圖像與一個相對比較穩(wěn)定的基準參考圖像進行差值運算，圖像相減的計算公式如式(28)表示fd(X，t0，ti)＝f(X，ti)-f(X，t0)(28)上式中，fd(X，t0，ti)是實時拍攝到圖像與基準參考圖像間進行圖像相減的結(jié)果；f(X，ti)是實時拍攝到圖像；f(X，t0)是基準參考圖像；并將當前圖像中與相鄰K幀的圖像相減計算公式如(29)所示fd(X，ti-k，ti)＝f(X，ti)-f(X，ti-k) (29)上式中，fd(X，ti-k，ti)是實時拍攝到圖像與相鄰K幀圖像間進行圖像相減的結(jié)果；f(X，ti-k)是相鄰K幀時的圖像；如fd(X，t0，ti)≥閾值、fd(X，ti-k，ti)≥閾值成立時，判定為運動對象；如fd(X，t0，ti)≥閾值、fd(X，ti-k，ti)＜閾值，判定靜止對象，并用式(30)來更新替換基準參考圖像f(X,t0)⇐f(X,ti-k)---(30)]]>如fd(X，t0，ti)＜閾值，判定為靜止對象；連通區(qū)域計算模塊，用于對當前圖像進行標記，像素灰度為0的小區(qū)表示此小區(qū)內(nèi)無老人活動，像素灰度為1則表示此小區(qū)有老人活動，計算當前圖像中的像素是否與當前像素周圍相鄰的某一個點的像素相等，如灰度相等判斷為具有連通性，將所有具有連通性的像素作為一個連通區(qū)域；然后再根據(jù)所求得的連通區(qū)域來計算其面積和重心；老人的重心通過計算所得到的連通區(qū)域面積Si以及該連通區(qū)域的X、Y軸方向的累積像素值計算得到，計算公式由式(42)計算得到，Xcg(i)=Σx,y∈SixSi;Ycg(i)=Σx,y∈SiySi---(42);]]>老人日常生活活動數(shù)據(jù)的獲取模塊，用于根據(jù)老人在監(jiān)護視覺范圍內(nèi)活動的開始時間、延續(xù)時間和所處的空間位置，得到老人日常生活活動的規(guī)律；老人日常生活活動模型模塊，用于通過自學(xué)習(xí)的方法掌握了老人的日常生活的規(guī)律之后，通過該規(guī)律的總結(jié)可以歸納出老人日常生活活動模型，采用二維高斯分布模型來描述某個老人日常生活的活動的空間和時間分布模型 式(32)中σx表示連通區(qū)域的亮度值在x軸上的數(shù)學(xué)方差，σy表示連通區(qū)域的亮度值在y軸上的數(shù)學(xué)方差，μx表示連通區(qū)域的亮度值在x軸上的數(shù)學(xué)期望平均值，μy表示連通區(qū)域的亮度值在y軸上的數(shù)學(xué)期望平均值；模型的更新使用公式(33)～(36)的數(shù)字低通濾波方法進行，μxnew＝(1-k1)μxold+k1(x-μxold)， (33)μynew＝(1-k2)μyold+k2(y-μyold)， (34)σxnew2=(1-k3)σxold2+k3(x-μxold)2,---(35)]]>σynew2=(1-k4)σyold2+k4(y-μyold)2,---(36)]]>
其中，ki是學(xué)習(xí)速率，取值范圍是
，學(xué)習(xí)階段可以選擇大學(xué)習(xí)速率(0.8)，加快學(xué)習(xí)速度；監(jiān)護階段可以選擇小學(xué)習(xí)速率(0.01)；視覺監(jiān)護范圍內(nèi)摔倒異常的檢測模塊，用于通過檢測老人進入某個監(jiān)護領(lǐng)域后又長時間的靜止在某個位置并超過老人日常生活活動模型模塊中所規(guī)定的閾值來進行檢測判斷的，檢測老人的重心位置x被判為inactivity point的時間超過閾值，那么系統(tǒng)計算下式PS＝max{p(x|i，μi，∑i)，i＝1，...，n} (37)式中p(x|i，μi，∑i)是老人的重心位置x屬于編號為i的inactivity zone的高斯混合模型的概率，PS是位置x屬于某個inactivity zone的最大概率；當PS值小于閾值時，判定位置x不屬于任何已知的inactivity zones，即老人靜止在某一個位置上發(fā)生異常；進一步從檢測到的圖像上識別老人的姿態(tài)，計算老人處于橫躺的姿態(tài)的概率PT，通過基于隱馬爾可夫模型的人體姿態(tài)識別方法，最后使用式(38)計算摔倒異常發(fā)生的概率P＝K1×(1-PS)+K2×PT (38)其中K1、K2是權(quán)重，PS是老人長時間靜止在某個位置上的概率，PT是老人處于躺的姿態(tài)的概率，當P超過閾值時，判定老人發(fā)生摔倒異常；非視覺監(jiān)護范圍內(nèi)的摔倒異常的預(yù)測模塊，用于通過視覺監(jiān)護范圍內(nèi)超過一定時間閾值還未出現(xiàn)老人的情況時進行預(yù)測的，通過檢測老人在時刻t1離開監(jiān)護視覺場所以及所經(jīng)過的時間來進行預(yù)測的，首先要從老人日常生活活動模型中檢索出對應(yīng)活動持續(xù)時間模型的本次活動持續(xù)時間的預(yù)測值μi，然后系統(tǒng)實時的計算下列表達式PE＝t-t1-μi (39)PC＝p(t-t1|i，μi，σi) (40)其中，t是當前系統(tǒng)時間，t-t1為離開監(jiān)護視覺場所的持續(xù)時間，PE是實際離開監(jiān)護視覺場所的持續(xù)時間與預(yù)測持續(xù)時間值的差值；PC是實際活動時間屬于活動持續(xù)時間的高斯模型的概率，即實際離開監(jiān)護視覺場所持續(xù)時間的概率；當前時間t，老人在非監(jiān)護視覺場所摔倒的概率為P＝K1×PE+K2×(1-PC) (41)其中K1、K2是權(quán)重，當P超過閾值時，判定老人可能發(fā)生異常；異常告警模塊，用于在判定老人可能發(fā)生異常后，通過通信模塊通知救護人員。
進一步，所述的微處理器還包括背景維護模塊，所述的背景維護模塊包括背景亮度計算單元，用于計算平均背景亮度Yb計算公式如式(25)所示Y‾b=Σx=0W-1Σy=0H-1Yn(x,y)(1-Mn(x,y))Σx=0W-1Σy=0H-1(1-Mn(x,y))---(25)]]>式(25)中，Yn(x，y)為當前幀各像素的亮度，Mn(x，y)為當前幀的掩模表，所述的掩模表是用一個與視頻幀尺寸相同的數(shù)組M來記錄各像素點是否有運動變化，參見式(27) Yb0為判定為運動對象時前一幀的背景亮度，Yb1為判定為運動對象時第一幀的背景亮度，兩幀平均亮度的變化為ΔY＝Y(jié)b1-Yb0(26)如果ΔY大于上限值，則認為發(fā)生了開燈事件；如果ΔY小于某個下限值，則認為發(fā)生了關(guān)燈事件；如ΔY介于上限值和下限值之間，則認為光線自然變化；背景自適應(yīng)單元，用于當光線自然變化時，按照下式(22)進行自適應(yīng)學(xué)習(xí)Xmix，bn+1(i)＝(1-λ)Xmix，bn(i)+λXmix，cn(i) (22)式中Xmix，cn(i)為當前幀RGB向量，Xmix，bn(i)為當前幀背景RGB向量，Xmix，bn+1(i)為下一幀背景預(yù)測RGB向量，λ為背景更新的速度；λ＝0，使用固定不變的背景(初始背景)；λ＝1，使用當前幀作為背景；0＜λ＜1，背景由前一時刻的背景與當前幀混合而成；當光線由開關(guān)燈引起的，背景像素按照當前幀重置，參見式(23)Xmix，bn+1(i)＝Xmix，cn(i) (23)。
再進一步，所述的微處理器還包括噪聲剔除模塊，用于將每一個像素值用其局部鄰域內(nèi)所有值的均值置換，如公式(16)所示h[i，j]＝(1/M)∑f[k，1] (32)上式(32)中，M是鄰域內(nèi)的像素點總數(shù)。
更進一步，所述的圖像展開處理模塊，用于根據(jù)圓形全方位圖像上的一個點(x*，y*)和矩形柱狀全景圖上的一個點(x**，y**)的對應(yīng)關(guān)系，建立(x*，y*)與(x**，y**)的映射矩陣，式(21)所示P**(x**，y**)←M×P*(x*，y*)(21)上式中，M是映射矩陣，P*(x*，y*)是圓形全方位圖像上的像素矩陣，P**(x**，y**)是矩形柱狀全景圖上的像素矩陣。
所述的微處理器還包括網(wǎng)絡(luò)傳輸模塊，用于將所獲得的現(xiàn)場視頻圖像以視頻流的方式通過網(wǎng)絡(luò)播放出去，以便用戶能通過各種網(wǎng)絡(luò)實時地掌握現(xiàn)場情況；實時播放模塊，用于將所獲得的現(xiàn)場視頻圖像通過該模塊播放到顯示設(shè)備。
所述的全方位視覺傳感器安裝在能監(jiān)護到老人日?；顒拥闹饕顒訄鏊?。
本發(fā)明首先是ODVS攝像裝置的光學(xué)部分的制造技術(shù)方案，ODVS攝像裝置主要由垂直向下的折反射鏡和面向上的攝像頭所構(gòu)成。具體構(gòu)成是由聚光透鏡以及CCD構(gòu)成的攝像單元固定在由透明樹脂或者玻璃制的圓筒體的下部，圓筒體的上部固定有一個向下的大曲率的折反射鏡，在折反射鏡和聚光透鏡之間有一根直徑逐漸變小的黑色圓錐狀體，該圓錐狀體固定在折反射鏡的中部，黑色圓錐狀體的目的是為了防止過剩的光射入而導(dǎo)致在圓筒體內(nèi)部的光飽和以及通過圓筒體壁產(chǎn)生的光反射現(xiàn)象。圖2是表示本發(fā)明的全方位成像裝置的光學(xué)系統(tǒng)的原理圖。
折反射全景成像系統(tǒng)能用針孔成像模型進行成像分析，但要獲得透視全景圖像必須對采集的實景圖像逆投影，因而計算量大，特別是用在對人的活動或者由人產(chǎn)生的活動進行監(jiān)護，必須滿足實時性的要求。
設(shè)計中首先選用CCD(CMOS)器件和成像透鏡構(gòu)成攝像頭，在對攝像頭內(nèi)部參數(shù)標定的基礎(chǔ)上初步估算系統(tǒng)外形尺寸，然后根據(jù)高度方向的視場確定反射鏡面形參數(shù)。
如圖1所示，攝像頭的投影中心C在水平場景上方距離水平場景h處，反射鏡的頂點在投影中心上方，距離投影中心zo處。本發(fā)明中以攝像頭投影中心為坐標原點建立坐標系，反射鏡的面形用z(X)函數(shù)表示。在像平面內(nèi)距離像中心點ρ的像素q接受了來自水平場景O點(距離Z軸d)，在反射鏡M點反射的光線。水平場景無畸變要求場景物點的水平坐標與相應(yīng)像點的坐標成線性關(guān)系；由式(8)、(9)、(10)和初始條件，解微分方程可以得到反射鏡面形的數(shù)字解。系統(tǒng)外形尺寸主要指反射鏡離攝像頭的距離Ho和反射鏡的口徑D。折反射全景系統(tǒng)設(shè)計時根據(jù)應(yīng)用要求選擇合適的攝像頭，標定出Rmin，透鏡的焦距f確定反射鏡離攝像頭的距離Ho，由(1)式計算出反射鏡的口徑Do。
系統(tǒng)參數(shù)的確定d(ρ)＝αρ (1)式(1)中ρ是與反射鏡的面形中心點的距離，α為成像系統(tǒng)的放大率。
設(shè)反射鏡在M點的法線與Z軸的夾角為γ，入射光線與Z軸的夾角為Φ，反射光線與Z軸的夾角為θ。則tg(x)=d(x)-xz(x)-h---(2)]]>tgγ=dz(x)dx---(3)]]>tg(2γ)=2dz(x)dx1-d2z(x)dx2---(4)]]> 由反射定律2γ＝φ-θ∴tg(2γ)=tg(φ-θ)=tgφ-tgθ1+tgφtgθ---(6)]]>
由式(2)、(4)、(5)和(6)得到微分方程(7)d2z(x)dx2+2kdz(x)dx-1=0---(7)]]>式中；k=z(x)[z(x)-h]+x[d(x)-x]z(x)[d(x)-x]+x[z(x)-h]---(8)]]>由式(7)得到微分方程(9)dz(x)dx+k-k2+1=0---(9)]]>由式(1)、(5)得到式(10)d(x)=afxz(x)---(10)]]>根據(jù)應(yīng)用所要求的高度方向的視場確定系統(tǒng)參數(shù)af。由式(1)、(2)和(5)得到式(11)，這里作了一些簡化，將z(x)≈z0，主要考慮對于鏡面的高度變化相對于鏡面與攝像頭的位置變化比較小；tgφ=(af-z0)ρfz0-h---(11)]]>在像平面以像中心點為圓心的最大圓周處ρ=Rmin→ωmax=Rminf]]>對應(yīng)的視場為фmax。則可以得到式(12)；ρf=(z0-h)tgφmaxωmax+z0---(12)]]>成像模擬采用與實際光線相反的方向進行。設(shè)光源在攝像頭投影中心，在像平面內(nèi)等間距的選取像素點，通過這些像素點的光線，經(jīng)反射鏡反射后與水平面相交，若交點是等間距的，則說明反射鏡具有水平場景無畸變的性質(zhì)。成像模擬一方面可以評價反射鏡的成像性質(zhì)，另一方面可以準確地計算出反射鏡的口徑和厚度。
進一步說明本發(fā)明在實施過程中涉及到標定與目標識別等幾個關(guān)鍵問題(1)如何標定全方位視覺傳感器的成像平面內(nèi)的像素距離與實際三維空間距離的對應(yīng)關(guān)系，并在該基礎(chǔ)上對運動圖像進行分類。
(2)如何進行目標跟蹤，跟蹤等價于在連續(xù)的圖像幀間創(chuàng)建基于位置、速度、形狀、紋理、色彩等有關(guān)特征的對應(yīng)匹配問題，本發(fā)明中將活動中人物的屬性信息結(jié)合起來，提供一種有效的、魯棒性高的、實時性好的目標跟蹤方法。這種跟蹤方法實際上是基于模型的、基于區(qū)域的、基于活動輪廓的、以及基于顏色特征的等跟蹤方法的一種綜合。
全方位視覺攝像機視場距離的標定涉及成像幾何的理論，將客觀世界的三維場景投射到攝像機的二維象平面，需要建立攝像機的模型來描述。這些成像變換涉及不同坐標系之間的變換。在攝像機的成像系統(tǒng)中，涉及到的有以下4個坐標系；(1)現(xiàn)實世界坐標系XYZ；(2)以攝像機為中心制定的坐標系 像平面坐標系，在攝像機內(nèi)所形成的像平面坐標系x*y*o*；(4)計算機圖像坐標系，計算機內(nèi)部數(shù)字圖像所用的坐標系MN，以像素為單位。
根據(jù)以上幾個坐標系不同的轉(zhuǎn)換關(guān)系，就可以得到所需要的全方位攝像機成像模型，換算出二維圖像到三維場景的對應(yīng)關(guān)系。本發(fā)明中采用折反射全方位成像系統(tǒng)的近似透視成像分析方法將攝像機內(nèi)所形成的像平面坐標二維圖像換算到三維場景的對應(yīng)關(guān)系，圖3為一般的透視成像模型，d為人體高，ρ為人體的像高，t為人體的距離，F(xiàn)為人體的像距(等效焦距)?？梢缘玫绞?13)d=tFρ---(13)]]>在上述水平場景無的折反射全方位成像系統(tǒng)的設(shè)計時，要求場景物點的水平坐標與相應(yīng)像點的坐標成線性關(guān)系，如式(1)表示；比較式(13)，(1)，可以看出水平場景無變形的折反射全方位成像系統(tǒng)對水平場景的成像為透視成像。因此就水平場景成像而言，可以將水平場景無變形的折反射全方位成像系統(tǒng)視為透視相機，α為成像系統(tǒng)的放大率。設(shè)該虛擬透視相機的投影中心為C點(見附圖3)，其等效焦距為F。比較式(13)，(1)式可以得到式(14)；α=tF;t=h---(14)]]>由式(12)、(14)得到式(15)F=fhωmax(z0-h)tgφmax+z0ωmax0---(15)]]>根據(jù)上述全方位攝像機成像模型進行系統(tǒng)成像模擬，由攝像頭投影中心發(fā)出的經(jīng)過像素平面內(nèi)等間距像素點的光線族反射后，在距離投影中心3m的水平面上的交點基本上是等間距的，如附圖4所示。因此根據(jù)上述設(shè)計原理本專利中將水平路面的坐標與相應(yīng)全方位像點的坐標之間的關(guān)系簡化為線性關(guān)系，也就是說通過反射鏡面的設(shè)計將現(xiàn)實世界坐標系XYZ到像平面坐標系的轉(zhuǎn)化可以用放大率α為比例的線形關(guān)系。下面是從像平面坐標系到計算機內(nèi)部數(shù)字圖像所用的坐標系的轉(zhuǎn)化，計算機中使用的圖像坐標單位是存儲器中離散像素的個數(shù)，所以對實際像平面的坐標還需取整轉(zhuǎn)換才能映射到計算機的成像平面，其變換表達式為由式(16)給出；M=Om-x*Sx;N=On-y*Sy;---(16)]]>式中Om、On分別為象平面的原點在計算機圖像平面上所映射的點像素所在的行數(shù)和列數(shù)；Sx、Sy分別為在x和y方向上的尺度因子。Sx、Sy的確定是通過在攝像頭與反射鏡面之間距離Z處放置標定板，對攝像機進行標定得到Sx、Sy的數(shù)值，單位是(pixel)；Om、On。的確定是根據(jù)所選擇的攝像頭分辨率像素，單位是(pixel)。
進一步，來說明360°全方位進行攝像的原理，空間上的一個點A(x1，y1，z1)經(jīng)折反射1鏡面反射到透鏡4上對應(yīng)有一個投影點P1(x*1，y*1)，通過透鏡4的光線變成平行光投射到CCD攝像單元5，微處理器6通過視頻接口讀入該環(huán)狀圖像，采用軟件對該環(huán)狀圖像進行展開得到全方位的圖像并顯示在顯示單元7上或者通過視頻服務(wù)器發(fā)布在網(wǎng)頁上。
進一步，在展開方法上本專利中采用了一種快速的近似展開算法，能夠?qū)r間消耗和對各種參數(shù)的要求降到最小，同時盡可能的保持有用的信息。展開規(guī)則有三條，(1)X*軸為起始位置，按逆時針方式展開；(2)左圖中X*軸與內(nèi)徑r的交點O，對應(yīng)到右圖中左下角的原點O(0，0)；(3)展開后的右圖的寬度等于左圖中虛線所示的圓的周長。其中虛線圓為左圖內(nèi)外徑的同心圓，且其半徑r1＝(r+R)/2。
設(shè)圓形圖的圓心O*坐標(x*0，y*0)，展開的矩形圖左下角原點坐標O**(0，0)，矩形圖中任意一點P**＝(x**，y**)所對應(yīng)的點在圓形圖中的坐標為(x*，y*).下面我們需要求的是(x*，y*)和(x**，y**)的對應(yīng)關(guān)系。根據(jù)幾何關(guān)系可以得到如下公式β＝tan-1(y*/x*)(17)r1＝(r+R)/2 (18)
令虛線圓的半徑r1＝(r+R)/2，目的是為了讓展開后的圖看起來形變均勻一些。
x*＝y(tǒng)*/(tan(2x**/(R+r))) (19)y*＝(y**+r)cosβ (20)從式(19)、(20)可以得到圓形全方位圖像上的一個點(x*，y*)和矩形全景圖上的一個點(x**，y**)的對應(yīng)關(guān)系。該方法實質(zhì)上是做了一個圖像插值的過程。展開后，虛線上方的圖像是橫向壓縮過的，虛線下方的圖像是橫向拉伸過的，而在虛線本身上的點則保持不變。
為了滿足實時計算需要同樣可根據(jù)圓形全方位圖像上的一個點(x*，y*)和矩形全景圖上的一個點(x**，y**)的對應(yīng)關(guān)系，建立(x*，y*)與(x**，y**)的映射矩陣。由于這種一一對應(yīng)關(guān)系，通過映射矩陣方法能把轉(zhuǎn)變成不變形的全景圖像。通過M映射矩陣可以建立起式(21)關(guān)系。
P**(x**，y**)←M×P*(x*，y*) (21)根據(jù)式(21)，對于成像平面上的每個像素P*(x*，y*)在全方位圖像上有一個點P**(x**，y**)對應(yīng)，建立了M映射矩陣后，實時圖像處理的任務(wù)可以得到簡化。
一種基于全方位計算機視覺的獨居老人家庭安保裝置，圖5為監(jiān)護系統(tǒng)的總體處理架構(gòu)，所建立的獨居老人室內(nèi)外活動模型具有個性化的自學(xué)習(xí)、自適應(yīng)等特點，同時該模型不僅能檢測到視頻監(jiān)護范圍內(nèi)的異常，而且能預(yù)測視頻監(jiān)護范圍以外(包括戶外)的可能發(fā)生的異常。裝置運行開始需要有一個學(xué)習(xí)階段，通過自學(xué)習(xí)方法得到每個獨居老人的、能反映其個性的日?；顒拥囊?guī)律；學(xué)習(xí)階段結(jié)束后進入監(jiān)護階段，由于老人的年齡增長以及季節(jié)的變化，要求系統(tǒng)能不斷地更新在學(xué)習(xí)階段所得到老人日常生活活動模型，使之具有自適應(yīng)的功能。
為了對老人進行有效監(jiān)護，本發(fā)明中將全方位視覺傳感器安裝在老人日?；顒拥闹饕獔鏊?，例如客廳，這樣系統(tǒng)就能夠監(jiān)測到老人的大部分日常活動。由于每個老人居住條件、起居生活習(xí)慣不盡相同，在初始階段通過自動學(xué)習(xí)老人日常生活的規(guī)律后得到老人日常生活活動模型接著就可以進行反常及異常判斷，如圖6、圖7所示全方位視覺傳感器安裝在能反映老人的活動中心的客廳情況，至少要學(xué)習(xí)以下3個老人日常生活的時空方面的信息1)學(xué)習(xí)老人在客廳里經(jīng)常出現(xiàn)日常生活行為的地方，例如習(xí)慣坐的椅子的位置，稱之為inactivity zones；2)學(xué)習(xí)客廳的所有出入口，例如通往臥室的門的位置，稱之為entry zones；3)學(xué)習(xí)老人某個時段通過某個entry zone離開監(jiān)護場所進入其他場所的活動的持續(xù)時間的規(guī)律性，例如老人在臥室里睡覺的持續(xù)時間的規(guī)律性。
裝置通過自學(xué)習(xí)的方法掌握了老人的日常生活的規(guī)律之后，通過該規(guī)律的總結(jié)可以歸納出老人日常生活活動模型，根據(jù)該模型與實際檢測出來的視頻信息進行比較就能判斷摔倒等異常情況。比如對于監(jiān)護場所內(nèi)的摔倒等異常情況，可以通過在所有已知inactivity zones的概率計算出老人摔倒等重大異常情況，如果概率低于閾值則判斷為摔倒或其他重大異常，這時候可以通過視頻圖像進行確認；對于視頻監(jiān)護場所之外的摔倒等重大異常，通過計算出在某一時間、某一方位(比如是某一個與客廳相通的出入的門)和某一持續(xù)時間等三個高斯分布的概率，然后將計算所得到的概率與高斯分布模型的參數(shù)進行比較，如果所計算得到的概率低于閾值則判斷為摔倒等異常，尤其當老人的在某一個空間內(nèi)某個時刻的不活動延續(xù)時間嚴重超過預(yù)測值時，說明極有可能是老人摔倒了之后無法行動，必須提供及時的護理和救助。
如圖7所示，對于某個老人的家庭，在監(jiān)護視覺的范圍內(nèi)由客廳以及進入臥室、廚房、衛(wèi)生間和外出的門組成，編號為1的門是房間的出入口，編號為2的門連接客廳的臥室，編號為3的門是進出廚房的門，編號為4的門是進出衛(wèi)生間的門。全方位視覺傳感器安裝在客廳中部，能采集老人在客廳里進行日常生活活動以及出入與客廳相連接空間的信息，并記錄活動的時間信息，建立相應(yīng)的空間和時間模型。
在圖像的學(xué)習(xí)和理解階段，裝置通過計算機視覺能跟蹤監(jiān)護老人，計算出老人的人體中心位置的運動軌跡，在某個監(jiān)護空間中的出現(xiàn)時刻以及停留時間，出現(xiàn)時刻以及停留時間可以通過計算機的系統(tǒng)時間來獲得，而老人在某個空間位置的信息要通過全方位視覺傳感器所獲得的視頻信息來得到，該建模處理過程可以用圖8來描述。
上述的建模處理過程可以用數(shù)學(xué)方式來描述，老人的日常生活活動的空間和時間概率數(shù)據(jù)接近于正態(tài)分布，因此在本專利中使用高斯分布模型來描述某個老人日常生活的活動的空間和時間分布模型。由于獨居老人的規(guī)律可能隨著年齡的增長和季節(jié)的變化而緩慢改變，為了自適應(yīng)改變老人的日常生活時間和空間模型，在本發(fā)明中使用低通濾波方法來更新高斯分布模型的參數(shù)。
本發(fā)明的有益效果主要表現(xiàn)在采用全方位視覺傳感器，不僅能夠自動地檢測到監(jiān)護場所內(nèi)老人的摔倒異常，同時還能夠預(yù)測監(jiān)護場所之外老人的摔倒異常，并在關(guān)鍵時候能得到即時性的、適合的援救或者服務(wù)。


圖1為全方位視覺光學(xué)原理圖2為一種基于全方位計算機視覺的獨居老人家庭安保裝置在老人監(jiān)護方面應(yīng)用的硬件結(jié)構(gòu)原理圖；圖3為全方位視覺裝置與一般的透視成像模型等價的透視投影成像模型示意圖；圖4為全方位視覺裝置在水平方向上圖像無形變模擬示意圖；圖5為一種基于全方位計算機視覺的獨居老人家庭安保裝置的圖像處理流程圖；圖6為一種基于全方位計算機視覺的獨居老人家庭安保裝置的監(jiān)護系統(tǒng)處理整體結(jié)構(gòu)圖；圖7為獨居老人室內(nèi)外活動模型建立示意圖；圖8為在模型的學(xué)習(xí)階段從跟蹤老人人體中心位置的運動軌跡，記錄活動開始、結(jié)束時刻的空間和時間信息的過程處理示意圖；圖9中，(a)為全方位視覺傳感器軟硬件裝置，(b)為采集的360°全方位原始圖像，(c)360°全方位柱狀展開圖；圖10為基于全方位計算機視覺的獨居老人家庭安保裝置中各模塊的關(guān)聯(lián)圖。
具體實施方式
下面結(jié)合附圖對本發(fā)明作進一步描述。
實施例1參照圖1～10，一種基于全方位計算機視覺的獨居老人家庭安保裝置，包括微處理器6、用于監(jiān)護老人安康情況的全方位視覺傳感器13，所述的全方位視覺傳感器13與微處理器6連接，所述的全方位視覺傳感器13包括用以反射監(jiān)控領(lǐng)域中物體的外凸折反射鏡面1、用以防止光折射和光飽和的黑色圓錐體2、透明圓柱體3、攝像頭5，所述的外凸折反射鏡面1位于透明圓柱體3的上方，外凸折反射鏡面1朝下，黑色圓錐體2固定在折反射鏡面外凸部的中心，攝像頭5對著外凸反射鏡面1朝上，所述的攝像頭5位于外凸反射鏡面的虛焦點位置，攝像頭5還包括鏡頭4；微處理器6包括圖像數(shù)據(jù)讀取模塊16，用于讀取從全方位視覺傳感器傳過來的視頻圖像信息，并對圖像進行預(yù)處理；圖像數(shù)據(jù)文件存儲模塊18，用于將讀取的視頻圖像信息通過文件方式保存在存儲單元中；全方位視覺傳感器標定模塊17，用于對全方位視覺傳感器的參數(shù)進行標定，建立空間的實物圖像與所獲得的視頻圖像的對應(yīng)關(guān)系；圖像展開處理模塊19，用于將讀取的圓形視頻圖像展開為全景柱狀圖；運動對象檢測模塊23，用于將所獲得的當前幀現(xiàn)場視頻圖像與一個相對比較穩(wěn)定的基準參考圖像進行差值運算，圖像相減的計算公式如式(28)表示fd(X，t0，ti)＝f(X，ti)-f(X，t0) (28)上式中，fd(X，t0，ti)是實時拍攝到圖像與基準參考圖像間進行圖像相減的結(jié)果；f(X，ti)是實時拍攝到圖像；f(X，t0)是基準參考圖像；并將當前圖像中與相鄰K幀的圖像相減計算公式如(29)所示fd(X，ti-k，ti)＝f(X，ti)-f(X，ti-k) (29)上式中，fd(X，ti-k，ti)是實時拍攝到圖像與相鄰K幀圖像間進行圖像相減的結(jié)果；f(X，ti-k)是相鄰K幀時的圖像；如fd(X，t0，ti)≥閾值、fd(X，ti-k，ti)≥閾值成立時，判定為運動對象；如fd(X，t0，ti)≥閾值、fd(X，ti-k，ti)＜閾值，判定靜止對象，并用式(30)來更新替換基準參考圖像f(X,t0)⇐f(X,ti-k)---(30)]]>如fd(X，t0，ti)＜閾值，判定為靜止對象；連通區(qū)域計算模塊，用于對當前圖像進行標記，像素灰度為0的小區(qū)表示此小區(qū)內(nèi)無老人活動，像素灰度為1則表示此小區(qū)有老人活動，計算當前圖像中的像素是否與當前像素周圍相鄰的某一個點的像素相等，如灰度相等判斷為具有連通性，將所有具有連通性的像素作為一個連通區(qū)域；然后再根據(jù)所求得的連通區(qū)域來計算其面積和重心；老人的重心通過計算所得到的連通區(qū)域面積Si以及該連通區(qū)域的X、Y軸方向的累積像素值計算得到，計算公式由式(42)計算得到，Xcg(i)=Σx,y∈SixSi;Ycg(i)=Σx,y∈SiySi---(42);]]>老人日常生活活動數(shù)據(jù)的獲取模塊25，用于根據(jù)老人在監(jiān)護視覺范圍內(nèi)活動的開始時間、延續(xù)時間和所處的空間位置，得到老人日常生活活動的規(guī)律；老人日常生活活動模型模塊26，用于通過自學(xué)習(xí)的方法掌握了老人的日常生活的規(guī)律之后，通過該規(guī)律的總結(jié)可以歸納出老人日常生活活動模型，采用二維高斯分布模型來描述某個老人日常生活的活動的空間和時間分布模型 式(32)中σx表示連通區(qū)域的亮度值在x軸上的數(shù)學(xué)方差，σy表示連通區(qū)域的亮度值在y軸上的數(shù)學(xué)方差，μx表示連通區(qū)域的亮度值在x軸上的數(shù)學(xué)期望平均值，μy表示連通區(qū)域的亮度值在y軸上的數(shù)學(xué)期望平均值；模型的更新使用公式(33)～(36)的數(shù)字低通濾波方法進行，μxnew＝(1-k1)μxold+k1(x-μxold)， (33)μynew＝(1-k2)μyold+k2(y-μyold)， (34)σxnew2=(1-k3)σxold2+k3(x-μxold)2,---(35)]]>σynew2=(1-k4)σyold2+k4(y-μyold)2,---(36)]]>其中，ki是學(xué)習(xí)速率，取值范圍是
，學(xué)習(xí)階段可以選擇大學(xué)習(xí)速率(0.8)，加快學(xué)習(xí)速度；監(jiān)護階段可以選擇小學(xué)習(xí)速率(0.01)；視覺監(jiān)護范圍內(nèi)摔倒異常的檢測模塊27，用于通過檢測老人進入某個監(jiān)護領(lǐng)域后又長時間的靜止在某個位置并超過老人日常生活活動模型模塊中所規(guī)定的閾值來進行檢測判斷的，檢測老人的重心位置x被判為inactivity point的時間超過閾值，那么系統(tǒng)計算下式
PS＝max{p(x|i，μi，∑i)，i＝1，...，n}(37)式中p(x|i，μi，∑i)是老人的重心位置x屬于編號為i的inactivity zone的高斯混合模型的概率，PS是位置x屬于某個inactivity zone的最大概率；當PS值小于閾值時，判定位置x不屬于任何已知的inactivity zones，即老人靜止在某一個位置上發(fā)生異常；進一步從檢測到的圖像上識別老人的姿態(tài)，計算老人處于橫躺的姿態(tài)的概率PT，通過基于隱馬爾可夫模型的人體姿態(tài)識別方法，最后使用式(38)計算摔倒異常發(fā)生的概率P＝K1×(1-PS)+K2×PT (38)其中K1、K2是權(quán)重，PS是老人長時間靜止在某個位置上的概率，PT是老人處于躺的姿態(tài)的概率，當P超過閾值時，判定老人發(fā)生摔倒異常；非視覺監(jiān)護范圍內(nèi)的摔倒異常的預(yù)測模塊29，用于通過視覺監(jiān)護范圍內(nèi)超過一定時間閾值還未出現(xiàn)老人的情況時進行預(yù)測的，通過檢測老人在時刻t1離開監(jiān)護視覺場所以及所經(jīng)過的時間來進行預(yù)測的，首先要從老人日常生活活動模型中檢索出對應(yīng)活動持續(xù)時間模型的本次活動持續(xù)時間的預(yù)測值μi，然后系統(tǒng)實時的計算下列表達式PE＝t-t1-μi (39)PC＝p(t-t1|i，μi，σi) (40)其中，t是當前系統(tǒng)時間，t-t1為離開監(jiān)護視覺場所的持續(xù)時間，PE是實際離開監(jiān)護視覺場所的持續(xù)時間與預(yù)測持續(xù)時間值的差值；PC是實際活動時間屬于活動持續(xù)時間的高斯模型的概率，即實際離開監(jiān)護視覺場所持續(xù)時間的概率；當前時間t，老人在非監(jiān)護視覺場所摔倒的概率為P＝K1×PE+K2×(1-PC) (41)其中K1、K2是權(quán)重，當P超過閾值時，判定老人可能發(fā)生異常；異常告警模塊，用于在判定老人可能發(fā)生異常后，通過通信模塊通知救護人員。
在取得全方位視頻信息之后，接下來先進行背景消除和求活動連通區(qū)域、老人日常生活活動數(shù)據(jù)的獲取、老人日常生活規(guī)律的學(xué)習(xí)和建立模型、異常的判斷等計算工作，處理流程大致可以由圖5來表述。
所述的運動對象檢測模塊23主要是通過背景消除和目標提取來實現(xiàn)的，背景消除首先要解決的問題是亮度變化的問題，如對于室內(nèi)監(jiān)護會由于開燈、關(guān)燈操作所造成的光照強度的突變，因此在背景消除中采用的背景模型要適應(yīng)上述的這些變化。
對于視頻監(jiān)護，由于全方位場景視野比較大，人體在整幅圖像中所占的比例比較小，因此人物的運動可以近似看作剛體運動；另外，視頻監(jiān)護的場景固定，可以認為具有相對比較固定范圍的背景，因此可以采用背景減算法的快速分割算法來實時檢測和跟蹤視頻監(jiān)護中的運動人物；背景消除是基于背景減算法檢測運動對象的關(guān)鍵，它直接影響檢測出運動對象的完整性和準確性。本發(fā)明中采用了背景自適應(yīng)法，其核心思想是對每一個背景像素使用1組矢量；RGB變化的當前混合值(Xmix，bi)來表示合法背景像素的允許取值(i為幀號)，并采用IIR濾波對其進行如下更新。背景自適應(yīng)法在背景刷新處理模塊24中實現(xiàn)；(1)當光線自然變化(不是開關(guān)燈引起的)，并且無異常對象存在時，1組向量(分別為RGB)進行自適應(yīng)學(xué)習(xí)Xmix，bn+1(i)＝(1-λ)Xmix，bn(i)+λXmix，cn(i)(22)式中Xmix，cn(i)為當前幀RGB向量，Xmix，bn(i)為當前幀背景RGB向量，Xmix，bn+1(i)為下一幀背景預(yù)測RGB向量，λ為背景更新的速度λ＝0，使用固定不變的背景(初始背景)；λ＝1，使用當前幀作為背景；0＜λ＜1，背景由前一時刻的背景與當前幀混合而成。
(2)當光線有突變時(由開關(guān)燈引起的)，1組向量按當前幀重置Xmix，bn+1(i)＝Xmix，cn(i)(23)(3)當有對象進入監(jiān)護范圍時，背景保持不變。為避免將運動對象的部分像素學(xué)習(xí)為背景像素，采用Xmix，bn+1(i)＝Xmix，bn(i) (24)上式中的Xmix，bn+1(i)(i＝1，2，3)分別表示R，G，B3個分量，為簡化起見，上述公式略去了每個像素的坐標(x，y)部分。
對于室內(nèi)監(jiān)護背景亮度的變化可用來判定檢測到的運動對象是否因開關(guān)燈而引起的，背景亮度使用平均背景亮度Yb來度量，計算公式由式(25)給出，Y‾b=Σx=0W-1Σy=0H-1Yn(x,y)(1-Mn(x,y))Σx=0W-1Σy=0H-1(1-Mn(x,y))---(25)]]>式(25)中，Yn(x，y)為當前幀各像素的亮度，Mn(x，y)為當前幀的掩模表。用Yb0表示發(fā)現(xiàn)有活動對象時前一幀的背景亮度，Yb1表示檢測到活動對象時第一幀的背景亮度，兩幀平均亮度的變化為
ΔY＝Y(jié)b1-Yb0 (26)如果ΔY大于某個值則認為發(fā)生了開燈事件，如果ΔY小于某個負值則認為發(fā)生了關(guān)燈事件。根據(jù)上述判斷結(jié)果用式(23)對當前幀進行重置。
所述的掩模表，是用一個與視頻幀尺寸相同的數(shù)組M來記錄各像素點是否有運動變化，這個數(shù)組稱為掩模映射表(Mask Map) 數(shù)組M是運動對象的二值圖像，不但可用來掩模視頻幀從而分割出運動對象，還可用于運動對象的跟蹤、分析和分類。
所述的背景減算法也稱為差分方法，是一種常用于檢測圖像變化和運動物體的圖像處理方法。根據(jù)三維空間與圖像像素的對應(yīng)性關(guān)系把有光源點存在的那些像素部分檢測出來，首先要有一個比較穩(wěn)定的基準參考圖像，并將該基準參考圖像存儲在計算機的存儲器里，并通過上述的背景自適應(yīng)法對基準參考圖像進行動態(tài)更新，通過實時拍攝到圖像與該基準參考圖像間進行圖像相減，相減的結(jié)果發(fā)生變化的區(qū)域亮度增強，圖像相減的計算公式如式(28)表示，fd(X，t0，ti)＝f(X，ti)-f(X，t0) (28)式中fd(X，t0，ti)是實時拍攝到圖像與基準參考圖像間進行圖像相減的結(jié)果；f(X，ti)是實時拍攝到圖像，相當于式(22)中的Xmix，cn(i)；f(X，t0)是基準參考圖像，相當于式(22)中的Xmix，bn(i)。背景減算法是在運動區(qū)域檢測模塊23中實現(xiàn)的。
由于視頻監(jiān)護中的全方位視覺傳感器都是固定的，而背景中的靜止對象有時可能被移動，基于背景減算法檢測運動對象所得到的運動像素可能包含對象移動留下的空穴。由于空穴在隨后的視頻幀中不會移動，因此可用相鄰K幀差法來消除空穴，本發(fā)明中采用相鄰K幀差法判定某個像素是否是背景對象留下的空穴。為此需要進行式(29)的計算，fd(X，ti-k，ti)＝f(X，ti)-f(X，ti-k)(29)靜止對象的移動一般都可以考慮在時間分的單位上，當fd(X，t0，ti)≥閾值和fd(X，ti-k，ti)≥閾值都成立時，被認為是運動對象；如果fd(X，t0，ti)≥閾值而fd(X，ti-k，ti)＜閾值，本發(fā)明中認為是背景中的靜止對象被移動后所產(chǎn)生的空穴，為了消除空穴用式(30)來更新替換基準參考圖像，f(X,t0)⇐f(X,ti-k)---(30)]]>
實際圖像信號中包含有噪聲，而且一般都表現(xiàn)為高頻信號，因此在識別過程中要剔除由噪聲所產(chǎn)生的圖像邊緣點。
所述的剔除由噪聲所產(chǎn)生的圖像邊緣點，在本發(fā)明中使用四鄰域遍歷的方法，它用濾波掩膜確定的鄰域內(nèi)像素的平均灰度值去替代圖像每個像素點的值，即每一個像素值用其局部鄰域內(nèi)所有值的均值置換，如公式(31)所示h[i，j]＝(1/M)∑f[k，1] (31)式中，M是鄰域內(nèi)的像素點總數(shù)，本發(fā)明中取為4。
像素間的連通性是確定區(qū)域的一個重要概念。在二維圖像中，假設(shè)目標像素周圍有m(m＜＝8)個相鄰的像素，如果該像素灰度與這m個像素中某一個點A的灰度相等，那么稱該像素與點A具有連通性。常用的連通性有4連通和8連通。4連通一般選取目標像素的上、下、左、右四個點。8連通則選取目標像素在二維空間中所有的相鄰像素。將所有具有連通性的像素作為一個區(qū)域則構(gòu)成了一個連通區(qū)域。
所述的連通區(qū)域計算主要解決在圖像處理過程中，一幅二值圖像，其背景和目標分別具有灰度值0和1。我們將像素為0的小區(qū)表示此小區(qū)無動作對象，若為1則表示此小區(qū)有動作對象。所以可以采用連通成分標記法進行缺陷區(qū)域的合并。連通標記算法可以找到圖像中的所有連通成分，并對同一連通成分中的所有點分配同一標記。下面是連通區(qū)域算法，1)從左到右、從上到下掃描圖像；2)如果像素點為1，則·如果上面點和左面點有一個標記，則復(fù)制這一標記。
·如果兩點有相同的標記，復(fù)制這一標記。
·如果兩點有不同的標記，則復(fù)制上點的標記且將兩個標記輸入等價表中作為等價標記。
·否則給這個象素點分配新的標記并將這一標記輸入等價表。
3)如果需考慮更多的點則回到第2步。
4)在等價表的每一等價集中找到最低的標記。
5)掃描圖像，用等價表中的最低標記取代每一標記。
所述老人日常生活活動數(shù)據(jù)的獲取，由于以上的連通區(qū)域可以認為是人體活動后所產(chǎn)生的變化空間領(lǐng)域，連通區(qū)域的中心可以認為是人體的重心，因此可以通過這些信息來獲取老人日?；顒拥臅r間和空間的數(shù)據(jù)。本發(fā)明中將全方位視覺傳感器安裝在老人日常活動的主要場所，例如客廳，這樣系統(tǒng)就能夠監(jiān)測到老人的大部分日?；顒?。
如圖6、圖10所示，系統(tǒng)投入前有一個老人日常生活規(guī)律的學(xué)習(xí)階段，學(xué)習(xí)階段結(jié)束后系統(tǒng)投入監(jiān)護階段，所述老人日常生活規(guī)律的學(xué)習(xí)是在模塊日常生活時間和空間的數(shù)據(jù)獲取25中得到老人的活動數(shù)據(jù)，然后在學(xué)習(xí)結(jié)束的時刻根據(jù)上述得到的大量活動數(shù)據(jù)建立老人的日常生活活動模型，所述的日常生活活動模型是在模塊26中進行的；由于每個老人居住條件、起居生活習(xí)慣不盡相同，在初始階段通過自動學(xué)習(xí)老人日常生活的規(guī)律后得到老人日常生活活動模型接著就可以進行反常及異常判斷，如圖7、圖9所示全方位視覺傳感器安裝在能反映老人的活動中心的客廳情況，至少要學(xué)習(xí)以下3個老人日常生活的時空方面的信息1)學(xué)習(xí)老人在客廳里經(jīng)常出現(xiàn)日常生活行為的地方，例如習(xí)慣坐的椅子的位置，稱之為inactivity zones；2)學(xué)習(xí)客廳的所有出入口，例如通往臥室的門的位置，稱之為entry zones；3)學(xué)習(xí)老人某個時段通過某個entry zone離開監(jiān)護場所進入其他場所的活動的持續(xù)時間的規(guī)律性，例如老人在臥室里睡覺的持續(xù)時間的規(guī)律性。
所述的老人日常生活活動模型，裝置通過自學(xué)習(xí)的方法掌握了老人的日常生活的規(guī)律之后，通過該規(guī)律的總結(jié)可以歸納出老人日常生活活動模型，根據(jù)該模型與實際檢測出來的視頻信息進行比較就能判斷摔倒等異常情況。比如對于監(jiān)護場所內(nèi)的摔倒等異常情況，可以通過在所有已知inactivity zones的概率計算出老人摔倒等重大異常情況，如果概率低于閾值則判斷為摔倒或其他重大異常，這時候可以通過視頻圖像進行確認；對于視頻監(jiān)護場所之外的摔倒等重大異常，通過計算出在某一時間、某一方位(比如是某一個與客廳相通的出入的門)和某一持續(xù)時間等三個高斯分布的概率，然后將計算所得到的概率與高斯分布模型的參數(shù)進行比較，如果所計算得到的概率低于閾值則判斷為摔倒等異常，尤其當老人的在某一個空間內(nèi)某個時刻的不活動延續(xù)時間嚴重超過預(yù)測值時，說明極有可能是老人摔倒了之后無法行動，必須提供及時的護理和救助。
如圖7所示，對于某個老人的家庭，在監(jiān)護視覺的范圍內(nèi)由客廳以及進入臥室、廚房、衛(wèi)生間和外出的門組成，編號為1的門是房間的出入口，編號為2的門連接客廳的臥室，編號為3的門是進出廚房的門，編號為4的門是進出衛(wèi)生間的門。全方位視覺傳感器安裝在客廳中部，能采集老人在客廳里進行日常生活活動以及出入與客廳相連接空間的信息，并記錄活動的時間信息，建立相應(yīng)的空間和時間模型。
圖5為監(jiān)護系統(tǒng)的總體處理架構(gòu)，所建立的獨居老人室內(nèi)外活動模型具有個性化的自學(xué)習(xí)、自適應(yīng)等特點，同時該模型不僅能檢測到視頻監(jiān)護范圍內(nèi)的異常，而且能預(yù)測視頻監(jiān)護范圍以外(包括戶外)的可能發(fā)生的異常。裝置運行開始需要有一個學(xué)習(xí)階段，通過自學(xué)習(xí)方法得到每個獨居老人的、能反映其個性的日?；顒拥囊?guī)律；學(xué)習(xí)階段結(jié)束后進入監(jiān)護階段，由于老人的年齡增長以及季節(jié)的變化，要求系統(tǒng)能不斷地更新在學(xué)習(xí)階段所得到老人日常生活活動模型，使之具有自適應(yīng)的功能。
在圖像的學(xué)習(xí)和理解階段，裝置通過計算機視覺能跟蹤監(jiān)護老人，計算出老人的人體中心位置的運動軌跡，在某個監(jiān)護空間中的出現(xiàn)時刻以及停留時間，出現(xiàn)時刻以及停留時間可以通過計算機的系統(tǒng)時間來獲得，而老人在某個空間位置的信息要通過全方位視覺傳感器所獲得的視頻信息(上述計算所得的連通區(qū)域)來得到，該處理過程可以用圖5來描述。
所述的建模處理過程可以用數(shù)學(xué)方式來描述，老人的日常生活活動的空間和時間概率數(shù)據(jù)接近于正態(tài)分布，因此在本專利中使用高斯分布模型來描述某個老人日常生活的活動的空間和時間分布模型。由于獨居老人的規(guī)律可能隨著年齡的增長和季節(jié)的變化而緩慢改變，為了自適應(yīng)改變老人的日常生活時間和空間模型，在本發(fā)明中使用低通濾波方法來更新高斯分布模型的參數(shù)。
對于空間模型，本論文使用二維高斯分布模型 模型的更新使用公式(33)～(36)的數(shù)字低通濾波方法進行，μxnew＝(1-k1)μxold+k1(x-μxold)，(33)μynew＝(1-k2)μyold+k2(y-μyold)，(34)σxnew2=(1-k3)σxold2+k3(x-μxold)2,---(35)]]>σynew2=(1-k4)σyold2+k4(y-μyold)2,---(36)]]>其中，ki是學(xué)習(xí)速率，取值范圍是
。學(xué)習(xí)階段可以選擇大學(xué)習(xí)速率(0.8)，加快學(xué)習(xí)速度；監(jiān)護階段可以選擇小學(xué)習(xí)速率(0.01)，既能保持模型的穩(wěn)定性，又能捕捉模型的微小變化，具有自適應(yīng)的特點。
所述的視覺監(jiān)護范圍內(nèi)摔倒異常的檢測，是在圖10中活動事件處理模塊27以及異常判斷模塊29中進行的，在本發(fā)明中通過檢測老人進入某個監(jiān)護領(lǐng)域后又長時間的靜止在某個位置，即老人的重心位置x被判為inactivity point的時間超過閾值，那么系統(tǒng)計算下式
PS＝max{p(x|i，μi，∑i)，i＝1，...，n} (37)式中p(x|i，μi，∑i)是老人的重心位置x屬于編號為i的inactivity zone的高斯混合模型的概率，PS是位置x屬于某個inactivity zone的最大概率。
當PS值小于閾值時，就認為位置x不屬于任何已知的inactivity zones，即老人靜止在某一個位置上發(fā)生異常。為了進一步判定老人摔倒異常發(fā)生的可能性，進一步從檢測到的圖像上識別老人的姿態(tài)，計算老人處于橫躺的姿態(tài)的概率PT，可以通過基于隱馬爾可夫模型的人體姿態(tài)識別方法。最后使用式(38)計算摔倒異常發(fā)生的概率P＝K1×(1-PS)+K2×PT (38)其中K1、K2是權(quán)重，PS是老人長時間靜止在某個位置上的概率，PT是老人處于躺的姿態(tài)的概率。當P超過閾值時，系統(tǒng)判斷為發(fā)生老人摔倒異常，系統(tǒng)從用戶基本信息30中得到老人的家庭地址以及監(jiān)護人的聯(lián)系方式，并結(jié)合系統(tǒng)所判斷的異常類別組合通過報警模塊31發(fā)送給遠程監(jiān)護者，要求遠程監(jiān)護者通過視頻服務(wù)器查看老人的生活現(xiàn)場的圖像進一步確認老人的安康，以便采取即時性的、適合的援救。
所述的非視覺監(jiān)護范圍內(nèi)的摔倒異常的預(yù)測，預(yù)測判斷是在異常判斷處理模塊29中進行處理的；是通過視覺監(jiān)護范圍內(nèi)超過一定時間還未出現(xiàn)老人的情況時進行預(yù)測的，用一句比較通俗的語言表達，即檢測在該出現(xiàn)老人身影的卻沒有檢測到老人出現(xiàn)，在本發(fā)明中通過檢測老人在時刻t1通過編號為i的entry zone離開監(jiān)護視覺場所以及所經(jīng)過的時間來進行預(yù)測的，首先要從老人日常生活活動模型中檢索出對應(yīng)活動持續(xù)時間模型的本次活動持續(xù)時間的預(yù)測值μi，然后系統(tǒng)實時的計算下列表達式PE＝t-t1-μi (39)PC＝p(t-t1|i，μi，σi) (40)其中t是當前系統(tǒng)時間，t-t1為離開監(jiān)護視覺場所的持續(xù)時間，因此PE是實際離開監(jiān)護視覺場所的持續(xù)時間與預(yù)測持續(xù)時間值的差值；PC是實際活動時間屬于活動持續(xù)時間的高斯模型的概率，即實際離開監(jiān)護視覺場所持續(xù)時間的概率。
當前時間t，老人在非監(jiān)護視覺場所摔倒的概率為P＝K1×PE+K2×(1-PC) (41)其中K1、K2是權(quán)重。當P超過閾值時，系統(tǒng)就自動向遠程監(jiān)護者發(fā)送老人可能發(fā)生異常信息，要求遠程監(jiān)護者及時確認老人安康信息；隨著P值的增大，老人發(fā)生異常危險的可能性也隨著增大，這時要求遠程監(jiān)護者通過各種手段確認老人的安康，以便采取即時性的、適合的援救。從式(39)～(41)可以看出，老人在監(jiān)護視覺場所以外發(fā)生異常危險是以老人平時在某個時間中離開監(jiān)護視覺場所的經(jīng)過時間的概率分布值為判斷依據(jù)，檢查這次離開監(jiān)護視覺場所經(jīng)歷的時間是否超出預(yù)測閾值。
通過全方位視覺圖像捕捉老人生活規(guī)律的在時間空間上的變化能發(fā)現(xiàn)和預(yù)測老人生活的反常及異常，在發(fā)明中所建立老人室內(nèi)外活動模型不僅能識別視頻監(jiān)護范圍內(nèi)的異常，而且能預(yù)測視頻監(jiān)護范圍以外(包括戶外)的可能發(fā)生的異常，為獨居老人遠程監(jiān)護提供一種新的方法，對提高獨居老人的生活品質(zhì)有著積極意義，具有較大的實施價值和社會經(jīng)濟效益。
權(quán)利要求
1.一種基于全方位計算機視覺的獨居老人家庭安保裝置，其特征在于所述的獨居老人家庭安保裝置包括微處理器、用于監(jiān)護老人安康情況的全方位視覺傳感器，所述的全方位視覺傳感器與微處理器連接，所述的全方位視覺傳感器包括用以反射監(jiān)控領(lǐng)域中物體的外凸折反射鏡面、用以防止光折射和光飽和的黑色圓錐體、透明圓柱體、攝像頭，所述的外凸折反射鏡面位于透明圓柱體的上方，外凸折反射鏡面朝下，黑色圓錐體固定在折反射鏡面外凸部的中心，攝像頭對著外凸反射鏡面朝上，所述的攝像頭位于外凸反射鏡面的虛焦點位置；所述的微處理器還包括圖像數(shù)據(jù)讀取模塊，用于讀取從全方位視覺傳感器傳過來的視頻圖像信息；圖像數(shù)據(jù)文件存儲模塊，用于將讀取的視頻圖像信息通過文件方式保存在存儲單元中；全方位視覺傳感器標定模塊，用于對全方位視覺傳感器的參數(shù)進行標定，建立空間的實物圖像與所獲得的視頻圖像的對應(yīng)關(guān)系；圖像展開處理模塊，用于將讀取的圓形視頻圖像展開為全景柱狀圖；運動對象檢測模塊，用于將所獲得的當前幀現(xiàn)場視頻圖像與一個相對比較穩(wěn)定的基準參考圖像進行差值運算，圖像相減的計算公式如式(28)表示fd(X，t0，ti)＝f(X，ti)-f(X，t0)(28)上式中，fd(X，t0，ti)是實時拍攝到圖像與基準參考圖像間進行圖像相減的結(jié)果；f(X，ti)是實時拍攝到圖像；f(X，t0)是基準參考圖像；并將當前圖像中與相鄰K幀的圖像相減計算公式如(29)所示fd(X，ti-k，ti)＝f(X，ti)-f(X，ti-k)(29)上式中，fd(X，ti-k，ti)是實時拍攝到圖像與相鄰K幀圖像間進行圖像相減的結(jié)果；f(X，ti-k)是相鄰K幀時的圖像；如fd(X，t0，ti)≥閾值、fd(X，ti-k，ti)≥閾值成立時，判定為運動對象；如fd(X，t0，ti)≥閾值、fd(X，ti-k，ti)＜閾值，判定靜止對象，并用式(30)來更新替換基準參考圖像f(X,t0)⇐f(X,ti-k)---(30)]]>如fd(X，t0，ti)＜閾值，判定為靜止對象；連通區(qū)域計算模塊，用于對當前圖像進行標記，像素灰度為0的小區(qū)表示此小區(qū)內(nèi)無老人活動，像素灰度為1則表示此小區(qū)有老人活動，計算當前圖像中的像素是否與當前像素周圍相鄰的某一個點的像素相等，如灰度相等判斷為具有連通性，將所有具有連通性的像素作為一個連通區(qū)域；然后再根據(jù)所求得的連通區(qū)域來計算其面積和重心；老人的重心通過計算所得到的連通區(qū)域面積Si以及該連通區(qū)域的X、Y軸方向的累積像素值計算得到，計算公式由式(42)計算得到，Xcg(i)=Σx,y∈SixSi;Ycg(i)=Σx,y∈SiySi---(42);]]>老人日常生活活動數(shù)據(jù)的獲取模塊，用于根據(jù)老人在監(jiān)護視覺范圍內(nèi)活動的開始時間、延續(xù)時間和所處的空間位置，得到老人日常生活活動的規(guī)律；老人日常生活活動模型模塊，用于通過自學(xué)習(xí)的方法掌握了老人的日常生活的規(guī)律之后，通過該規(guī)律的總結(jié)可以歸納出老人日常生活活動模型，采用二維高斯分布模型來描述某個老人日常生活的活動的空間和時間分布模型 式(32)中σx表示連通區(qū)域的亮度值在x軸上的數(shù)學(xué)方差，σy表示連通區(qū)域的亮度值在y軸上的數(shù)學(xué)方差，μx表示連通區(qū)域的亮度值在x軸上的數(shù)學(xué)期望平均值，μy表示連通區(qū)域的亮度值在y軸上的數(shù)學(xué)期望平均值；模型的更新使用公式(33)～(36)的數(shù)字低通濾波方法進行，μxnew＝(1-k1)μxold+k1(x-μxold)， (33)μynew＝(1-k2)μyold+k2(y-μyold)， (34)σxnew2=(1-k3)σxold2+k3(x-μxold)2,---(35)]]>σynew2=(1-k4)σyold2+k4(y-μyold)2,---(36)]]>其中，ki是學(xué)習(xí)速率，取值范圍是
，學(xué)習(xí)階段可以選擇大學(xué)習(xí)速率(0.8)，加快學(xué)習(xí)速度；監(jiān)護階段可以選擇小學(xué)習(xí)速率(0.01)；視覺監(jiān)護范圍內(nèi)摔倒異常的檢測模塊，用于通過檢測老人進入某個監(jiān)護領(lǐng)域后又長時間的靜止在某個位置并超過老人日常生活活動模型模塊中所規(guī)定的閾值來進行檢測判斷的，檢測老人的重心位置x被判為inactivity point的時間超過閾值，那么系統(tǒng)計算下式PS＝max{p(x|i，μi，∑i)，i＝1，...，n}(37)式中p(x|i，μi，∑i)是老人的重心位置x屬于編號為i的inactivity zone的高斯混合模型的概率，PS是位置x屬于某個inactivity zone的最大概率；當PS值小于閾值時，判定位置x不屬于任何已知的inactivity zones，即老人靜止在某一個位置上發(fā)生異常；進一步從檢測到的圖像上識別老人的姿態(tài)，計算老人處于橫躺的姿態(tài)的概率PT，通過基于隱馬爾可夫模型的人體姿態(tài)識別方法，最后使用式(38)計算摔倒異常發(fā)生的概率P＝K1×(1-PS)+K2×PT (38)其中K1、K2是權(quán)重，PS是老人長時間靜止在某個位置上的概率，PT是老人處于躺的姿態(tài)的概率，當P超過閾值時，判定老人發(fā)生摔倒異常；非視覺監(jiān)護范圍內(nèi)的摔倒異常的預(yù)測模塊，用于通過視覺監(jiān)護范圍內(nèi)超過一定時間閾值還未出現(xiàn)老人的情況時進行預(yù)測的，通過檢測老人在時刻t1離開監(jiān)護視覺場所以及所經(jīng)過的時間來進行預(yù)測的，首先要從老人日常生活活動模型中檢索出對應(yīng)活動持續(xù)時間模型的本次活動持續(xù)時間的預(yù)測值μi，然后系統(tǒng)實時的計算下列表達式PE＝t-t1-μi (39)PC＝p(t-t1|i，μi，σi)(40)其中，t是當前系統(tǒng)時間，t-t1為離開監(jiān)護視覺場所的持續(xù)時間，PE是實際離開監(jiān)護視覺場所的持續(xù)時間與預(yù)測持續(xù)時間值的差值；PC是實際活動時間屬于活動持續(xù)時間的高斯模型的概率，即實際離開監(jiān)護視覺場所持續(xù)時間的概率；當前時間t，老人在非監(jiān)護視覺場所摔倒的概率為P＝K1×PE+K2×(1-PC) (41)其中K1、K2是權(quán)重，當P超過閾值時，判定老人可能發(fā)生異常；異常告警模塊，用于在判定老人可能發(fā)生異常后，通過通信模塊通知救護人員。
2.如權(quán)利要求1所述的基于全方位計算機視覺的獨居老人家庭安保裝置，其特征在于所述的折反射鏡面為了達到在監(jiān)護水平方向上無形變，用以下方法來進行設(shè)計水平方向上無形變要求場景物點的水平坐標與相應(yīng)像點的坐標成線性關(guān)系；d(ρ)＝αρ (1)式(1)中ρ是與反射鏡的面形中心點的距離，α為成像系統(tǒng)的放大率；設(shè)反射鏡在M點的法線與Z軸的夾角為γ，入射光線與Z軸的夾角為Φ，反射光線與Z軸的夾角為θ；則tg(x)=d(x)-xz(x)-h---(2)]]>tgγ=dz(x)dx---(3)]]>tg(2γ)=2dz(x)dx1-d2z(x)dx2---(4)]]> 由反射定律2γ＝φ-θ (6)∴tg(2γ)=tg(φ-θ)=tgφ-tgθ1+tgφtgθ]]>由式(2)、(4)、(5)和(6)得到微分方程(7)d2z(x)dx2+2kdz(x)dx-1=0---(7)]]>式中；k=z(x)[z(x)-h]+x[d(x)-x]z(x)[d(x)-x]+x[z(x)-h]---(8)]]>由式(7)得到微分方程(9)dz(x)dx+k-k2+1=0---(9)]]>由式(1)、(5)得到式(10)d(x)=afxz(x)---(10)]]>由式(8)、(9)、(10)和初始條件，解微分方程可以得到反射鏡面形的數(shù)字解。折反射全景系統(tǒng)設(shè)計時根據(jù)應(yīng)用要求選擇合適的攝像頭，標定出Rmin，透鏡的焦距f確定反射鏡離攝像頭的距離Ho，由(1)式計算出反射鏡的口徑Do；系統(tǒng)參數(shù)的確定根據(jù)應(yīng)用所要求的高度方向的視場確定系統(tǒng)參數(shù)af，由式(1)、(2)和(5)得到式(11)，這里作了一些簡化，將z(x)≈z0，主要考慮對于鏡面的高度變化相對于鏡面與攝像頭的位置變化比較??；tgφ=(af-z0)ρfz0-h---(11)]]>在像平面以像中心點為圓心的最大圓周處ρ=Rmin→ωmax=Rminf]]>對應(yīng)的視場為фmax，則可以得到式(12)；ρf=(z0-h)tgφmaxωmax+z0---(12).]]>
3.如權(quán)利要求1或2所述的基于全方位計算機視覺的獨居老人家庭安保裝置，其特征在于所述的微處理器還包括背景維護模塊，所述的背景維護模塊包括背景亮度計算單元，用于計算平均背景亮度Yb計算公式如式(25)所示Y‾b=Σx=0W-1Σy=0H-1Yn(x,y)(1-Mn(x,y))Σx=0W-1Σy=0H-1(1-Mn(x,y))---(25)]]>式(25)中，Yn(x，y)為當前幀各像素的亮度，Mn(x，y)為當前幀的掩模表，所述的掩模表是用一個與視頻幀尺寸相同的數(shù)組M來記錄各像素點是否有運動變化，參見式(27) Yb0為判定為運動對象時前一幀的背景亮度，Yb1為判定為運動對象時第一幀的背景亮度，兩幀平均亮度的變化為ΔY＝Y(jié)b1-Yb0(26)如果ΔY大于上限值，則認為發(fā)生了開燈事件；如果ΔY小于某個下限值，則認為發(fā)生了關(guān)燈事件；如ΔY介于上限值和下限值之間，則認為光線自然變化；背景自適應(yīng)單元，用于當光線自然變化時，按照下式(22)進行自適應(yīng)學(xué)習(xí)Xmix，bn+1(i)＝(1-λ)Xmix，bn(i)+λXmix，cn(i)(22)式中Xmix，cn(i)為當前幀RGB向量，Xmix，bn(i)為當前幀背景RGB向量，Xmix，bn+1(i)為下一幀背景預(yù)測RGB向量，λ為背景更新的速度；λ＝0，使用固定不變的背景(初始背景)；λ＝1，使用當前幀作為背景；0＜λ＜1，背景由前一時刻的背景與當前幀混合而成；當光線由開關(guān)燈引起的，背景像素按照當前幀重置，參見式(23)Xmix，bn+1(i)＝Xmix，cn(i)(23)。
4.如權(quán)利要求3所述的基于全方位計算機視覺的中央空調(diào)節(jié)能控制裝置，其特征在于所述的微處理器還包括噪聲剔除模塊，用于將每一個像素值用其局部鄰域內(nèi)所有值的均值置換，如公式(16)所示h[i，j]＝(1/M)∑f[k，1] (32)上式(32)中，M是鄰域內(nèi)的像素點總數(shù)。
5.如權(quán)利要求4所述的基于全方位計算機視覺的中央空調(diào)節(jié)能控制裝置，其特征在于所述的圖像展開處理模塊，用于根據(jù)圓形全方位圖像上的一個點(x*，y*)和矩形柱狀全景圖上的一個點(x**，y**)的對應(yīng)關(guān)系，建立(x*，y*)與(x**，y**)的映射矩陣，式(21)所示P**(x**，y**)←M×P*(x*，y*) (21)上式中，M是映射矩陣，P*(x*，y*)是圓形全方位圖像上的像素矩陣，P**(x**，y**)是矩形柱狀全景圖上的像素矩陣。
6.如權(quán)利要求5所述的基于全方位計算機視覺的中央空調(diào)節(jié)能控制裝置，其特征在于所述的微處理器還包括網(wǎng)絡(luò)傳輸模塊，用于將所獲得的現(xiàn)場視頻圖像以視頻流的方式通過網(wǎng)絡(luò)播放出去，以便用戶能通過各種網(wǎng)絡(luò)實時地掌握現(xiàn)場情況；實時播放模塊，用于將所獲得的現(xiàn)場視頻圖像通過該模塊播放到顯示設(shè)備。
7.如權(quán)利要求6所述的基于全方位計算機視覺的獨居老人家庭安保裝置，其特征在于所述的全方位視覺傳感器安裝在能監(jiān)護到老人日常活動的主要活動場所的中間區(qū)域。
全文摘要
一種基于全方位計算機視覺的獨居老人家庭安保裝置，包括微處理器、用于監(jiān)護老人安康情況的全方位視覺傳感器，全方位視覺傳感器與微處理器連接，采集老人在主要場所中的空間位置視頻信息以及該事件所對應(yīng)的時間信息采用機器視覺的手段來建立獨居老人室內(nèi)外活動模型，由于每個老人的居住環(huán)境以及起居的生活習(xí)慣不盡相同，要求模型能自適應(yīng)地學(xué)習(xí)老人日?；顒右?guī)律，通過捕捉生活規(guī)律的在時間空間上的變化能發(fā)現(xiàn)和預(yù)測老人生活的反常及異常，所建立老人室內(nèi)外活動模型不僅能識別視頻監(jiān)護范圍內(nèi)的異常，而且能預(yù)測視頻監(jiān)護范圍以外(包括戶外)的可能發(fā)生的異常。本發(fā)明能夠在關(guān)鍵時候使獨居老人能得到即時性的、適合的援救或者服務(wù)。
文檔編號H04N7/18GK1874497SQ200610051729
公開日2006年12月6日 申請日期2006年5月30日 優(yōu)先權(quán)日2006年5月30日
發(fā)明者湯一平, 金順敬, 顧小凱, 葉永杰 申請人:浙江工業(yè)大學(xué)