一種基于監(jiān)控視頻的實(shí)時(shí)摔倒事件檢測(cè)方法
【專(zhuān)利摘要】本申請(qǐng)公開(kāi)了一種基于監(jiān)控視頻的實(shí)時(shí)摔倒事件檢測(cè)方法，在檢測(cè)場(chǎng)景中安裝有朝向同一目標(biāo)區(qū)域、拍攝角度不同的多個(gè)攝像機(jī)，多個(gè)攝像機(jī)連續(xù)拍攝目標(biāo)區(qū)域，包括以下步驟：多個(gè)攝像機(jī)同時(shí)拍攝目標(biāo)區(qū)域的一段視頻；從多個(gè)攝像機(jī)各自拍攝的同一時(shí)段的多個(gè)視頻中，分別提取出每一幀畫(huà)面的代表目標(biāo)的前景圖像；提取同一時(shí)刻同一目標(biāo)的前景圖像在由多個(gè)攝像機(jī)拍攝的畫(huà)面中的各自的形狀和位置特征，并使用RVM分類(lèi)器，確定每一幀畫(huà)面對(duì)應(yīng)的時(shí)刻的目標(biāo)姿態(tài)類(lèi)別；將所得到的每一幀畫(huà)面的目標(biāo)姿態(tài)類(lèi)別作為目標(biāo)姿態(tài)值序列輸入到HMM評(píng)估器，得到目標(biāo)姿態(tài)類(lèi)別變化的后驗(yàn)概率，目標(biāo)姿態(tài)類(lèi)別變化代表目標(biāo)摔倒事件發(fā)生；如果后驗(yàn)概率大于預(yù)定閾值，則確定摔倒發(fā)生。
【專(zhuān)利說(shuō)明】一種基于監(jiān)控視頻的實(shí)時(shí)摔倒事件檢測(cè)方法
【技術(shù)領(lǐng)域】
[0001]本發(fā)明涉及圖像模式識(shí)別領(lǐng)域，更具體地，涉及基于RVM和HMM的實(shí)時(shí)摔倒檢測(cè)方法。
【背景技術(shù)】
[0002]由于摔倒檢測(cè)的研究具有較高的理論意義和實(shí)用價(jià)值，國(guó)內(nèi)外已有相關(guān)的研究成果和產(chǎn)品問(wèn)世。根據(jù)摔倒檢測(cè)所采用的方法，檢測(cè)技術(shù)可以分為三類(lèi):佩戴式儀器檢測(cè)方法、環(huán)境裝置檢測(cè)方法、監(jiān)控視頻檢測(cè)方法，其中前兩種技術(shù)為基于傳感器的方法，后一種技術(shù)為基于圖像處理的方法。
[0003]在佩戴儀器式檢測(cè)中，使用者需要隨身佩戴一些裝有傳感器或其他設(shè)備裝置的儀器來(lái)幫助系統(tǒng)獲取使用者的動(dòng)作信息及身體的運(yùn)動(dòng)信息，系統(tǒng)通過(guò)對(duì)采集信息分類(lèi)來(lái)檢測(cè)摔倒事件，文獻(xiàn)[I]中通過(guò)使用速度和加速度傳感器來(lái)判斷人體動(dòng)作的突然靜止以達(dá)到檢測(cè)摔倒的目的。
[0004]佩戴式儀器檢測(cè)方法簡(jiǎn)單易施，但存在的主要問(wèn)題是:由于傳感器相關(guān)參數(shù)閾值是根據(jù)儀器與佩戴者之間的精確相對(duì)位置關(guān)系設(shè)定的，一旦這種關(guān)系被破壞(事實(shí)上經(jīng)常發(fā)生)，如劇烈運(yùn)動(dòng)或穿脫衣服，則會(huì)產(chǎn)生大量的誤檢；此外，由于需要使用者佩戴儀器，將會(huì)為使用者帶來(lái)較大的不適和不便。
[0005]環(huán)境監(jiān)測(cè)儀器方法主要通過(guò)多種安置在環(huán)境中的傳感器來(lái)采集與使用者相關(guān)的人體各項(xiàng)數(shù)據(jù)，通過(guò)數(shù)據(jù)分析來(lái)判斷是否有摔倒事件發(fā)生。Alwan等人在文獻(xiàn)[2]中使用裝置在地板上的震動(dòng)感受器來(lái)判斷摔倒！Technical Solutions Australia系統(tǒng)[3]通過(guò)“下床”報(bào)警器、地板腳墊報(bào)警器等來(lái)收集使用者施加的壓力信息，并通過(guò)分析采集的數(shù)據(jù)對(duì)使用者的姿態(tài)進(jìn)行判別。
[0006]與佩戴式儀器檢測(cè)方法相同，此種方法也容易受到環(huán)境中的其他干擾而產(chǎn)生誤檢；雖然免除了使用者佩戴儀器的麻煩，但由于增加了大量的傳感器，系統(tǒng)的復(fù)雜性有所上升。
[0007]監(jiān)控視頻檢測(cè)，即計(jì)算機(jī)視覺(jué)檢測(cè)，通過(guò)實(shí)時(shí)分析監(jiān)控環(huán)境內(nèi)的視頻數(shù)據(jù)以判斷是否有摔倒事件發(fā)生。此種方法又可進(jìn)一步細(xì)分為三種:(I)靜止檢測(cè)。通常摔倒后的人會(huì)靜止地躺在地面上一段時(shí)間，基于這一假設(shè)，Nait-Charif和McKenna[4]使用架設(shè)在使用者頭頂上方的廣角鏡頭來(lái)獲取使用者的運(yùn)動(dòng)軌跡，以檢測(cè)摔倒時(shí)軌跡的突然終止。(2)身體形狀變化檢測(cè)。在摔倒過(guò)程中，摔倒者的人體形狀通常會(huì)發(fā)生明顯的變化，如從站立轉(zhuǎn)變?yōu)槠教??；谶@一原理，Ganapathy等人[5]使用人體外接矩形寬高比、外接矩形傾角作為姿態(tài)特征，并通過(guò)分析特征值的變化來(lái)判斷人體形狀的變化，繼而檢測(cè)是否有摔倒事件發(fā)生。
(3)頭部運(yùn)動(dòng)/位置檢測(cè)。在此方法中，研究者通過(guò)檢測(cè)人體頭部，并跟蹤頭部的運(yùn)動(dòng)軌跡或定位頭部與地面的相對(duì)距離來(lái)檢測(cè)摔倒事件的發(fā)生。Shoaib等人[6]則通過(guò)橢圓擬合來(lái)檢測(cè)人體頭部，并利用模擬高斯分布的場(chǎng)景地面信息來(lái)計(jì)算頭部相對(duì)于地面的距離并判斷是否發(fā)生摔倒。[0008]在監(jiān)控視頻檢測(cè)方法中，大部分的研究?jī)H采用單一的運(yùn)動(dòng)特征或姿態(tài)特征，因此容易造成大量誤檢。另一方面，相關(guān)文獻(xiàn)沒(méi)有考慮處理沿著攝像機(jī)照射方向的摔倒事件，此類(lèi)情況中，摔倒者的形狀與站立者的形狀類(lèi)似，緊靠單純的外觀特征很難將兩種姿態(tài)相區(qū)分。
[0009]上面提及的參考文獻(xiàn)列表
[0010][I]Almeida, 0.，M.Zhang, and J.C.Liu.Dynamic fall detection and pacemeasurement in walking sticks.1EEE Joint Workshop on High ConfidenceMedical Devices,Software, and Systems and Medical Device Plug-and-PlayInteroperability，2007.[0011][2] Alwanj M., et al.A smart and passive f loor-vibrat ion basedfall detector for elderly.1EEE2nd Conf.0n Information and CommunicationTechnologies, 2006.[0012][3]http://www.tecsol.com.au/
[0013][4]Nait-Charif, H.and S.J.McKenna.Activity summarisation and falldetection in a supportive home environment.1EEE17th Conf.0n PatternRecognition, 2004.[0014][5] V.Vaidehi et al.Video based automatic fall detection in indoorenvironment.1EEE International Conference on Recent Trends in InformationTechnology, 2011.[0015][6] Shoaibj Muhammad, Dragon, R., Ostermannj J.View-1nvariant fall detectionfor elderly in real home environment.4th Pacific-Rim Symposium on Image andVideo Technology,2010.
【發(fā)明內(nèi)容】

[0016]本申請(qǐng)的發(fā)明人考慮到現(xiàn)有技術(shù)的上述情況而作出了本發(fā)明。本發(fā)明提出了一種基于多角度攝像頭的摔倒檢測(cè)方法，能夠檢測(cè)出不同空間方向的摔倒事件，并具有實(shí)時(shí)處理能力，具備較高實(shí)用性。例如，在室內(nèi)居家環(huán)境中，能夠及時(shí)檢測(cè)出獨(dú)處老人、病人等(觀察對(duì)象)可能發(fā)生的摔倒事件，在很大程度上減輕摔倒事件帶來(lái)的傷害。
[0017]通常，在摔倒時(shí)，摔倒者的姿態(tài)會(huì)發(fā)生較大幅度的變化，基于此原理，本發(fā)明將摔倒過(guò)程中的不同姿態(tài)劃分為四類(lèi)，通過(guò)兩個(gè)不同角度的攝像機(jī)視頻圖像提取目標(biāo)的外觀、場(chǎng)景特征并利用相關(guān)向量機(jī)(RVM)來(lái)對(duì)運(yùn)動(dòng)目標(biāo)進(jìn)行快速姿態(tài)識(shí)別。利用隱馬爾科夫模型(HMM)來(lái)對(duì)摔倒過(guò)程中的姿態(tài)變化進(jìn)行建模，并用該模型去評(píng)估監(jiān)控視頻中的每一段運(yùn)動(dòng)過(guò)程，從而判斷是否有摔倒事件發(fā)生。
[0018]根據(jù)本發(fā)明的實(shí)施例，提供了一種基于監(jiān)控視頻的實(shí)時(shí)摔倒事件檢測(cè)方法，其中，在檢測(cè)場(chǎng)景中安裝有朝向同一目標(biāo)區(qū)域、拍攝角度不同的多個(gè)攝像機(jī)，所述多個(gè)攝像機(jī)連續(xù)拍攝目標(biāo)區(qū)域，所述方法包括以下步驟:步驟1、所述多個(gè)攝像機(jī)同時(shí)拍攝目標(biāo)區(qū)域的一段視頻；步驟2、從所述多個(gè)攝像機(jī)各自拍攝的同一時(shí)段的多個(gè)視頻中，分別提取出視頻的每一幀畫(huà)面的代表目標(biāo)的前景區(qū)域；步驟3、提取同一時(shí)刻同一目標(biāo)的所述前景區(qū)域在由所述多個(gè)攝像機(jī)拍攝的畫(huà)面中的各自的形狀和位置特征，并使用RVM分類(lèi)器，確定每一幀畫(huà)面對(duì)應(yīng)的時(shí)刻的目標(biāo)姿態(tài)類(lèi)別；步驟4、將所得到的每一幀畫(huà)面的目標(biāo)姿態(tài)類(lèi)別作為目標(biāo)姿態(tài)值序列輸入到HMM評(píng)估-，得到目標(biāo)姿態(tài)類(lèi)別變化的后驗(yàn)概率，其中，所述目標(biāo)姿態(tài)類(lèi)別變化過(guò)程指示目標(biāo)摔倒事件的發(fā)生；以及步驟5、如果所述后驗(yàn)概率大于預(yù)定閾值，則確定目標(biāo)摔倒事件的發(fā)生。
[0019]本發(fā)明創(chuàng)新性地采用了 RVM和HMM結(jié)合的方式來(lái)進(jìn)行視頻畫(huà)面模式識(shí)別，不但能夠從視頻中識(shí)別出任意時(shí)刻的觀測(cè)對(duì)象姿態(tài)，還能夠識(shí)別任一段時(shí)間內(nèi)的姿態(tài)變化過(guò)程，這樣，對(duì)于像摔倒這樣的在一段時(shí)間內(nèi)發(fā)生姿態(tài)變化的情況，能夠?qū)崟r(shí)檢測(cè)出來(lái)。
[0020]本發(fā)明主要應(yīng)用于居家監(jiān)控視頻場(chǎng)景中，用于對(duì)監(jiān)控視頻中可能出現(xiàn)的摔倒(非正常臥倒)事件進(jìn)行監(jiān)測(cè)并及時(shí)報(bào)警，從而有效地保障被監(jiān)控者的人身安全。有益效果主要有:(1)對(duì)獨(dú)居的空巢老人進(jìn)行全天候?qū)崟r(shí)監(jiān)測(cè)，對(duì)老年人的行為和狀態(tài)進(jìn)行分析，自動(dòng)濾除掉無(wú)用信息，并對(duì)可能出現(xiàn)的老人摔倒事件做出快速判斷并報(bào)警，以進(jìn)行及時(shí)救助，從根本上保障獨(dú)居老人安全。(2)對(duì)需要監(jiān)管的病人進(jìn)行身體狀態(tài)的分析，在發(fā)生摔倒時(shí)，可以自動(dòng)向值班人員報(bào)警，提示醫(yī)護(hù)人員及時(shí)處理。一方面可以降低醫(yī)護(hù)人員的工作負(fù)擔(dān)，另一方面也為病人的及時(shí)救護(hù)提供了寶貴的時(shí)間。
【專(zhuān)利附圖】

【附圖說(shuō)明】
[0021]圖1是示出根據(jù)本發(fā)明的實(shí)施例的兩個(gè)相互垂直的攝像方向上的人體外接橢圓偏角的夾角差的示意圖；
[0022]圖2是示出根據(jù)本發(fā)明的實(shí)施例的人體所在背景的場(chǎng)景信息的示意圖；
[0023]圖3是示出根據(jù)本發(fā)明的實(shí)施例的訓(xùn)練出的3個(gè)RVM分類(lèi)器的結(jié)構(gòu)示意圖；
[0024]圖4為示出根據(jù)本發(fā)明的實(shí)施例的一段視頻中訓(xùn)練模型下姿態(tài)序列的對(duì)數(shù)后驗(yàn)概率log (P (O I λ))隨幀數(shù)變化的圖。
【具體實(shí)施方式】
[0025]下面，結(jié)合附圖對(duì)技術(shù)方案的實(shí)施作進(jìn)一步的詳細(xì)描述。
[0026]首先，簡(jiǎn)述本發(fā)明的原理。
[0027]根據(jù)本發(fā)明的實(shí)施例，基于HMM和RVM的實(shí)時(shí)摔倒檢測(cè)方法在模型訓(xùn)練階段主要包括以下步驟:1)特征提取，用來(lái)在兩個(gè)不同角度的攝像機(jī)的訓(xùn)練視頻幀中提取反映人體的姿態(tài)變化的多個(gè)特征；2)姿態(tài)分類(lèi)，利用提取的上述特征訓(xùn)練出分類(lèi)器，并通過(guò)分類(lèi)器得到每個(gè)訓(xùn)練視頻幀的姿態(tài)類(lèi)別；3)利用隱馬爾科夫模型(HMM)來(lái)對(duì)摔倒過(guò)程中的姿態(tài)變化進(jìn)行建模(生成HMM模型)。
[0028]根據(jù)本發(fā)明的實(shí)施例，基于RVM和HMM的實(shí)時(shí)摔倒檢測(cè)方法在事件檢測(cè)階段主要包括以下步驟:1)特征提取，用來(lái)在兩個(gè)不同角度的攝像機(jī)的測(cè)試視頻幀中提取反映人體的姿態(tài)變化的多個(gè)特征；2)姿態(tài)分類(lèi)，利用所訓(xùn)練出的分類(lèi)器得到每個(gè)測(cè)試視頻幀的姿態(tài)類(lèi)別；3)利用在上述訓(xùn)練階段生成的HMM模型，評(píng)估監(jiān)控視頻中的每一段運(yùn)動(dòng)過(guò)程(姿態(tài)類(lèi)別發(fā)生變化的過(guò)程)，從而判斷是否有摔倒事件發(fā)生。
[0029]下面，按照上面的順序分別說(shuō)明本發(fā)明的基于RVM和HMM的實(shí)時(shí)摔倒檢測(cè)方法的具體實(shí)現(xiàn)過(guò)程。本領(lǐng)域的技術(shù)人員能夠理解，以下有些步驟/操作同時(shí)存在于訓(xùn)練階段和測(cè)試階段，為了簡(jiǎn)明起見(jiàn)，不進(jìn)行重復(fù)說(shuō)明。[0030]1.特征提取
[0031]將摔倒的過(guò)程進(jìn)行分解，人體的姿態(tài)變化過(guò)程可歸結(jié)為站立-傾斜-躺(到地面)?；诖?，采用人體幾何外觀、場(chǎng)景信息組成的特征作為RVM分類(lèi)器的輸入，進(jìn)行姿態(tài)的判斷，可將居家視頻中人體的姿態(tài)大致分為4類(lèi):
[0032]I)站立；
[0033]2)傾斜；
[0034]3)躺(僅限地面)；
[0035]4)其他，包括坐、蹲、躺床上等。
[0036]上述分類(lèi)僅為示例，本領(lǐng)域的技術(shù)人員能夠理解，還可根據(jù)實(shí)際需要，將人體姿態(tài)分為與上述4類(lèi)不同的任意數(shù)目的類(lèi)別。
[0037]采用的人體幾何外觀特征有:
[0038]I)人體外接矩形的寬高比。針對(duì)站姿，這一比值較小，針對(duì)傾斜姿態(tài)，其外接矩形形狀接近正方形，寬高比接近于I ;
[0039]2)兩個(gè)攝像方向上的人體外接橢圓偏角的夾角差。為了從多個(gè)攝像角度分析人體姿態(tài)，需要考慮橢圓擬合的夾角。由于攝像機(jī)的透視變換，當(dāng)三維場(chǎng)景映射到二維圖像中存在一定的信息丟失，使得許多姿態(tài)不易區(qū)分，如站立、順著攝像機(jī)方向的躺等?？刹捎脙蓚€(gè)視線(xiàn)等高且相互垂直的攝像機(jī)，能夠有效地進(jìn)行信息互補(bǔ)。針對(duì)站立姿勢(shì)，由于目標(biāo)垂直于地平面，故在兩個(gè)攝像機(jī)畫(huà)面中，人體外接橢圓的長(zhǎng)軸與水平軸夾角均約為90°，因此兩個(gè)角度的差約為0° ;對(duì)于傾斜姿態(tài)，目標(biāo)與地平面呈一定夾角，兩個(gè)攝像方向上的夾角角度的差(絕對(duì)值)約在0°?90°范圍內(nèi)，一般顯著高于站姿下的該角度差(約0° );對(duì)于躺姿(僅限地面)，由于目標(biāo)平行于地平面，故兩個(gè)垂直攝像方向上的夾角(考慮正負(fù))的角度差(絕對(duì)值)約為90°。上述原理可通過(guò)圖1解釋(從上至下依次為站立、傾斜、躺；第一列為實(shí)際場(chǎng)景示意圖，第二三列分別為兩個(gè)攝像機(jī)拍攝畫(huà)面)。上述兩個(gè)視線(xiàn)等高且垂直的攝像機(jī)擺位僅為示例，本領(lǐng)域的技術(shù)人員能夠理解，實(shí)際上兩個(gè)攝像機(jī)的擺位還可以有其它方式，只要上述夾角在不同姿態(tài)下的變化能夠呈現(xiàn)某種規(guī)律即可。當(dāng)然，也可以使用更多的攝像機(jī)，從而得到更準(zhǔn)確、精細(xì)的分類(lèi)結(jié)果。
[0040]采用的場(chǎng)景信息特征有:
[0041]I)人體所在背景的場(chǎng)景信息直方圖。根據(jù)居家視頻特性，預(yù)先人工將場(chǎng)景區(qū)域進(jìn)行人為標(biāo)記，主要標(biāo)記為床/沙發(fā)/椅子區(qū)域、墻、地面，如圖2所示(其中灰色代表墻，黑色代表床/沙發(fā)/椅子，白色代表地面)。將三個(gè)區(qū)域以不同的值表示，統(tǒng)計(jì)人體所在區(qū)域的場(chǎng)景信息，計(jì)算三種灰度值所占比例，組成一個(gè)3bin的場(chǎng)景信息直方圖。
[0042]針對(duì)原始視頻，利用前景分割算法提取出運(yùn)動(dòng)區(qū)域(可參見(jiàn)文獻(xiàn)[7])，對(duì)于以上三種特征，均從上述兩個(gè)攝像畫(huà)面中同時(shí)提取，這樣共組成了一個(gè)2X1+1+3X2=9維特征向量。即，對(duì)于監(jiān)控視頻的每個(gè)視頻幀對(duì)應(yīng)的時(shí)刻，都提取出上述9維特征向量。
[0043]2.姿態(tài)分類(lèi)
[0044]接下來(lái)，可進(jìn)行姿態(tài)分類(lèi)。姿態(tài)分類(lèi)器采用RVM (例如，可使用在文獻(xiàn)[8]中公開(kāi)的RVM，因其測(cè)試速度較快)。由于RVM主要用于2分類(lèi)的情況，因此需要訓(xùn)練多個(gè)2分類(lèi)器，以便進(jìn)行逐層分類(lèi)。分析所提取的上述場(chǎng)景信息特征和人體外觀特征，由于此兩類(lèi)特征不同，故采用決策樹(shù)的分類(lèi)結(jié)構(gòu)將這兩類(lèi)特征分開(kāi)考慮，每次選取部分特征作分類(lèi)，逐層判斷。依次選取場(chǎng)景直方圖、外接矩形寬高比和外接橢圓角度差三種特征，訓(xùn)練出3個(gè)2分類(lèi)器，得到的分類(lèi)結(jié)構(gòu)如下圖3所示。具體地，例如，第一個(gè)分類(lèi)器RVMl可用來(lái)區(qū)分上述第4類(lèi)姿態(tài)與其它3類(lèi)姿態(tài)，第二個(gè)分類(lèi)器RVM2用來(lái)區(qū)分上述第3類(lèi)姿態(tài)與第1、2類(lèi)姿態(tài)，第三個(gè)分類(lèi)器RVM3用來(lái)區(qū)分上述第2類(lèi)姿態(tài)與第I類(lèi)姿態(tài)。
[0045]這樣，對(duì)于兩個(gè)攝像機(jī)各自拍攝的每一幀中提取的上述9維特征，均依次送入這3個(gè)分類(lèi)器中，得到姿態(tài)分類(lèi)的結(jié)果。根據(jù)每幀中人員的姿態(tài)，得到相應(yīng)的姿態(tài)類(lèi)型編號(hào)，從而產(chǎn)生姿態(tài)序列,此即為下面的HMM評(píng)估中用到的HMM模型中的觀測(cè)序列，其中狀態(tài)數(shù)N即為4，即有上述4種可能的輸出狀態(tài)。
[0046]RVM分類(lèi)器的預(yù)測(cè)分類(lèi)過(guò)程可以概述如下(具體可參考文獻(xiàn)[8]):
[0047]I)已知參與訓(xùn)練的特征矩陣X e Rnxm、測(cè)試樣本中得到的新特征向量X* e Rixn以及訓(xùn)練得到的RVM模型向量P e RmX1，其中η是特征維數(shù)，m為參與訓(xùn)練的樣本個(gè)數(shù)；
[0048]2)利用x*和X計(jì)算基向量b e Rixm;
[0049]3)將基向量與模型相乘得到數(shù)值y = b*p，gy > 0.5，則預(yù)測(cè)為正類(lèi)，反之預(yù)測(cè)為負(fù)類(lèi)。
[0050]所述RVM分類(lèi)器的訓(xùn)練過(guò)程包括:
[0051]I)選擇適當(dāng)?shù)暮撕瘮?shù)，將特征向量映射到高維空間。常用的幾種核函數(shù)包括RBF核函數(shù)，Laplace核函數(shù)，多項(xiàng)式核函數(shù)等，在本發(fā)明中采用RBF核；
[0052]2 )初始化RVM參數(shù)；
[0053]3)從四種姿態(tài)(站、躺地、傾斜、其他)的訓(xùn)練樣本提取姿態(tài)特征，所有樣本的特征組成特征矩陣X，所有樣本對(duì)應(yīng)的姿態(tài)標(biāo)號(hào)組成向量Y ;
[0054]4)根據(jù)貝葉斯準(zhǔn)則，用訓(xùn)練特征和標(biāo)號(hào)迭代求解訓(xùn)練樣本最優(yōu)的權(quán)重分布和分布參數(shù)；
[0055]5)輸出RVM參數(shù)，即訓(xùn)練得到的模型。
[0056]3.HMM 評(píng)估
[0057]在每一幀中，記錄目標(biāo)的姿態(tài)類(lèi)別，為了利用HMM，將目標(biāo)姿態(tài)用離散值表示，即(0、1、2、3)，這樣在連續(xù)的一段時(shí)間中，得到一組長(zhǎng)度為T(mén) (對(duì)應(yīng)于視頻的幀數(shù))的目標(biāo)姿態(tài)值序列，即觀測(cè)序列O1O2...0T。在訓(xùn)練階段，根據(jù)HMM學(xué)習(xí)問(wèn)題，利用摔倒過(guò)程中提取到的觀測(cè)序列O1O2...0t進(jìn)行學(xué)習(xí)，找到一組模型參數(shù)λ = {>，Α，Β}使得Ρ(0| λ)最大，此即HMM摔倒模型的參數(shù)。
[0058]所述HMM模型的訓(xùn)練過(guò)程包括:
[0059]I)收集多段不同摔倒者不同方向的摔倒視頻；
[0060]2)提取每段摔倒視頻中的特征，并利用RVM進(jìn)行姿態(tài)分類(lèi)，在一個(gè)時(shí)間滑窗內(nèi)，將每一巾貞輸出的姿態(tài)編號(hào)作為HMM觀測(cè)序列；
[0061 ] 3 )利用基于多觀測(cè)序列的Baum-Welch訓(xùn)練算法訓(xùn)練HMM模型λ，傳統(tǒng)的Baum-Welch算法步驟如下(可參見(jiàn)文獻(xiàn)[9]):
[0062]3-1為模型參數(shù)賦一個(gè)初值入。；
[0063]3-2利用前向后向方法(可參見(jiàn)文獻(xiàn)[10])，計(jì)算在該模型下觀測(cè)序列O的后驗(yàn)概率，即ρ(0入。)；
[0064]3-3基于觀測(cè)序列O和當(dāng)前模型參數(shù)，更新模型參數(shù)λ，其更新公式為:
【權(quán)利要求】
1.一種基于監(jiān)控視頻的實(shí)時(shí)摔倒事件檢測(cè)方法，其中，在檢測(cè)場(chǎng)景中安裝有朝向同一目標(biāo)區(qū)域、拍攝角度不同的多個(gè)攝像機(jī)，所述多個(gè)攝像機(jī)連續(xù)拍攝目標(biāo)區(qū)域，所述方法包括以下步驟: 步驟1、所述多個(gè)攝像機(jī)同時(shí)拍攝目標(biāo)區(qū)域的一段視頻； 步驟2、從所述多個(gè)攝像機(jī)各自拍攝的同一時(shí)段的多個(gè)視頻中，分別提取出視頻的每一幀畫(huà)面的代表目標(biāo)的前景區(qū)域；步驟3、提取同一時(shí)刻同一目標(biāo)的所述前景區(qū)域在由所述多個(gè)攝像機(jī)拍攝的畫(huà)面中的各自的形狀和位置特征，并使用RVM分類(lèi)器，確定每一幀畫(huà)面對(duì)應(yīng)的時(shí)刻的目標(biāo)姿態(tài)類(lèi)別；步驟4、將所得到的每一幀畫(huà)面的目標(biāo)姿態(tài)類(lèi)別作為目標(biāo)姿態(tài)值序列輸入到HMM評(píng)估_，得到目標(biāo)姿態(tài)類(lèi)別變化的后驗(yàn)概率，其中，所述目標(biāo)姿態(tài)類(lèi)別變化過(guò)程指示目標(biāo)摔倒事件的發(fā)生；以及 步驟5、如果所述后驗(yàn)概率大于預(yù)定閾值，則確定目標(biāo)摔倒事件的發(fā)生。
2.根據(jù)權(quán)利要求1所述的實(shí)時(shí)摔倒事件檢測(cè)方法，其中， 所述目標(biāo)姿態(tài)類(lèi)別包括以下四個(gè)類(lèi)別:1)站立；2)傾斜；3)躺在地面；4)其他， 所述目標(biāo)姿態(tài)類(lèi)別變化表示以下變化:站立一傾斜一躺在地面， 其中，所述多個(gè)攝像機(jī)為拍攝視角相互垂直的兩個(gè)攝像機(jī)，并且，事先在每個(gè)攝像機(jī)拍攝的目標(biāo)區(qū)域中標(biāo)記出多類(lèi)子區(qū)域， 所述形狀和位置特征包括以下3個(gè)特征:1)目標(biāo)的外接矩形的寬高比；2)兩個(gè)攝像機(jī)各自的拍攝方向上的目標(biāo)的外接橢圓的長(zhǎng)軸與水平線(xiàn)之間的夾角之差；3)目標(biāo)的位置處于哪類(lèi)子區(qū)域。
3.根據(jù)權(quán)利要求2所述的實(shí)時(shí)摔倒事件檢測(cè)方法，其中，所述RVM分類(lèi)器包括3個(gè)2分類(lèi)器，其中，第一個(gè)2分類(lèi)器區(qū)分所述四個(gè)類(lèi)別中的前三個(gè)類(lèi)別與第四個(gè)類(lèi)別，第二個(gè)2分類(lèi)器區(qū)分所述四個(gè)類(lèi)別中的前二個(gè)類(lèi)別與第三個(gè)類(lèi)別，第三個(gè)2分類(lèi)器區(qū)分所述四個(gè)類(lèi)別中的第二個(gè)類(lèi)別與第一個(gè)類(lèi)別。
4.根據(jù)權(quán)利要求3所述的實(shí)時(shí)摔倒事件檢測(cè)方法，其中，所述RVM分類(lèi)器的訓(xùn)練過(guò)程包括以下步驟: 步驟11、從分別屬于所述四個(gè)類(lèi)別的訓(xùn)練樣本視頻中提取所述形狀和位置特征，組成特征矩陣X，所有訓(xùn)練樣本視頻對(duì)應(yīng)的所述目標(biāo)姿態(tài)類(lèi)別組成向量Y ； 步驟12、采用RBF核函數(shù)，將所述特征矩陣X映射到高維空間； 步驟13、根據(jù)貝葉斯準(zhǔn)則，求解最優(yōu)的權(quán)重分布和分布參數(shù)，作為RVM參數(shù)。
5.根據(jù)權(quán)利要求4所述的實(shí)時(shí)摔倒事件檢測(cè)方法，其中，所述HMM模型的訓(xùn)練過(guò)程包括以下步驟: 步驟21、輸入K段包含摔倒事件的摔倒樣本視頻； 步驟22、從每段摔倒樣本視頻的每一幀畫(huà)面提取所述形狀和位置特征，并使用RVM分類(lèi)器，確定每一幀畫(huà)面對(duì)應(yīng)的時(shí)刻的目標(biāo)姿態(tài)類(lèi)別，將目標(biāo)姿態(tài)類(lèi)別編號(hào)組成HMM觀測(cè)序列集合 O = {0(1),0(2),…O?}； 步驟23、利用基于多觀測(cè)序列的Baum-Welch訓(xùn)練算法訓(xùn)練得到HMM模型。
6.根據(jù)權(quán)利要求5所述的實(shí)時(shí)摔倒事件檢測(cè)方法，其中，所述步驟23包括以下步驟: 步驟23-1、為當(dāng)前模型參數(shù)λ賦予初值λ ^，其中λ = {Ji, A, B}；步驟23-2、利用前向后向方法，計(jì)算在當(dāng)前模型參數(shù)的初值λ 0下的觀測(cè)序列集合O的后驗(yàn)概率Ρ(0| λ0)； 步驟23-3、基于以下公式，更新模型參數(shù)λ:
【文檔編號(hào)】G06K9/66GK103955699SQ201410125985
【公開(kāi)日】2014年7月30日 申請(qǐng)日期:2014年3月31日 優(yōu)先權(quán)日:2014年3月31日
【發(fā)明者】趙衍運(yùn), 姜媚, 莊伯金, 蘇菲, 趙志誠(chéng) 申請(qǐng)人:北京郵電大學(xué)