论文部分内容阅读
当今人类的有效寿命在不断增长,独居老人也日益增多。跌倒逐渐成为独居老人意外伤亡的第一要素,因此,如何低成本地解决老人意外跌倒的监测与自动求助问题具有非常高的现实意义。国内外对跌倒监测的方法主要有三种:基于可穿戴式传感器设备的跌倒监测;基于外围环境传感器的跌倒监测;基于计算机视觉的跌倒监测。由于基于计算机视觉的跌倒监测具有无侵入性、易于使用等特点,具有广阔的推广前景,因此本文主要研究基于计算机视觉的跌倒监测方法。跌倒监测系统的主要处理流程包含三个步骤:运动目标提取、特征的选择与计算、姿态和动作识别。在运动目标提取阶段,本文使用混合高斯背景建模的方法,为了解决前景目标长时间静止不动时消失的问题,提出了融合边缘提取和背景差分的方法在一定程度上改善了提取效果;对于边缘提取算法,根据Sobel边缘提取算法,在90°和180°的滤波模板上引入了45°和135°滤波模板,提升了边缘提取的效果;此外,还结合了HSV颜色空间进行阴影消除;最后,结合形态学、滤波等处理,提取出边缘清晰、内部充实的运动目标。在特征提取阶段,本文对各种静态特征和动态特征进行提取。在特征提取前,首先要标记感兴趣区域,本文在常见的最小外接矩形的提取方法的基础上,提出了基于点集质心坐标距离和轮廓面积比对的最小外接矩形提取方法,可在一定程度上抵抗背景噪声的影响和保证前景提取的完整性;此外还设计了外接矩宽高比、周长平方面积比、离心率、质心坐标、Hu矩、傅里叶描述子等特征的提取方法,通过将特征组合成向量,完成从图像到数值空间的转换;最后,本文通过反馈实验,得到最优的特征组合方式。在姿态识别阶段,为了更好地完成对室内跌倒行为的检测,本文采集了几种室内常见的行为作为实验数据集,包括行走、坐下、蹲下、弯腰、和跌倒。本文引入了支持向量机(SVM)完成对单帧图像的姿态识别并设计了其实验方法。将视频帧分成训练集和测试集,在确定核函数和完成参数搜索后,对每一帧图像运动目标的特征向量进行训练与分类,最终平均识别准确率达98.72%;另外,本文引入了隐马尔科夫模型(HMM)完成了对多帧图像的姿态识别并设计了其实验方法。在获取每一帧的特征向量后,对所有的特征向量进行聚类,则可根据聚类的结果将每一帧的特征向量量化成一个聚类的标号,可将一个完整动作序列的向量组合降维成一个有限观察状态的标号序列,用于隐马尔科夫建模,最终平均识别准确率达87.01%。树莓派价格低廉,运算开销小,开发成本低,是理想的设计平台,因此本研究基于前述的实验成果,设计并开发了一套基于树莓派使用的跌倒监测系统。监测系统分为服务器和客户端两部分,服务器基于树莓派和CSI摄像头组成,具有多线程服务能力;客户端可以是Linux、Windows或者Mac系统的通用计算机,提供GUI操作界面使用。