行深度 归一化W后，偏移向量会根据深度值进行自动调整；
[0090] 本实施例所提取特征为八邻域差分特征，如图5,即分别向八个方向取八个像素点 与样本点做差值，选取不同偏移向量V;偏置向量V等差变化变换64次，构成64X8 = 512 维特征向量，即客二(谷P&，...各俱12);
[0091] 采用该深度差分特征可W覆盖全图，尽可能全面的提取每个特征点的有效信息， 同时保证跌倒检测的实时性要求；
[0092] (4)人体部位解析：提取人体图像每个像素点的深度差分特征后，根据运些深度 差分特征，对人体部位进行解析；
[009引 （4. 1)构建人体模型，将人体分为头部和躯干两个部位类型；如图6所示，是人体 模型的各种姿态图，在各姿态里，人体均被分为头部与躯干两个部位类型；
[0094] (4. 2)采用随机森林分类器进行部位解析，具体包括W下步骤：
[009引 （4. 2. 1)分类器训练，获得具体的分类模型，训练过程如图7所示；
[0096] 获取至少1000张已经计算深度差分特征f的深度图像，将其中人体头部和躯干部 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g，构成该点的样本 信息语('）；
[0097] 在给定的训练样本中，仅把属于人体部分的像素作为训练集合?(客，<')!，其中，像素 点Si的特征向量为客,，所属类别为C;随机生成参数集合{(t)} ;t表示阔值；具体训练过程 如下：
[009引 （4. 2. 1. 1)数据输入：样本集合0=?惊(-·)};
[0099] (4. 2. 1. 2.)初始化：使用标准随机决策树；实施例中，决策树最大深度为20,最小 样本数100, 一共4棵树；
[0100] (4. 2. 1.如生成树：
[010。 曰、根据初始化条件（4. 2. 1. 2.)，判断当前结点是否要继续增长：若决策树最大深 度未到20,且节点的最小样本数未达到100,要继续增长则执行步骤b;否则执行步骤C;
[0102] b、生成分裂结点，根据赌最小原则从特征向量的所有维度中选择第j维特征作为 判断条件，并生成阔值t;按照下式把当前结点分裂为左右子结点Qwt和Qfight;
[0103]
[0104]C、生成最终的叶子结点，计算叶子节点中样本集合的所属类别概率分布情况 P(c);
[010引 t生成子节点Qwt和Qfight后，对于各子节点，再进入从步骤a;
[0106] (4. 2. 2)分类器分类：如图8所示，是随机森林中一棵随机决策树的分类过程；输 入每个待分类像素样本点的深度特征，在森林中的每一棵树进行分类判断，最后每一棵树 都会得到像素S的所属类别的概率分布Pi(CIS);决策树对像素S分类的过程如下：
[0107] (4. 2. 1)从决策树的根结点输入待分类像素S;
[0108] (4. 2. 2)判断该节点中标志的是否为叶子节点，若为叶子节点，则输出该像素到达 该叶子结点中的所属部位类别概率分布P(CIS)，停止该决策树的预测过程；
[0109] (4. 2. 3)若为非叶子结点，根据其中的分类准则（该像素的深度差分特征的第j 维），计算后与阔值t进行比较，根据下式判别准则把该像素划分到相应子节点；
[0110]
[01 川（4. 2. 4)返回步骤（4. 2. 2);
[0112] 通过每一个棵树的分类，获取待分类像素S在N棵树的分类结果，即所属类别的概 率分布，即为像素S的最终类别概率分布：
[011 引
[0114] 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；
[011引按照I'v))，从像素S的所属类别概率分布中，选取概率值最大的类 别作为像素S的类别，即像素S是属于头部还是躯干；判断出类别，完成人体部位的解析； [011引 巧）关节点提取
[0117] 人体部位解析完毕后，通过均值漂移算法确定头部和躯干的关节点位置，提取关 节点的具体步骤如下：
[0118] (5. 1)初始化中屯、像素点：通过对属于某个部位的所有像素点的横纵坐标分别相 加取平均，如图9,获得中屯、像素点?的位置i，
[0119] (5. 2)获取中屯、像素点玄的偏移量：
[0120]
[0121] 其中I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，I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：
[0122]
[0123] 式中，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。
[0124] (5. 3)确定关节点位置：根据中屯、像素点的偏移量Χα),移动中屯、像素点，确定 其新位置；根据步骤（5. 2)再次获取偏移量，不断迭代，直至偏移量X巧)为0;如图10,偏移 量为0的点的坐标即为该部位的关节点坐标if
[0125] (6)高度特征提取：获得头部与躯干关节点位置后，选择连续多帖头部关节点与 地面的距离构成高度特征向量，用于跌倒的判断；具体方法如下：
[0126] (6. 1)地面识别与确定：在确定头部关节点高度之前，先识别地面，该过程是离线 确认的过程；
[0127] 通过深度传感器获得一张室内场景的深度图像，确认其中属于地面的Ξ个点 (Xi，yi，Zi)(其中，i= 1，2，：3)她面描述如下：
[0128] AXi+BYi+CZi+D = 0
[0129] A2+b2+c2= 1
[0130] 其中，Xi，yi，Zi是实际地面对应点坐标，A,B，C和D四个系数通过代入Ξ个样本点 (Xi，yi，Zi)的坐标，联立方程求解获取；确定地面的函数表达式，完成地面识别；
[0131] (6. 2)高度特征提取：选择连续多帖头部关节点高度，构成高度特征向量，用于跌 倒的判断；
[0132] (7)跌倒检测：
[0133] (7. 1)高度特征的训练样本合成：在确定高度特征后，合成用于跌倒分类器训练 的高度特征样本；具体包括如下子步骤：
[0134] (7. 1. 1)正样本合成：采用自由落体模型描述跌倒过程中人体头部运动高度h(t) 的变化特征，
[0135] 根据W固定步长连续增加的t值，获取连续的h(t);获取10000个的跌倒的高度 特征正样本；
[0136] (7. 1. 2)负样本合成：W模拟行走、坐下动作时的高度特征作为负样本，将人体行 走时头部的高度变化特征描述为：h(t)' =hu+e;将人体坐下时头部的高度变化特征描述 为：
[0137] 根据W固定步长连续增加的t值，获取连续变化的h(t)'与h(t)";获取100000 个的跌倒的高度特征副样本；
[013引其中，
awi是头部距离地面高度变化的加速度，But是人体坐下动作 的加速度，h(t)是随时间头部高度的变化，h。是跌倒前的高度；t。是跌倒动作起始时刻。
[0139] (7. 2)训练跌倒分类器，将合成的高度特征样本输入支持向量机分类器，训练该分 类器的具体模型；
[0140] (7. 3)将步骤（6)所述的高度特征向量实时输入上述分类器的具体模型，由该分 类器的具体模型初步判定是否跌倒；
[0141] (7. 4)当步骤（7. 3)中初步判定为跌倒时，检测躯干关节点与地面之间的距离，当 所述距离在预设的时间段内持续不变，则确认为跌倒，发出警报；若在预设的时间段内躯干 关节点恢复正常高度，则判定为非跌倒。
[0142] 实施例里