一种基于Kinect人体摔倒检测方法.docVIP

一种基于Kinect的人体摔倒检测方法 　　摘 要：为了实时监测老人的跌倒信息，提出一种基于Kinect体感传感器的自动检测摔倒方法。人在摔倒时，身体重心、速度会快速改变，身体的中心点会从比较高的位置下降到地面。基于此，通过对人体头部、腰部、膝盖等几个关键的骨骼点进行高度和速度的监测，两者结合判断，如果超出所设定的阈值，则判定为跌倒事件发生。 　　关键词：Kinect；自动检测；跌倒事件 　　DOIDOI：10.11907/rjdk.171257 　　中图分类号：TP319 　　文献标识码：A 文章编号：1672-7800（2017）007-0125-03 　　0 引言 　　随着经济和社会的快速发展，中国已开始进入老龄化社会，每年都有大量老人因为没有得到及时救助而错过了最佳求救时间，从而导致生命安全事故频发。当他们独自外出或者待在家里时，一些意外事件经常发生。为了让他们的生命安全得到保障，通过人机交互的方式实时监测人体活动信息。通过这种方式，可以在老人或者孩子发生跌倒意外时通过报警求助信息及时加以求助。本文采用Kinect体感传感器设备，提取人体骨骼信息，然后对身体的中心点在摔倒时下降的高度和速度进行判断，两者综合比较判断人体是否真的跌倒。Kinect提供了丰富的能够识别人体特征的信息源，通过这些信息源对提取到的人体图像进行处理和骨骼追踪变得十分方便。此外，Kinect还具有语音识别功能，不受环境光线的干扰，即使在全黑暗的环境中也可以正常使用。 　　1 跌倒检测分析与设计方法 　　1.1 人体特征提取及动作识别 　　Kinect在使用时，得到的原始深度图有噪声和一些毛刺，这些噪声有很大的不稳定性，从而导致提取出来的人体图像不正确，也不具备稳定性。因此，在提取人体姿势信息之前，需要对原始深度图进行预处理，用算法消除图像的噪声。 　　采用Kinect得到的原始图像的分辨率并不是很高，这也是一大不足。本文通过使用泊松方程及一系列算法使得原始深度图的图片质量得以提高。泊松算法可判断人体表面的特征点是否为噪声。其具体原理为：首先，提取物体表面特征点的朝向及角度，并判断该点存在于空间的可能位置，同时，根据朝向的判断，借助泊松方程在特征点周围形成一个虚拟的距离场，然后，根据判断出的采样特征点的位置平均估计出它对周围的影响及周围表面距离场的具体情况[1]。每个特征点都是由周围很多点共同决定的最终状态。因此，如果图像的观察点位置有凸起的特征，而且周围的点没有表现出此类特征，则该点就是噪声并消除。Kinect自带的采样精度低的缺陷导致很多小的特征点被误判为噪声。 　　中值滤波是常用的噪声去除方法，它是一种基于排序统计理论的非线性信号处理技术，其依据的原理是在数字图像或数字序列中，设定一个尺寸模板，在目标点附近取该尺寸模板能覆盖到的值，再对这些值进行排序，并选取最中间的值作为该点滤波后的值，同时让目标点附近像素点的像素值趋近真实值，从而使噪声点孤立并滤除[2]。具体方法为利用特定结构的二维滑动模板，按像素值的大小对模板内的像素进行排序，进而生成了单调的二维数据序列。二维中值滤波的输出公式为： 　　式（1）中g（x，y）为滤波后图像，f（x，y）为原始图像，一般为3×3或5×5的区域。 　　滤波会对图像的清晰度造成下降，且本文中Kinect传感器的分辨率较低，为了获取清晰的滤波图像，需谨慎地选择滤波的模板。由于Kinect的深度图像的噪声点是没有值的，因而选用滤波模板为5像素大小。图像滤波前后对比如图1所示，本算法明显消除了噪声点。 　　人与背景的分割原理，是指对当前的视频帧图像与背景图像做减法，去除当前图像中的复杂背景，从而提取出人体目标。对于深度图像，能有效去除背景，即可准确保留所需的人体信息[3]。本文将采用背景差分法进行深度图像中人与背景的分割。 　　使用背景差分法分离出前景目标后，需对图像进行二值化处理，以便去除噪声。图3（a）为复杂背景中的深度图，（b）为背景差分法提取出人体区域并经二值化处理之后的效果。 　　在所有的预处理步骤完成后，对人体进行特征分析。为了确定是否有跌倒事件发生，对人的中心点进行分析，从速度和高度这两个特征着手，程序流程如图4所示。 　　人在正常的直立状态下，身体的头部、腰部及两髋等中心点的连接线与地面呈现垂直关系，当有摔倒情况出现时，身体的质心在高度和速度等方面会突然发生变化，本文主要以这两个为主要研究点。相对于其它研究方法，这种方式更为简洁、准确。对中心点，如腰部设定一个阈值，此阈值是经过大量的实验选取的最佳判断点，如果中心点高度在一定的时间范围内小于所设置的值，表明有跌倒事件发生，此外再检测速度，综合得出跌倒时间的判定。 　　1.2 系统方案选择 　　Kinect体感器具