基于OpenCV空巢老人跌倒檢測(cè)監(jiān)控系統(tǒng)的設(shè)計(jì)?

李戰(zhàn)明 閆亞慶

1 引言

隨著我國(guó)人口老齡化問題的突出，空巢老人的健康安全問題越來越引起社會(huì)的關(guān)注。根據(jù)相關(guān)資料統(tǒng)計(jì)，跌倒并未經(jīng)及時(shí)處理在空巢老人的意外死亡中占有重大的比例。老人一旦跌倒又沒有采取及時(shí)的處理方式，往往會(huì)造成嚴(yán)重的后果，因此越來越多的研究者開始研究老人跌倒檢測(cè)的自動(dòng)識(shí)別系統(tǒng)。跌倒檢測(cè)的自動(dòng)識(shí)別系統(tǒng)主要分為兩類：基于可穿戴裝置的跌倒檢測(cè)自動(dòng)識(shí)別系統(tǒng)和基于計(jì)算機(jī)視覺的跌倒檢測(cè)自動(dòng)識(shí)別系統(tǒng)［1］?；诳纱┐餮b置的跌倒檢測(cè)自動(dòng)識(shí)別系統(tǒng)主要是通過一些特殊的加速度傳感器實(shí)現(xiàn)，當(dāng)老人跌倒后會(huì)被傳感器感知到，之后進(jìn)行手動(dòng)和自動(dòng)報(bào)警［2］。這種自動(dòng)識(shí)別系統(tǒng)具有安裝方便和檢測(cè)正確等優(yōu)點(diǎn)，但是實(shí)際使用過程中發(fā)現(xiàn)傳感器經(jīng)常被干擾，導(dǎo)致傳感器和系統(tǒng)通信不能及時(shí)處理，同時(shí)，一些老人也不喜歡附加穿戴一些傳感器產(chǎn)品［3］。

隨著計(jì)算機(jī)視覺技術(shù)的不斷發(fā)展，基于計(jì)算機(jī)視覺的跌倒檢測(cè)系統(tǒng)的研究也成為當(dāng)下的潮流［4］。本文提出了一種改進(jìn)的基于人們經(jīng)驗(yàn)的跌倒檢測(cè)方案。以人們最常有的仰臥，俯臥和側(cè)臥幾種跌倒姿勢(shì)，結(jié)合人們的日常經(jīng)驗(yàn)判斷，提出了基于人體中心點(diǎn)和下頂點(diǎn)的加速度，角度，高度差以及停留時(shí)間來判定是否跌倒，如果人體中心點(diǎn)和下頂點(diǎn)的加速度，角度，高度差以及停留時(shí)間小于或大于一定的閾值，則檢測(cè)到跌倒。方案中使用了從生活實(shí)踐中獲得理論研究的思想，在保證檢測(cè)正確率的前提下，計(jì)算復(fù)雜度大幅度下降，可以實(shí)現(xiàn)在較低配置的硬件上流暢的運(yùn)行。

2 改進(jìn)的基于人們經(jīng)驗(yàn)的跌倒檢測(cè)方案

人們經(jīng)驗(yàn)的跌倒檢測(cè)是通過人們視覺對(duì)人體姿態(tài)的變化的判定，計(jì)算機(jī)視覺技術(shù)對(duì)人體姿態(tài)的檢測(cè)具有很好的優(yōu)勢(shì)。人體姿態(tài)的變換主要分為急速的變化和緩慢的變化，老人跌倒的情況屬于急速的變化［5］。本文提出的基于人們經(jīng)驗(yàn)的跌倒檢測(cè)系統(tǒng)，也是在人體姿態(tài)變換的基礎(chǔ)上進(jìn)行設(shè)計(jì)工作。系統(tǒng)首先實(shí)現(xiàn)對(duì)目標(biāo)的跟蹤，然后通過一定的算法求出可以描述人體特征的兩個(gè)關(guān)鍵點(diǎn)，通過這兩個(gè)關(guān)鍵點(diǎn)的改變，可以來檢測(cè)人體是否跌倒。整個(gè)系統(tǒng)的算法流程如圖1所示。

圖1 整個(gè)系統(tǒng)的算法流程

2.1 運(yùn)動(dòng)目標(biāo)跟蹤

運(yùn)動(dòng)目標(biāo)的跟蹤是整個(gè)系統(tǒng)中最重要的前提性環(huán)節(jié)，它從連續(xù)的視頻幀中通過一定的算法，實(shí)現(xiàn)對(duì)目標(biāo)的跟蹤以及跟蹤區(qū)域的繪制［6］。運(yùn)動(dòng)目標(biāo)的有效跟蹤可以為接下來的跌倒檢測(cè)打下良好的基礎(chǔ)，因此，運(yùn)動(dòng)目標(biāo)跟蹤的準(zhǔn)確性和完整性對(duì)整個(gè)跌倒檢測(cè)系統(tǒng)的實(shí)現(xiàn)起到了決定性的作用。

運(yùn)動(dòng)目標(biāo)的跟蹤大致可以分為以下四類：基于主動(dòng)輪廓的跟蹤，基于特征的跟蹤，基于區(qū)域的跟蹤以及基于模型的跟蹤，跟蹤算法的精度和魯棒性很大程度上取決于對(duì)運(yùn)動(dòng)目標(biāo)的表達(dá)和相似性度量的定義，跟蹤算法的實(shí)時(shí)性取決于匹配搜索策略和濾波預(yù)測(cè)算法［7］?；谥鲃?dòng)輪廓的跟蹤可以實(shí)現(xiàn)對(duì)任何形變物體的跟蹤；基于特征的跟蹤要有效的提取特征以及對(duì)提取的特征進(jìn)行匹配；基于區(qū)域的跟蹤一般需要人為的選擇目標(biāo)跟蹤區(qū)域；基于模型的跟蹤主要通過先驗(yàn)的知識(shí)對(duì)目標(biāo)進(jìn)行建模［8］。本文使用CamShift目標(biāo)跟蹤算法，CamShift目標(biāo)跟蹤算法應(yīng)用簡(jiǎn)單，獲取的運(yùn)動(dòng)物體的輪廓可以人為選定，雖然對(duì)光照和目標(biāo)背景比較敏感，但是考慮到本系統(tǒng)是對(duì)空巢老人進(jìn)行的監(jiān)控，檢測(cè)環(huán)境主要在室內(nèi)進(jìn)行，因此，采用CamShift目標(biāo)跟蹤算法可以很好地實(shí)現(xiàn)目標(biāo)跟蹤，為以下進(jìn)行的跌倒檢測(cè)打好了堅(jiān)實(shí)的基礎(chǔ)。

2.2 特征提取

實(shí)現(xiàn)了對(duì)運(yùn)動(dòng)目標(biāo)的跟蹤，接著應(yīng)該進(jìn)行對(duì)目標(biāo)特征的有效提取。目標(biāo)特征的有效提取是跌倒檢測(cè)系統(tǒng)的重難點(diǎn)所在［9］。本文使用目標(biāo)跟蹤區(qū)域?yàn)闄E圓的中心點(diǎn)和下頂點(diǎn)來表征人體的軀干中心和腳部。

目標(biāo)跟蹤區(qū)域的中心點(diǎn)和下頂點(diǎn)主要是根據(jù)CamShift函數(shù)求取的目標(biāo)跟蹤矩形結(jié)構(gòu)體CvBox2D實(shí)現(xiàn)的，CvBox2D結(jié)構(gòu)體如圖2所示。

圖2 CvBox2D結(jié)構(gòu)體

從圖2可以看出，CvBox2D結(jié)構(gòu)體對(duì)于跟蹤矩形的描述主要有：目標(biāo)跟蹤矩形的中心點(diǎn)坐標(biāo)，目標(biāo)跟蹤矩形的長(zhǎng)度和寬度以及X軸與目標(biāo)跟蹤矩形的第一邊的夾角，用弧度表示且以逆時(shí)針旋轉(zhuǎn)為正角度。

由于，最終是通過目標(biāo)跟蹤矩形的內(nèi)接橢圓顯示跟蹤效果的，所以，跟蹤矩形的中心坐標(biāo)就是內(nèi)接橢圓的中心點(diǎn)坐標(biāo)，并通過circle函數(shù)對(duì)內(nèi)接橢圓的中心點(diǎn)標(biāo)定。

接著是對(duì)內(nèi)接橢圓的的下頂點(diǎn)的求取。內(nèi)接橢圓的下頂點(diǎn)的求?。嚎梢韵韧ㄟ^求取跟蹤矩形的四個(gè)頂點(diǎn)，然后求對(duì)應(yīng)兩個(gè)頂點(diǎn)的中間點(diǎn)的坐標(biāo)，即為內(nèi)接橢圓的上下頂點(diǎn)坐標(biāo)。求取內(nèi)接橢圓下頂點(diǎn)的數(shù)學(xué)思想如圖4所示。

圖3 求取內(nèi)接橢圓下頂點(diǎn)的數(shù)學(xué)思想

從圖3可以看出，已知矩形的中心坐標(biāo)（x，y），矩形的長(zhǎng)度height，寬度weight和矩形第一邊和X軸的夾角angel。求取橢圓的下頂點(diǎn)的程序如圖4所示。

圖4 求取橢圓的下頂點(diǎn)的程序

從圖4可以看出，通過以上程序求取了橢圓的下頂點(diǎn)，然后使用circle函數(shù)對(duì)內(nèi)接橢圓的下頂點(diǎn)標(biāo)定。

2.3 跌倒檢測(cè)算法

實(shí)現(xiàn)了對(duì)人體軀干中心點(diǎn)和腳部點(diǎn)的求取，接著應(yīng)該進(jìn)行對(duì)跌倒檢測(cè)的實(shí)現(xiàn)［10］。

1）判斷加速度acce范圍是否在8.8m/s2和9.8m/s2之間，如果在8.8m/s2和9.8m/s2之間，則有跌倒的可能。

2）判斷角度angle是否小于30，如果小于30，則有跌倒的可能。

3）判斷中心點(diǎn)center的Y軸坐標(biāo)和下頂點(diǎn)pt［4］的Y軸坐標(biāo)做差的絕對(duì)值是否小于10，如果小于10，則有跌倒的可能。

4）在2）和3）出現(xiàn)的情況下判斷持續(xù)時(shí)間是否大于5，如果大于5，則確定老人跌倒。

跌倒檢測(cè)算法如圖5所示。

圖5 跌倒檢測(cè)算法

3 實(shí)驗(yàn)結(jié)果

本系統(tǒng)基于OpenCV計(jì)算機(jī)視覺庫使用QT語言開發(fā)，使用天嵌E9開發(fā)板平臺(tái)處理采集到的視頻信息，使用優(yōu)邁Q5攝像頭進(jìn)行視頻采集，使用群創(chuàng)7寸屏AT070TN83顯示視頻流。測(cè)試包括了老人的行走，坐下，蹲下以及躺下等正常狀態(tài)，同時(shí)，也模擬了老人的跌倒情況，包括向前和向后跌倒檢查［11］。

表1是本文提出的跌倒檢測(cè)的實(shí)驗(yàn)測(cè)試結(jié)果統(tǒng)計(jì)。從表中可以看出跌倒檢測(cè)有4次跌倒沒有檢測(cè)出來，這是因?yàn)樵诘沟倪^程中有一些其他物體遮蓋了實(shí)際跟蹤目標(biāo)的中心點(diǎn)或下頂點(diǎn)，導(dǎo)致了跌倒檢測(cè)的失??；而正?；顒?dòng)下有3次檢測(cè)到跌倒，這是因?yàn)檫M(jìn)行了急速下蹲的活動(dòng)，考慮到老人身體狀況幾乎不可能出現(xiàn)這種情況，所以此失誤可以不予考慮。

表1 跌倒檢測(cè)算法測(cè)試結(jié)果統(tǒng)計(jì)

總的來說，本系統(tǒng)在跌倒檢測(cè)過程中準(zhǔn)確率達(dá)到了87%，誤報(bào)率在不考慮急速下蹲的情況下，幾乎可以不計(jì)。

4 結(jié)語

本文提出了改進(jìn)的基于人們經(jīng)驗(yàn)的跌倒檢測(cè)系統(tǒng)，具有較高的穩(wěn)定性和準(zhǔn)確性。本文在實(shí)現(xiàn)運(yùn)動(dòng)目標(biāo)的跟蹤以后，沒有進(jìn)行復(fù)雜的特征提取，而是根據(jù)人們對(duì)跌倒的日常判斷，提取出人體軀干的中心點(diǎn)和下頂點(diǎn)，對(duì)其加速度、角度、高度差以及停留時(shí)間等綜合考量判斷，來判定老人是否跌倒。通過實(shí)驗(yàn)結(jié)果表明，本文提出的跌倒檢測(cè)系統(tǒng)具有較高的準(zhǔn)確率和極低的誤報(bào)率。

［1］黨培.我國(guó)步入人口老齡化社會(huì)淺析［J］.改革與開放，2010（24）：144-145.

DANG Pei.An analysis of the aging society in China［J］.Reformand opening up，2010（24）：144-145.

［2］鄭娛，鮑楠，徐禮勝，等.跌倒檢測(cè)系統(tǒng)的研究進(jìn)展［J］.中國(guó)醫(yī)學(xué)物理學(xué)雜志，2014，31（4）：5071-5076.

ZHENG Yu，BAO Nan，XU Lisheng，et al.Research progress of fall detection system［J］.Chinese Journal of Medical Physics，2014，31（4）：5071-5076.

［3］王之瓊，曲璐渲，隋雨彤，等.基于極限學(xué)習(xí)機(jī)的跌倒檢測(cè)分類識(shí)別研究［J］.中國(guó)生物醫(yī)學(xué)工程學(xué)報(bào)，2014，31（4）：418-424.

WANG Zhiqiong，QU Luxuan,SUI Yutong，et al.Classification and recognition of fall detection based on extreme learning machine［J］.Chinese Journal of Biomedical Engineering，2014，31（4）：418-424.

［4］許志杰，王晶，劉穎，等.計(jì)算機(jī)視覺核心技術(shù)現(xiàn)狀與展望［J］.西安郵電學(xué)院學(xué)報(bào)，2012，17（6）：1-8.

XU Zhijie，WANG Jing，LIU Ying，et al.Current status and Prospect of computer vision technology［J］.Journal of Xi'an University of Posts and Telecommunications，2012，17（6）：1-8.

［5］ Kostopoulos，AthanasiosI.Kyritsis，MichelDeriaz，DimitriKonstantas.F2D：ALocation Aware Fall Detection System Tested with Real Data from Daily Life of Elderly People［J］.Procedia ComputerScience，2016（15）：98.

［6］蔡榮太，吳元昊，王明佳，等.視頻目標(biāo)跟蹤算法綜述［J］.電視技術(shù)，2010（12）：135-138,

CAI Rongtai，WU Yuanhao，WANG Mingjia，et al.Video target tracking algorithm［J］.Television technology，2010（12）：135-138.

［7］SyedS.Naqvi，WillN.Browne，ChristopherHollitt.Salient object detection via spectral matting［J］.PatternRecognition，2016（65）：51.

［8］J.K.S.Parihar，VaibhavKumarJain，PiyushChaturvedi，JayaKaushik，GunjanJain，AshwiniK.S.Parihar.Computer&visual display terminals（VDT）visionsyndrome（CVDTS）［J］.Medical Journal Armed ForcesIndia，2016（8）：25-30.

［9］LeiYang，YanyunRen，WenqiangZhang.3D Depth Image Analysis for Indoor Fall Detection of Elderly People［J］.Digital Communications and Networks，2015（9）：1-5.

［10］Nabil Zerrouki，F(xiàn)ouziHarrou，YingSun，Amrane Houacine.A Data-Driven Monitoring Technique for Enhanced Fall Events Detection［J］.IFAC Papers OnLine，2016（5）：49.

［11］張新華，何永前.軟件測(cè)試方法概述［J］.科技視界，2012（4）：35-37.

ZHANG Xinhua，HE Yongqian.Overview of software testing methods［J］.Technology vision，2012（4）：35-37.