一种基于人体姿势状态判决的跌倒检测方法.pdf

(19)中华人民共和国国家知识产权局*CN102722715A*(12)发明专利申请(10)申请公布号CN102722715A(43)申请公布日2012.10.10(21)申请号201210159644.6(22)申请日2012.05.21(71)申请人华南理工大学地址510641广东省广州市天河区五山路381号(72)发明人贺前华沈秉乾李磊陈文斯(74)专利代理机构广州市华学知识产权代理有限公司44245代理人齐荣坤(51)Int.Cl.G06K9/62(2006.01)G06K9/46(2006.01)权利要求书权利要求书2页2页说明书说明书99页页附图附图55页(54)发明名称一种基于人体姿势状态判决的跌倒检测方法(57)摘要本发明公开了一种基于人体姿势状态判决的跌倒检测方法，通过对二值化处理后的图像提取目标区域，对目标区域提取物体Zernike矩特征、高度、宽度、宽高比、目标区域面积、目标区域周长、轮廓面积、轮廓周长、帧差最大行列特征变量、运动物体高度特征变量。将提取出来的这些变量分别送入两个离线训练好的分类器对被监控者的运动情况作出判断，最终判定被监控者的真实运动状况。本发明完全运用图像处理技术，能够准确有效地区分行走、下蹲和跌倒的姿势状态，并可满足在较低性能的硬件平台上实现实时处理的要求。CN10275ACN102722715A权利要求书1/2页1.一种基于人体姿势状态判决的跌倒检测方法，其特征在于，包括以下步骤：S1初始化系统，获取图像数据；S2对获取到的图像进行相邻帧差分，对差分后的图像进行二值化处理；S3对步骤S2得到的二值化图像提取目标区域；S4判断S3得到的目标区域中是否有物体运动，若否，返回步骤S1，对一下帧图像进行检测；若有，则进行步骤S5;S5判断运动的物体是人体还是噪声干扰，若是噪声干扰则返回步骤S1，对一下帧图像进行检测；若是人体则进行步骤S6；S6对目标区域提取Zernike距特征和运动轮廓特征，所述运动轮廓特征包括物体的高度、物体的宽度、物体的宽高比、目标区域面积、目标区域周长、轮廓面积、轮廓周长、帧差最大行列特征变量、运动物体高度特征变量；S7将物体的宽高比、目标区域面积、目标区域周长、帧差最大行列特征变量、运动物体高度特征变量送入预先训练好的第一分类器；所述第一分类器用于区分行走与非行走姿势状态；当第一分类器判定为行走姿势状态时，返回步骤S1，对一下帧图像进行检测；当第一分类器判定为非行走姿势状态时，进行步骤S8；S8将Zernike距特征、物体的高度、物体的宽度、轮廓面积、轮廓周长送入预先训练好的第二分类器；所述第二分类器用于区分下蹲与跌倒姿势状态；当第二分类器判定为下蹲姿势状态时，返回步骤S1，对一下帧图像进行检测；当第二分类器判定为跌倒姿势状态时，标记跌倒行为，并发出警报。2.根据权利要求1所述的基于人体姿势状态判决的跌倒检测方法，其特征在于，步骤S3所述对步骤S2得到的二值化图像提取目标区域，具体包括以下步骤：S31初步检测：以整幅视频帧图像为对象，逐行计算整幅图像的各行像素值，得到图像最大行像素值；计算各行像素值与图像最大行像素值的比值，分别与设定的阈值TH1比较；略去图像中行像素值小于阈值TH1的区域，记录初步的包含物体的矩形框的纵坐标Yup、Ydown；其中阈值TH1由用户根据具体情况设定；以整幅视频帧图像为对象，逐列计算整幅图像的各列像素值，得到图像最大列像素值；计算各列像素值与图像最大列像素值的比值，分别与设定的阈值TH2比较；略去图像中列像素值小于阈值TH2的区域，记录初步的包含物体的矩形框的横坐标Xleft、Xright；其中阈值TH2由用户根据具体情况设定；在点（Xleft，Ydown）和点（Xright，Yup）之间的矩形区域即为初步的目标区域；S32精细检测：以步骤S31得到的初步的目标区域为对象，逐行计算初步的目标区域的各行像素值，得到区域最大行像素值；计算各行像素值与区域最大行像素值的比值，分别与设定的阈值TH3比较；略去初步的目标区域中行像素值小于阈值TH3的区域，记录最终的包含物体的矩形框的纵坐标Ymax和Ymin；其中阈值TH3由用户根据具体情况设定；以步骤S31得到的初步的目标区域为对象，逐列计算初步的目标区域的各列像素值，得到区域最大列像素值；计算各列像素值与区域最大列像素值的比值，分别与设定的阈值TH4比较；略去初步的目标区域中列像素值小于阈值TH4的区域，记录最终的包含物体的矩形框的纵坐标Xmax和Xmin；其中阈值TH4由用户根据具体情况设定；2CN102722715A权利要求书2/2页得到在点（Xmin，Ymin）和点（Xmax，Ymax）之间的矩形区域即为最终的目标区域。3.根据权利要求1所述的基于人体姿势状态判决的跌倒检测方法，其特征