一种基于深度图像的跌倒行为实时检测方法
【技术领域】
[0001] 本发明属于数字图像识别技术领域，更具体地，设及一种基于深度图像的跌倒行 为实时检测方法。
【背景技术】
[0002] 随着社会人口老龄化严重，老年人看护逐渐成为一个热点问题，而跌倒检测作为 老年人看护的一个重要问题也逐渐被人们所关注。按照监测设备与选用特征的不同，目前 的跌倒检测系统主要分为Ξ大类别：基于环境监控的跌倒检测系统、基于穿戴设备的跌倒 检测系统和基于视频图像的跌倒检测系统。
[0003] 环境监控式系统对日常活动影响较小，但是传感器较多，成本较高；穿戴式设备的 检测系统适用性广，计算量小，但需要用户时刻穿戴，长时间穿戴会对人体活动造成不适； 视频监测系统具有精确度高，成本低的优点；目前基于视频图像的跌倒检测系统，是根据彩 色图像进行检测，易受光照影响，全天候监控效果差，隐私保护性差；近几年逐渐出现基于 深度图像的跌倒检测，深度图像可W有效解决易受光照影响的问题，但是目前的方法未能 达到实时性要求。
【发明内容】
[0004] 针对现有技术的W上缺陷或改进需求，本发明提供了一种基于深度图像的跌倒行 为实时检测方法，其目的在于通过对深度图像里人体部位解析，根据关节点的高度特征向 量识别出跌倒行为，解决现有跌倒检测系统易受光照影响、隐私保护性和实时性差的问题。
[0005] 为实现上述目的，按照本发明的一个方面，提供了一种基于深度图像的跌倒行为 实时检测方法，包括W下步骤：
[0006] (1)深度图像获取；通过深度传感器获取室内场景的深度图像；深度图像具有光 照不变性，可全天候进行检测；且在深度图像中不能辨别个体身份，可有效保护隐私；
[0007] 似人体图像识别：对比前、后帖的深度图像，根据深度变化程度值找出深度变化 明显的像素点，根据相邻相似原则获取属于人体的像素点；所有运些属于人体的像素点构 成一个连通区域，即为识别出的人体图像；
[0008] (3)深度差分特征提取：提取人体图像中各像素点的八邻域差分特征，获取多 维特征向量；根据像素点深度与该像素点的偏移位置深度获取像素点的深度差分特征
[0009] 其中，d(s)是图像在像素S点处的深度，V表示偏移向量，^是对偏移向量进行 ?".ν) 深度不变性处理，
是像素S点的偏移位置深度；
[0010] 其中，八邻域差分特征是指分别向八个方向取八个像素点与样本点做差；每次做 差选取不同偏移向量V，偏置向量V等差变化变换N次，构成NX8维特征向量；
[0011] (4)人体部位解析；根据步骤（3)获取的深度差分特征，对人体部位进行解析；
[0012] 在部位解析前，构建人体模型，将人体分为头部和躯干两个类别；粗略分为两个部 位而并不进一步细化为手臂、头部、胸部、腿部等更加具体的部位，可降低计算量，保证实时 性；
[0013] 采用随进森林分类器进行人体部位解析，判断出各像素所属的类别，即完成人体 部位的解析；选择此分类器的原因在于：一方面它具有特征选择功能，自动选择分类效果 最好的特征维度；另一方面，由于该分类器是多棵树并行预测，可W极大的提升分类速度， 提高实时性；
[0014] 妨关节点提取：通过均值漂移算法确定头部与躯干的关节点位置；其中，关节点 位置是某个部位像素密度最大的位置；其中，均值漂移算法是一种基于密度梯度上升的非 参数方法，通过迭代运算找到目标位置；
[0015] (6)高度特征提取：获取到头部的关节点与躯干的关节点位置后，选取连续多帖 头部关节点与地面的距离构成高度特征向量；高度特征是连续多帖的高度值组成的多维向 量；
[0016] (7)跌倒检测：利用高度特征的训练样本离线训练跌倒分类器；采用训练好的跌 倒分类器对上述高度特征向量进行分类检测，获取跌倒检测结果。
[0017] 优选地，步骤（2)中的人体图像识别，具体包括如下子步骤；
[001引 （2. 1)对深度图像进行中值滤波，消除未检测到深度的空桐点；
[001引 （2.。根据相邻帖里同一位置深度变化程度ki，筛选出深度值明显变化的运动像 素点；
[0020] 其中，相邻帖同一位置深度变化程度
；di(s)表示某一帖某位 置像素点的深度，d2(s)表示其相邻帖同一位置像素点的深度；将ki> 0. 5的点判定为深度 值变化明显的点，属于人体运动的像素点；
[0021] (2. 3)在所述人体运动的像素点的邻域范围内，根据同一帖不同位置深度变化程 度k2获取属于人体的像素点；
[002引其中，同一帖不同位置深度变化程度
满中，d(Si)，d(S2)表 示同一帖不同像素Si，S2的深度；将k 2<0. 1的像素点判定为属于人体的像素点；
[002引 （2. 4)重复步骤化3)，直至筛选出所述邻域范围全部满足符合k2< 0. 1的像素 点；由筛选出来的相邻相似的像素点构成的连通区域，即为识别出的人体区域；
[0024]在初始确定人体图像后，对于后续进入的每一帖新的深度图，首先将其与其前一 帖比较，若存在运动像素，则重复人体图像识别步骤；若不存在运动像素，则表明人体未运 动，继续保留之前识别出的人体图像部分。
[00巧]优选地，步骤（4)的人体部位解析包括如下子步骤：
[0026] (4. 1)对分类器进行训练，获得具体的分类模型：获取至少1000张已经计算深度 差分特征I的深度图像，将其中的人体头部与躯干部位进行标记，获得每个像素点的所属 类别C;结合该样本点的深度特征I，构成该点的样本信息爆，句；将大量训练样本信息集合9=?侣，L·)}作为输入，训练随机森林，得到分类器模型；其中，随机森林是指包含多个决策 树的分类器，其输出的类别是由个别树输出的类别的众数而定；
[0027] 步骤（4. 1)是离线步骤；在开始跌倒检测之前完成获取深度差分特征的训练样本 和训练随机森林的步骤；可有效提高跌倒行为检测的实时性；
[0028] (4. 2)采用训练完成的随机森林分类器进行人体部位的解析：输入各像素点的深 度差分特征，对随机森林分类器中的每一棵树进行分类判断，每一棵树得到像素S所属类 别的概率分布Pi(CIS)，即像素S的最终类别概率分布：
[0029]
[0030] 其中，N表示随机森林中决策树的数目，Pi(CIS)表示一棵决策树中像素S的所属 类别概率分布；获取到像素S的所属类别概率分布后，选取概率值最大的类别作为像素S的 类别；判断出像素所属类别，即完成人体部位的解析。
[0031] 优选地，步骤巧）中提取步关节点的步骤包括如下子步骤：
[0032] (5. 1)初始化中屯、像素点：将属于某部位的所有像素点的横坐标相加取平均作为 中屯、像素点玄的横坐标，纵坐标相加取平均作为中屯、像素点J的纵坐标，获得中屯、像素点r 的位置iS
[003引 （5. 2)获取中屯、像素点r的偏移量.
进入步骤（5. 3);
[0034] 其中！是中屯、像素点在世界坐标系中的坐标，N是图像中人体部分的像素数量，Wi。 是像素权重，.t.是本类别像素点在世界坐标系中的坐标，b。是身体部位的宽度；系数Wi。如 下：
[0035]
[003引其中，P(c|si)表示在像素上所属身体部位类的概率分布；d(Si)2为像素点深度的 平方，与该像素点在世界坐标系中的表面积具有正相关的关系，即一个像素点深度越大，贝U 在世界坐标系中所占的面积越大.
[0037] (5.如确定关节点位置：根据中屯、像素点的偏移量乂(巧，移动中屯、像素点，确定其 新位置；进入步骤巧.2)，再次获取偏移量，不断迭代，直至偏移量/f(句为0 ;偏移量为0的 点的坐标即为该部位的关节点坐标T。
[0038] 优选地，步骤（6)提取高度特征步骤，包