萬 航，陳立潮，潘理虎，謝斌紅，張英俊

（太原科技大學計算機學院，太原 030024）

當今社會已進入老齡化社會，加上現(xiàn)在老年人人口數(shù)量眾多并且獨居老人也很多，老年人跌倒發(fā)生率高、后果嚴重，已經(jīng)成為一個嚴重的醫(yī)療問題和社會問題。通過科學有效的手段來預測及檢測老年人跌倒，從而減小老年人跌倒帶來的傷害問題已成為國內外新的研究熱點，具有較高的研究價值及應用意義。第一時間能夠發(fā)現(xiàn)老年人跌倒并且救護能夠減小跌倒事故對老年人傷害。利用跌倒行為的一些特征，與日常的一些普通行為進行區(qū)分。然而國內外目前對老年人跌倒行為過程的研究尚無針對性的模型，對于不同跌倒過程與相似運動狀態(tài)識別的誤判問題比較突出，尤其是對跌倒沖擊狀態(tài)前的預測問題研究尚起步不久，還有許多關鍵問題尚未解決。

目前對于跌倒檢測有兩個方向，一個是利用傳感器的檢測方法，另一個是基于視頻圖像的檢測方法。當前利用傳感器的檢測算法有任子良，李勇提出基于二次判斷的無線多傳感器跌倒監(jiān)測系統(tǒng)［1］，李冬等提出了基于三維加速度傳感器的跌倒檢測系統(tǒng)［2］，石欣等提出了基于壓力傳感器的跌倒檢測系統(tǒng)研究［3］。當前視頻圖像的檢測算法有楊帆等提出的基于頭部運動軌跡以及3D視覺的檢測系統(tǒng)以及WANN-YUN SHEIH等提出的邊緣替換識別算法［4］。由于傳感器技術的不斷改進傳感器正變得越來越小、重量輕、攜帶方便。因此，這些檢測跌倒行為的傳感器不受限制。然而使用這些傳感器最大的問題是噪音的干預。正常的活動如坐著，站著或者躺下會產(chǎn)生非常類似于跌倒事故的模稜兩可的信號。此外，如果一位長者失去意識，我們不能分辨是否有跌倒事故或只是躺下。由于在跌倒過程中人體的重心變化很明顯，所以提出基于重心變化識別方法，該方法將從視頻中的圖像進行以下幾步處理，包括目標提取、圖像處理、跌倒模式識別。

1 目標提取

使用三幀幀間差分法從一段視頻圖像中提取一個人輪廓，三幀間差分法是一種通過對視頻圖像序列中相鄰兩幀作差分運算來獲得運動目標輪廓的方法，當監(jiān)控場景中出現(xiàn)異常物體運動時，幀與幀之間會出現(xiàn)較為明顯的差別，兩幀相減，得到兩幀圖像亮度差的絕對值，而采用三幀幀間差分法能夠更好的提取出目標輪廓。為了后續(xù)的圖像處理，將得到的差分圖像進行二值化處理。因此我們設定了一個閾值，并將在此像素值以上的是白色的， 所有其他像素為黑如圖1。

圖1 三幀差法Fig.1 Three difference methods

圖2 膨脹腐蝕處理Fig.2 Erosion and dilation

圖3 邊緣檢測Fig.3 Edge detection

2 圖像處理

2.1 去噪

邊緣檢測之前需要一個更高階降噪處理，在邊界附近濾出一些“鹽和胡椒粉噪聲”。一種有效處理這樣的噪聲的方法就是使用中值濾波，中值濾波是基于排序統(tǒng)計理論的一種能有效抑制噪聲的非線性信號處理技術，中值濾波的基本原理是把數(shù)字圖像或數(shù)字序列中一點的值改用該點的一個鄰域中各點值的中值代替，讓周圍的像素值接近的真實值，從而消除孤立的噪聲點。方法是去某種結構的二維滑動模板，將板內像素按照像素值的大小進行排序，生成單調上升（或下降）的為二維數(shù)據(jù)序列。二維中值濾波輸出為 g（x，y）=med{f（x-k，y-l），（k，l∈W）}，其中，f（x，y），g（x，y）分別為原始圖像和處理后圖像。使用中值濾波能保持清晰邊緣用以防止提取輪廓形狀不明顯，例如腳或手在提取后模糊不清。

2.2 膨脹腐蝕

圖像有許多小洞在物體的周圍，我們需要一個填補功能來填這些小洞。一個典型的關閉功能包括兩個形態(tài)學操作，被稱為膨脹腐蝕，可擴大和收縮物體大小，為了平滑對象的外部。物體的膨脹會導致規(guī)模的擴大，因為它會在一個3×3視窗大小內每個像素值與最大值像素進行交換。另一方面，侵蝕執(zhí)行同樣的方式，除了它將會引起物體減少，因為每個像素值是在一個3×3視窗大小內每個像素值與最大值像素進行交換。從理論上講，一個洞或者一個坑道可以經(jīng)過一系列的膨脹侵蝕操作后會被處理完整。

令f（x，y）代表輸入圖像，B（x，y）代表結構元素，Df和DB分別是函數(shù)f和B的定義域。灰度腐蝕的定義為:

灰度膨脹的定義為:

灰度開運算是用結構元素B對灰度圖像先進行腐蝕操作然后進行膨脹操作，即:

灰度閉運算是用結構元素B對灰度圖像先進行膨脹操作然后進行腐蝕操作，即:

對圖1做一次腐蝕，緊隨其后的是做一次膨脹，圖像就獲得一個外部輪廓對象如圖2.

2.3 邊緣檢測

從外部輪廓圖像進行邊緣檢測。Canny算子的目標是找到一個最優(yōu)的邊緣檢測，最優(yōu)邊緣檢測的含義包括盡可能多地標識出圖像中的實際邊緣，漏檢真實邊緣的概率和誤檢非邊緣的概率都盡可能小；檢測到的邊緣點的位置距離實際邊緣點的位置最近，或者是由于噪聲影響引起檢測出的邊緣偏離物體的真實邊緣的程度最??；算子檢測的邊緣點與實際邊緣點應該是一一對應。因此Canny使用了變分法和四個指數(shù)函數(shù)項表示，經(jīng)過Canny邊緣檢測算法處理后如圖3.

2.4 重心計算

圖4 各種姿態(tài)輪廓圖Fig.4 The outline of various acts

在提取出視頻中的人物的外部輪廓后，利用外部輪廓的每個像素點的坐標值就可以計算該外部的重心。

求重心:

（1）設定輪廓線為 L，設在 L上的點為Pi（x，y），由于輪廓內部的的灰度值一樣，可以看作等密度的，在L上取一點P0（x，y），然后沿著L取另外一點Pi（x，y），兩點連線與輪廓所圍成的面積為S1（根據(jù)所包圍的像素點的個數(shù)），S為整個輪廓的面積（整個輪廓所包圍的的像素個數(shù)）根據(jù)上述式子求得n，這樣就可以得到線段P0Pn，可以求得線段所在直線L1表達式。

（2）再取一點（異與X0和Xn），同樣方法再求線段P'0P'n所在直線L2表達式

重心的變化會有幾種情況:

（1）彎腰趴下或坐下如圖4中1和2情況。

（2）正常的通過圖4中3情況。

（3）跌倒如圖4中4情況。

提取連續(xù)幾幀圖像的輪廓后得到重心值，根據(jù)重心變化位移，以及時間公式（6）就可以得到加速度的值。

a為加速度，在t1時間內的重心變化值為s1，在t2時間內的重心變化值為s2.

3 實驗結果

本文跌倒識別算法將人體在不同情況下的重心位置作為檢測特征，通過讀取大量圖片將人在彎腰，坐下，行走以及躺下時的重心作為統(tǒng)計樣本，通過統(tǒng)計重心坐標樣本，人在正常行走的時候重心最高，這種屬于正常情況也最好判斷，人在彎腰以及坐下時重心與跌倒時重心有重疊的部分，容易產(chǎn)生識別錯誤，人在跌倒時重心特別低，能夠準確判斷。根據(jù)采樣統(tǒng)計結果如表1:

表1 采樣統(tǒng)計結果Tab.1 The statistical results of sampling

通過以上的統(tǒng)計分析，將識別的重心值M設定為 M=18，25，28，30 來識別判斷不判斷。

圖5 行走過程中加速度變化Fig.5 The acceleration change of walking

圖6 蹲下過程中加速度變化Fig.6 The acceleration change of squatting

為了實現(xiàn)對識別效果的評估定義了以下的式子:

圖7 坐下過程中加速度變化Fig.7 The acceleration change of sitting

表2 跌到檢測實驗結果Tab.2 The detect experimental results of fall

x1代表彎腰或者蹲下是檢測為正常的次數(shù)，x2代表彎腰或者蹲下是檢測為跌倒的次數(shù)，x3代表正常行走檢測為正常的次數(shù)，x4代表正常情行走檢測為跌倒的情況，x5代表是跌倒時檢測的次數(shù)，x6代表跌倒發(fā)生是未被檢測出來的次數(shù)，M為設定的跌倒時重心值。

由于帶有傳感器的跌倒檢測系統(tǒng)具有噪聲干擾，基于壓力傳感器的跌到識別系統(tǒng)其識別率在85% 左右，所以視頻圖像的檢測結果有大幅度提高。

通過以上的數(shù)據(jù)可以看到，當人正常行走時檢驗識別率為100%，這就說明在正常行走通過視頻監(jiān)控該算法能夠完全識別是不會出現(xiàn)誤判，而其它情況會出現(xiàn)誤判。但當M變化時候就會出現(xiàn)識別的變化，這是由于蹲下和彎腰時重心與跌倒時有重疊部分，所以在識別時候會出現(xiàn)誤差，當M設置過小時將會出現(xiàn)跌倒時未被檢測出來，會當成其他的行為，當設置過大時會將部分正常行為識別為跌倒，就會出現(xiàn)誤判。對于這一分類細化還有進一步提高的空間。

4 結論

本文基于三幀法和重心相結合，提出一種對老年人跌倒判斷的新方法，利用三幀差法提取視頻中的目標圖像輪廓，然后重心，利用重心的位置，加速度變化來判斷老年人的行為，通過對臨界狀態(tài)數(shù)據(jù)進行判斷該算法總的誤判率降至更低。同時，也進一步提高了跌倒識別的抗干擾能力。實驗結果表明該算法對老年人跌倒的識別率較高，對其他生活時間的誤判率也相對較低。因此該算法有較高的魯棒性和準確性適合在老年人跌倒識別中加以應用。

［1］任子良，李勇.基于二次判斷的無線多傳感器跌倒監(jiān)測系統(tǒng)［J］.計算機工程與設計，2012，33（5）:1785-1789.

［2］李冬，梁山.基于加速度傳感器的老年人跌倒檢測裝置設計［J］.傳感器與微系統(tǒng)，2008，27（9）:85-88.

［3］石欣，熊慶宇，雷璐寧.基于壓力傳感器的跌倒檢測系統(tǒng)研究［J］.儀器儀表學報，2010，31（2）:66-70.

［4］SHIEH WANN-YUN，HUANG JU-CHIN.Falling-incident detection and throughput enhancement in a multi-camera video-surveillance system ［J］.ACM Transactions on Intelligent Systems and Technology，2011，2（3）:27-33.

［5］BERTOZZIM，BROGGI A，DEL ROSE M，et al.A pedestrian and Detector using histograms of oriented Gradients and a support vector machine classifier［C］//Proc of the IEEE Intelligent Transportation Systems Conference，2007:143-148.

［6］KIM S E，HAN J K，KIM J G.An efficient scheme for motion estimation using multi reference frame sin H.264/AVC［J］.IEEE Trans on Multimedia，2006，8（3）:457-466.

［7］孫新香.基于三軸加速度傳感器的跌倒檢測技術研究與應用［D］.上海:上海交通大學，2009.

［8］宗文杰，余青松，張敏，等.基于GIS的視頻監(jiān)控系統(tǒng)研究［J］.計算機工程與設計，2011，32（2）:745-748.