基于慢特征分析算法的老人跌倒行為檢測

陳婷婷

摘要：針對目前老年人跌倒行為檢測識別效果不佳等問題，文章提出一種基于慢特征分析的老年人跌倒檢測算法。首先獲取視頻序列，對視頻進行預處理，然后使用幀間差分法獲取運動目標。對運動目標使用慢特征分析方法，提取人體行為的慢特征，用于后續(xù)的行為識別。通過閾值判斷是否有跌倒行為，如果有跌倒行為，及時發(fā)出預警。該方法在自建數(shù)據(jù)集上進行了驗證實驗，實驗結果表明，該方法可以有效地檢測出跌倒行為，為老人跌倒后的及時救治提供了有力的支撐。

關鍵詞：慢特征；老人跌倒；跌倒檢測

中圖分類號：TP391? ? ? ? 文獻標識碼：A

文章編號：1009-3044（2022）34-0001-03

1 概述

近年來，隨著經(jīng)濟的不斷發(fā)展和世界人口數(shù)量的逐漸增長，人口老齡化問題逐漸加劇。截至2020年，我國成為世界老年人數(shù)量最多的國家，60歲及以上的老年人突破2.3億[1]。在老年人人口數(shù)量不斷增加的前提下，獨居老人的數(shù)量也在增加，這使得獨居老人日常起居的安全性問題成為其子女和社會普遍關注的熱點。中國疾病檢測系統(tǒng)數(shù)據(jù)顯示，我國65歲以上老人因傷致死的所有原因中，跌倒占首位[2]。每年跌倒一次以上的老年人占比30%～40%[3]。醫(yī)學調查表明，跌倒后如果能夠得到及時有效的治療，可降低死亡風險，顯著提高老年人的存活率[4]。這就需要利用先進的科學技術搭建一套高效實用的老人跌倒檢測系統(tǒng)，對老年人活動進行實時檢測，能夠及時準確地檢測并識別摔倒行為，緊急發(fā)送遠程報警，減少因跌倒造成的傷害，進而提升老年人獨居生活質量。因此，對老人跌倒行為檢測進行研究是非常有必要的，在實際應用中具有很重要的價值[5]。

特征提取是人體行為分析的關鍵，因此提取出有區(qū)分度的，能夠體現(xiàn)運動本質的特征是非常重要的。目前，國內外的許多研究人員對特征提取方法進行了廣泛的研究，主要有以下三類：1） 基于整體特征的方法；2） 基于局部描述子的方法；3） 生物激勵方法。整體特征是指使用運動物體的一些全局性的屬性，例如身體的形狀、身體大致輪廓、參考連接點的軌跡和運動的模板，運動的歷史圖像和運動的能量圖像。運用整體特征的方法不僅需要對運動者進行準確的圖像分割，而且還要對身體部位進行完美的跟蹤。因此，這些方法對圖像背景運動噪聲和錯誤的跟蹤相對比較敏感。最近，許多研究人員使用局部描述子的方法來減少圖像背景運動噪聲和錯誤跟蹤所帶來的影響?；诰植棵枋鲎拥奶卣魈崛》椒ㄖ饕ㄒ韵轮虚g處理過程：即目標特征點的檢測，局部描述子的表示，碼書量化和詞包表示。對于特征點或者顯著區(qū)域的檢測，目前很多方法已經(jīng)被提出。Laptev和Lindeberg[6]在行為表示時，把二維的特征點檢測擴展到檢測三維時空特征點。檢測到的局部特征雖然能夠保留旋轉不變性，但是由于獲得的特征點過于稀疏，因而無法保留充分的信息。Dollar et al. [7]提出了一種檢測器，即使用一系列的時空濾波器以便獲得大量特征點。Lee和Chen[8]提出了基于直方圖信息的特征點檢測器，依據(jù)是這些直方圖所代表的信息能夠捕捉有差別的紋理模式和大尺度結構。

此外，為了描述局部特征點和區(qū)域，大量的視覺描述器被提出。Laptev和Lindeberg[9]提出了一系列的描述器、光流直方圖和一階導數(shù)直方圖，并進行了評估。他們指出光流直方圖和時空梯度直方圖要好于其他的描述器。Laptev et al. [10]提出用光流直方圖和梯度方向直方圖來表示目標局部的運動和被檢測特征點的時空鄰域。Scovanner et al. [11]把SIFT（尺度不變特征變換）描述器擴展到了三維，因此通過子直方圖對時空信息進行編碼。最近，Savarese et al. [12]提出把較長的具有時間相關性的信息利用時空相關圖編碼成局部運動特征。Ryoo和Aggarwal提出在進行人行為識別時利用時空關系匹配方法，例如推和握手等[13]。目前的特征分析技術大多是線性的，對非線性的處理就會產生錯誤的結果。針對這一問題，本文提出了一種新的特征提取方法，即使用慢特征提取方法對老年人跌倒行為進行檢測。

2 慢特征（SFA） 分析簡介

2.1 算法描述

皮質神經(jīng)領域的相關理論表明，視網(wǎng)膜接受體會在“拉長”的時間區(qū)域內對一段瞬時的視覺信號的反應趨于緩慢。在這種原理的啟發(fā)下，慢特征分析原理最早是由Laurenz Wiskott等人在2002年提出的[14]，可以提取出輸入信號中隱含變化緩慢的部分。慢特征分析（SFA）是一種學習算法，是為了從變化快速的時序輸入信號中提取出慢特征而提出的，并且已經(jīng)在很多方面取得了廣泛的應用。數(shù)學描述如下：

2.2 慢特征分析算法在檢測領域的應用

慢特征分析是從向量輸入信號中學習不變或緩慢變化的特征的一種新方法，對于分類和識別非常有用。2002年，慢特征分析首先由L.Wiskott and T. Sejnowski[14]提出并做了詳細的描述。該文介紹了慢特征分析的定義、算法以及慢特征分析的等級網(wǎng)絡，并通過幾個例子詳細地闡述了慢特征學習算法的特性。2005年，Berkes and Wiskott[15]研究了慢特征分析在接收領域的應用。找到了慢特征分析在圖像序列上訓練得到的慢特征函數(shù)和主要視覺皮層中復雜細胞在質和量上的匹配，證明了該學習原則能夠產生視覺皮層接收領域復雜細胞所具有的一些特性，學習函數(shù)顯示出很多在復雜細胞中發(fā)現(xiàn)的屬性。2008年，夏奇等人[16]充分利用慢特征分析的優(yōu)勢，提出了一種基于慢特征的水印算法。該算法首先使用慢特征分析獲取一系列統(tǒng)計獨立源，然后用慢特征分析進行水印特征的提取，該算法具有較好的不可視性，對不同類型的攻擊具有很好的魯棒性。同年，高建斌等人[17]把慢特征分析用于人臉識別。首先提取人臉的Gabor特征，然后使用慢特征分析獲取緩慢變化的特征，用于后續(xù)的識別。實驗結果表明該算法是有效的，并且具有競爭力。2009年，Yaping Huang等人[18]將有差別的慢特征分析用于手寫數(shù)字的識別，該算法很有吸引力，但是該算法隨著輸入維數(shù)的增加，非線性特征空間迅速變大，將會導致維數(shù)災難。2010年，Kuijun Ma 等人提出了一種新的基于慢特征分析的非線性盲源分離方法，該方法使用隨機傅里葉特征獲得非線性變換數(shù)據(jù)，執(zhí)行慢特征分析，然后使用新提出的選擇步驟去恢復源信號。該算法能夠在短的時間內獲取顯著的效果，能有效處理多種類型混合的情況。2011年，Tobias Kuhnl等人[19]將慢特征分析用于單目照相機的道路分割，然后用慢特征分析從快速變化的非道路分離出緩慢變化的道路。該方法能有效地分割出道路的邊界，減少了在分割中出現(xiàn)的邊界錯誤。2012年，Xiaogang Deng 等人[20]將慢特征分析用于錯誤診斷。該文首先由慢特征分析從正常輸入信息中獲取緩慢變化的去相關的特征，構建正常操作模型，然后進行在線監(jiān)測，對新來的數(shù)據(jù)進行慢特征分析，通過某種度量實現(xiàn)錯誤診斷。該方法比傳統(tǒng)的PCA和KPCA方法表現(xiàn)要好很多。Wangkai Ye等人[21]使用慢特征分析對暴力視頻進行檢測。首先從視頻中提取密集軌跡，基于密集軌跡利用慢特征分析學習慢特征函數(shù)，然后提取累積平方導數(shù)特征來表示視頻并作為支持向量機的輸入向量進行訓練，用于分類。該方法能很好地對暴力視頻進行檢測和識別。2014年，何會會等人[22]用慢特征分析算法實現(xiàn)了水聲信號的盲分離，提取出來的信號與源信號高度相似。Zhang Zhang等人[23]第一次把慢特征分析用于人體行為識別。該文介紹了基于慢特征分析的人體行為識別的步驟，包括訓練立方體的收集，慢特征函數(shù)的學習，行為特征表示和分類識別，并在相關的不同類型的數(shù)據(jù)庫中做了實驗。實驗結果表明慢特征分析的方法比現(xiàn)有的研究識別率要高。

3 基于慢特征分析算法的老人跌倒行為檢測

日常生活中，人的活動主要有兩種：一種是正常的行為活動，比如走、跑、跳等；另一種是異常行為活動，比如跌倒，打架，推搡等。本文主要對老年人的跌倒行為進行研究。首先獲取視頻序列，然后使用幀差法進行運動目標的檢測，檢測到目標后，利用慢特征分析法提取出老人行為的慢特征，通過閾值判斷老人是否跌倒，如果跌倒，則進行預警，及時進行救助。整個檢測過程的流程圖如圖1所示。

4 實驗結果及分析

4.1 數(shù)據(jù)集構建

本文的數(shù)據(jù)集訓練和測試所需要的圖像主要來源于互聯(lián)網(wǎng)爬取。收集到的數(shù)據(jù)包括不同場景、不同分辨率下的老人跌倒和非跌倒兩種類型的圖片，對采集到的圖片進行整理，得到數(shù)據(jù)樣本，如圖2所示為部分數(shù)據(jù)集。

4.2 實驗結果及分析

本文提出的慢特征分析算法在自建數(shù)據(jù)集上進行了驗證實驗，部分實驗結果如圖3所示，跌倒行為用矩形框進行標記。

從實驗結果可以看出，在不同場景、不同分辨率的情況下，使用慢特征分析法都可以很好地檢測出老人跌倒行為。

為了進一步評估本算法的有效性，使用正確分類比PCC（Percentage of Correct Classification）作為評估指標，驗證老人跌倒行為檢測的效果，其數(shù)值越大，說明檢測效果越好，其計算公式如下：

其中，TP表示跌倒行為被正確檢測的個數(shù)，F(xiàn)P表示非跌倒行為被檢測為跌倒行為的個數(shù)，TN表示非跌倒行為被正確檢測的個數(shù)，F(xiàn)N表示非跌倒行為被檢測為跌倒行為的個數(shù)。

本文方法在自建數(shù)據(jù)集上進行實驗，共檢測樣本圖片500張，正確分類比達到91.2%，檢測效果較好，進一步驗證了本文方法的有效性。

5 結論

我國人口老齡化日趨加劇，老人跌倒成為社會關注的熱點問題。本文提出了一種基于慢特征分析的老人跌倒行為檢測算法，能夠有效地檢測到老人跌倒行為，為老人跌倒后的及時救治提供了有利的條件。在以后的研究工作中，將進一步對老人跌倒的行為檢測的實時性進行研究。

參考文獻：

[1] 黃明安，陳鈺.中國人口老齡化的現(xiàn)狀及建議[J].經(jīng)濟研究導刊，2018（10）：54-58，66.

[2] 陳艷玫，劉子鋒，李賢德，等.2015—2050年中國人口老齡化趨勢與老年人口預測[J].中國社會醫(yī)學雜志，2018，35（5）：480-483.

[3] 蔡長青，王鵬.老人跌倒姿態(tài)檢測研究[J].長春工程學院學報（自然科學版），2019，20（4）：29-34.

[4] 馬敬奇，雷歡，陳敏翼.基于AlphaPose優(yōu)化模型的老人跌倒行為檢測算法[J].計算機應用， 計算機應用，2022，42（01）：294-301.

[5] 劉非非.基于視頻監(jiān)控的室內跌倒行為的檢測與識別研究[D].濟南：山東大學，2016.

[6] Wang L，Suter D.Informative shape representations for human action recognition[C]//Proceedings of the 18th International Conference on Pattern Recognition - Volume 02.New York：ACM，2006：1266-1269.

[7] Dollar P，Rabaud V，Cottrell G，et al.Behavior recognition via sparse spatio-temporal features[C]//Beijing，China：2005 IEEE International Workshop on Visual Surveillance and Performance Evaluation of Tracking and Surveillance.IEEE，2005：65-72.

[8] Lee W T，Chen H T.Histogram-based interest point detectors[C]//Miami，F(xiàn)L，USA：2009 IEEE Conference on Computer Vision and Pattern Recognition.IEEE，2009：1590-1596.

[9] Laptev I，Lindeberg T.Local descriptors for spatio-temporal recognition[M]//Spatial Coherence for Visual Motion Analysis.Berlin，Heidelberg：Springer Berlin Heidelberg，2006：91-103.

[10] Laptev I，Marszalek M，Schmid C，et al.Learning realistic human actions from movies[C]// .Anchorage，AK，USA：2008 IEEE Conference on Computer Vision and Pattern Recognition.IEEE，2008：1-8.

[11] Scovanner P，Ali S，Shah M.A 3-dimensional sift descriptor and its application to action recognition[C]// Augsburg，Germany：Proceedings of the 15th ACM international conference on Multimedia.New York：ACM，2007：357-360.

[12] Savarese S，DelPozo A，Niebles J C，et al.Spatial-Temporal correlatons for unsupervised action classification[C]// Copper Mountain，CO，USA：2008 IEEE Workshop on Motion and video Computing.IEEE，2008：1-8.

[13] Ryoo M S，Aggarwal J K.Spatio-temporal relationship match：video structure comparison for recognition of complex human activities[C]//Kyoto，Japan：2009 IEEE 12th International Conference on Computer Vision.IEEE，2009：1593-1600.

[14] Wiskott L，Sejnowski T J.Slow feature analysis：unsupervised learning of invariances[J].Neural Computation，2002，14（4）：715-770.

[15] Berkes P，Wiskott L.Slow feature analysis yields a rich repertoire of complex cell properties[J].Journal of Vision，2005，5（6）：9.

[16] Xia Q，Gao J B，Xu C X.A new watermarking algorithm based on slowly feature analysis[C]// Chengdu，China：2008 International Conference on Apperceiving Computing and Intelligence Analysis.IEEE，2008：70-72.

[17] Gao J B，Li J P，Xia Q.Slowly feature analysis of Gabor feature for face recognition[C]// Chengdu，China：2008 International Conference on Apperceiving Computing and Intelligence Analysis.IEEE，2008：177-180.

[18] Huang Y P，Zhao J L，Tian M，et al.Slow Feature Discriminant Analysis and its application on handwritten digit recognition[C]// Atlanta，GA，USA：2009 International Joint Conference on Neural Networks. IEEE，2009：1294-1297.

[19] Ma K J，Tao Q，Wang J.Nonlinear blind source separation using slow feature analysis with random features[C]// Istanbul，Turkey：2010 20th International Conference on Pattern Recognition. IEEE，2010：830-833.

[20] Kühnl T，Kummert F，F(xiàn)ritsch J.Monocular road segmentation using slow feature analysis[C]// Baden-Baden，Germany：2011 IEEE Intelligent Vehicles Symposium.IEEE，2011：800-806.

[21] Deng X G，Tian X M，Hu X Y.Nonlinear process fault diagnosis based on slow feature analysis[C]//Beijing，China：Proceedings of the 10th World Congress on Intelligent Control and Automation.IEEE，2012：3152-3156.

[22] 何會會，李鋼虎，要慶生，等.用慢特征分析算法實現(xiàn)水聲信號盲分離[J].聲學技術，2014，33（3）：270-274.

[23] Wang K Y，Zhang Z，Wang L.Violence video detection by discriminative slow feature analysis[M]//Communications in Computer and Information Science.Berlin，Heidelberg：Springer Berlin Heidelberg，2012：137-144.

【通聯(lián)編輯：唐一東】