CN107657244A - 一种基于多摄像机的人体跌倒行为检测***及其检测方法 - Google Patents

一种基于多摄像机的人体跌倒行为检测***及其检测方法 Download PDF

Info

Publication number
CN107657244A
CN107657244A CN201710952871.7A CN201710952871A CN107657244A CN 107657244 A CN107657244 A CN 107657244A CN 201710952871 A CN201710952871 A CN 201710952871A CN 107657244 A CN107657244 A CN 107657244A
Authority
CN
China
Prior art keywords
human body
camera
behavioral value
tumble
video
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN201710952871.7A
Other languages
English (en)
Other versions
CN107657244B (zh
Inventor
钱惠敏
丁彬
周军
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hohai University HHU
Original Assignee
Hohai University HHU
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Hohai University HHU filed Critical Hohai University HHU
Priority to CN201710952871.7A priority Critical patent/CN107657244B/zh
Publication of CN107657244A publication Critical patent/CN107657244A/zh
Application granted granted Critical
Publication of CN107657244B publication Critical patent/CN107657244B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/20—Movements or behaviour, e.g. gesture recognition
    • G06V40/23—Recognition of whole body movements, e.g. for sport training

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Engineering & Computer Science (AREA)
  • Multimedia (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Health & Medical Sciences (AREA)
  • Psychiatry (AREA)
  • Social Psychology (AREA)
  • Human Computer Interaction (AREA)
  • General Health & Medical Sciences (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于多摄像机的人体跌倒行为检测方法，包括步骤：基于多摄像机的监控视频获取，运动的人体目标检测和分类，轮廓深度图和质心运动速率特征提取，基于支持向量机组合分类器的跌倒检测，以及多摄像机的检测结果融合。当***检测到人体跌倒行为时，立即向监控终端发出告警信号。本发明采用多个摄像机融合监控，实现独居空巢老人的智能家居看护，可避免因遮挡引起的误检和漏检，检测准确率高，算法具有实时性。

Description

一种基于多摄像机的人体跌倒行为检测***及其检测方法
技术领域
本发明涉及智能视频监控与计算机视觉技术领域，具体涉及一种基于多摄像机智能视频监控***下的人体跌倒行为检测方法，还涉及基于此检测方法的检测***。
背景技术
目前，我国已进入老龄化社会，同时由于社会经济的发展、人口流动现象的日益明显，以及家庭结构的小型化等，独居空巢老人的比率正在不断提高。老年人的安全看护问题是家庭和社会都在密切关注的问题；其中，跌倒是引发老年人致伤的主要原因。
按所使用的传感器，目前常用的人体跌倒行为检测技术可分成三类：基于穿戴式传感器的人体跌倒检测、基于环境布设传感器的人体跌倒检测，和基于视觉传感器的人体跌倒检测。
穿戴式传感器具有设置和操作简单、适用范围广泛等优点，但是穿戴后会对人体活动造成一定影响，而且老年人往往会忘记穿戴。环境布设传感器的优点是无需穿戴，不影响老年人的活动，但误检率较高。由于摄像头的普及，视觉传感器的架设成本降低，无接触方式也不会造成老年人的负担，且视觉传感器可附加记录功能，可用于后期诊断治疗时准确分析跌倒的原因。
基于单个视觉传感器的视频监控***，由于家居环境中的物品的遮挡，会出现漏检测的问题。因此，需要发明一种更完善的独居空巢老人智能看护视频监控***，自动检测人体跌倒行为并告警。
发明内容
本发明的目的在于克服现有技术中的不足，提供了一种基于多摄像机的人体跌倒行为检测***及其检测方法，通过提取基于二维泊松方程的轮廓深度图的方向梯度直方图特征，识别出跌倒行为，提高检测准确率，并综合多个摄像机下的人体跌倒检测结果，解决单摄像机下由于被遮挡导致漏检测的问题。
为解决上述技术问题，本发明提供了一种基于多摄像机的人体跌倒行为检测***，其特征是，包括多摄像机视频信号采集模块、人体检测和识别模块、特征提取模块、跌倒行为检测模块和告警模块；
多摄像机视频信号采集模块，通过分散架设在监控现场不同位置的多个摄像机，从不同角度分别摄录监控视频，并输出视频图像帧至人体检测和识别模块；
人体检测和识别模块，对各视频图像帧进行运动目标的检测，并从运动目标中识别出人体目标，获得人体二值图像序列输入特征提取模块；
特征提取模块，基于获得的人体二值图像序列，针对其中连续的N帧图像，获得时空轮廓演变图以及水平方向的质心运动速率特征，在时空轮廓演变图的非零元素区域上定义二维泊松方程组，求解该方程组得到轮廓深度图，并提取轮廓深度图的方向梯度直方图特征；
跌倒行为检测模块，基于特征提取模块获得的方向梯度直方图特征和水平方向的质心运动速率特征，利用支持向量机组合分类器进行行为分类检测，获得人体行为检测结果输入告警模块；
告警模块，基于获得的各个摄像机的人体行为检测结果，当任一摄像机的检测结果为跌倒行为时，输出告警信息。
相应的，本发明还提供了一种基于多摄像机的人体跌倒行为检测方法，其特征是，包括以下步骤：
步骤S1，获取各个摄像机拍摄的视频图像帧；
步骤S2，对各视频图像帧进行运动目标的检测，并从运动目标中识别出人体目标，获得人体二值图像序列；
步骤S3，基于获得的人体二值图像序列，针对其中连续的N帧图像获得时空轮廓演变图以及水平方向的质心运动速率特征vh(t)；
步骤S4，在时空轮廓演变图的非零元素区域上定义二维泊松方程组，求解该方程组得到轮廓深度图，并提取轮廓深度图的方向梯度直方图特征；
步骤S5，基于提取的方向梯度直方图特征和水平方向的质心运动速率特征，利用支持向量机组合分类器进行行为分类检测，获得人体行为检测结果；
步骤S6，基于上述2至5步骤获得各个摄像机的人体行为检测结果，当任一摄像机的检测结果为跌倒行为时，输出告警信息。
进一步的，所述步骤S2中，采用基于混合高斯模型的背景建模和更新方法，对各视频图像帧进行运动目标的检测。
进一步的，步骤S3中，获得时空轮廓演变图及质心运动速率特征的具体计算过程如下：
(3.1)对连续的N帧人体二值图像计算其中每一帧中人体的质心坐标(xc(t),yc(t))；计算质心运动速率vh(t)＝S·|xc(t)-xc(t-1)|，其中，S表示t时刻图像中人体高度与N帧图像中人体高度的最大值的比值；
(3.2)平移每一帧图像I(·,·,t)中的人体目标，使得其质心位于同一位置，从而获得平移后的图像序列
(3.3)根据平移后的图像序列计算其时空轮廓演变图E(x,y)。
进一步的，时空轮廓演变图的计算公式为
进一步的，步骤S4中，采用Gauss-Seidel迭代算法求解离散泊松方程组。
进一步的，步骤S4中，根据轮廓深度图计算其方向梯度直方图的过程为：
首先，将SDI调整为规范尺寸，设调整后的图像为g，计算每个像素上的梯度幅值G(x,y)和梯度方向O(x,y)；
接着，将图像g分割为多个包含m×m像素点的细胞单元，在每个细胞单元内，通过加权投票的方式计算梯度方向直方图，得到其表示向量；
然后，组合n×n细胞单元构成块区域，顺序连接块区域内的细胞单元表示向量，得到块区域的归一化表示向量；
最后，堆列块区域表示向量，得到SDI-HOG对应的特征向量。
进一步的，步骤S5中，多分类支持向量机组合分类器由三个支持向量机分类器{SVM1,SVM2,SVM3}构成。
与现有技术相比，本发明所达到的有益效果是：
(1)采用基于轮廓深度图的方向梯度直方图特征检测跌倒行为，使用基于组合分类器的分层分类方法，降低了检测难度，提高了运算速度，以及检测的准确率；
(2)采用多个摄像机融合监控，使得目标在被遮挡的情况下，也能准确检测跌倒行为。
附图说明
图1是本发明方法的流程图；
图2是本发明实施例中获取的人体二值图像序列示意图；
图3是对图2所示的图像进行处理获得的时空轮廓演变图；
图4是对图3所述的时空轮廓演变图进行处理获得的轮廓深度图；
图5是组合分类器的框架图。
具体实施方式
下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。
本发明的一种基于多摄像机的人体跌倒行为检测***，包括多摄像机视频信号采集模块、人体检测和识别模块、特征提取模块、跌倒行为检测模块和告警模块；
多摄像机视频信号采集模块，通过分散架设在监控现场不同位置的多个摄像机，从不同角度分别摄录监控视频，并输出视频图像帧至人体检测和识别模块；
人体检测和识别模块，对各视频图像帧进行运动目标的检测，并从运动目标中识别出人体目标，获得人体二值图像序列输入特征提取模块；
特征提取模块，基于获得的人体二值图像序列，针对其中连续的N帧图像，获得时空轮廓演变图以及水平方向的质心运动速率特征，在时空轮廓演变图的非零元素区域上定义二维泊松方程组，求解该方程组得到轮廓深度图，并提取轮廓深度图的方向梯度直方图特征；
跌倒行为检测模块，基于特征提取模块获得的方向梯度直方图特征和水平方向的质心运动速率特征，利用支持向量机组合分类器进行行为分类检测，获得人体行为检测结果输入告警模块；
告警模块，基于获得的各个摄像机的人体行为检测结果，当任一摄像机的检测结果为跌倒行为时，输出告警信息。
相应的，本发明的一种基于多摄像机的人体跌倒行为检测方法，其流程如图1所示，分为离线训练流程和在线测试流程。离线训练方法中的各个步骤与在线检测方法的实现方式相同，以在线测试流程为例，本发明方法包括以下步骤：
步骤S1，获取各个摄像机拍摄的视频图像帧；
通过多个安装在监控现场不同位置的摄像机分别摄录监控视频，获取各个视角下的视频图像，每一个视角下摄像机获取的视频图像帧大小为320像素×240像素尺寸。
步骤S2，对各视频图像帧进行运动目标的检测，并从运动目标中识别出人体目标，获得人体二值图像序列；
家居环境下，背景通常是固定的或相对变化较小，光照变化是影响目标检测结果的主要原因。现有技术中的基于混合高斯模型的目标检测算法在此类环境变化下能够准确检测运动目标。
因此，本发明中采用基于混合高斯模型的背景建模和更新方法，对每个摄像机的视频图像帧实施运动目标检测，从而检测出运动目标。本发明实施例中在建立混合高斯模型时，考虑到存储和计算成本，高斯分布的个数选择3-5个。
由于独居空巢老人的家居环境下可能出现的运动目标，一般情况下仅包括人和宠物。因此对检测到的运动目标划定最小外接矩形框，根据矩形框内的目标区域的面积，以及矩形框的宽高比特征，从中检测出人体目标。对被判为非人体区域中的像素值置零，从而使得图像中仅仅包含人体目标，并将场景中的人体目标以二值图像序列的形式给出，从而获得人体剪影轮廓变化序列。本发明实施例中对视频图像帧进行此步骤操作后，获得的人体二值图像序列如图2所示。
步骤S3，基于获得的人体二值图像序列，针对其中连续的N帧图像获得时空轮廓演变图以及水平方向的质心运动速率特征vh(t)；
本步骤的目的是，从上一步获得的人体二值图像序列中提取出人体轮廓演变特征和运动学特征，给出人体行为的特征描述。具体过程如下：
(3.1)对连续的N帧人体二值图像(N可为1～3秒摄录的视频帧数)，计算其中每一帧中人体的质心坐标(xc(t),yc(t))；同时，统计N帧图像中人体的高度，计算人体高度的最大值；计算质心运动速率vh(t)＝S·|xc(t)-xc(t-1)|，其中，S表示t时刻图像中人体高度与N帧图像中人体高度的最大值的比值。
(3.2)平移每一帧图像I(·,·,t)中的人体目标，使得其质心位于同一位置(x0(t),y0(t))，从而获得平移后的图像序列
二值图像中人体目标的平移处理是指将所有属于人体目标的像素点在图像上均移动指定像素距离，距离由当前图像帧中人体目标的质心位置(xc(t),yc(t))和参考图像帧中人体目标的质心位置(x0(t),y0(t))决定。参考帧可以选二值图像序列中的第一帧图像。
平移处理的目的是忽略人体运动在水平或垂直方向上产生的移动，主要衡量人体运动过程中人体剪影轮廓随时间的变化规律，便于后续讨论中以此剪影轮廓变化区分跌倒行为和其余日常行为。
(3.3)根据平移后的图像序列计算其时空轮廓演变图E(x,y)。
时空轮廓演变图是平移后二值图像在时间上的叠加，不仅体现了人体剪影轮廓在单个二维图像平面上的空间聚合，更揭示出人体剪影轮廓在对应二维图像平面上的投影的时间发生概率。其中，时空轮廓演变图的计算公式为本发明实施例中对图2所示的人体行为二值图计算时空轮廓演变图，如图3所示。时空轮廓演变图对行为的持续时间具有不变性，从而可解决人体行为的时间差异性带来的识别困难。
步骤S4，在时空轮廓演变图的非零元素区域上定义二维泊松方程组，求解该方程组得到轮廓深度图，并提取轮廓深度图的方向梯度直方图特征；
具体过程如下：
(4.1)在时空轮廓演变图的每一个非零元素像素上定义离散泊松方程，从而对每个时空轮廓演变图而言，得到一个离散泊松方程组，并根据时空轮廓演变图中的目标区域确定离散泊松方程组的边界条件；
其中，在像素(x,y)上定义的离散泊松方程为
φ(x,y)＝1+1/4[φ(x+h,y)+φ(x-h,y)+φ(x,y+h)+φ(x,y-h)]，
(4.2)采用Gauss-Seidel迭代算法求解离散泊松方程组，直至相邻两次迭代结果的差值满足给定的停止条件(例如本实施例中停止条件为差值e<10-3)为止，从而获得方程组的数值逼近解，即为轮廓深度图；对图3的进行求解得到的轮廓深度图如图4所示；
(4.3)根据轮廓深度图(SDI)，计算其方向梯度直方图(SDI-HOG)，分四步实现：首先，将SDI调整为规范尺寸，设调整后的图像为g，计算每个像素上的梯度幅值G(x,y)和梯度方向O(x,y)；接着，将图像g分割为多个包含m×m像素点的细胞单元，在每个细胞单元内，通过加权投票的方式计算梯度方向直方图，得到其表示向量；然后，组合n×n细胞单元构成块区域，顺序连接块区域内的细胞单元表示向量，得到块区域的归一化表示向量；最后，堆列块区域表示向量，得到SDI-HOG对应的特征向量。
其中，梯度幅值G(x,y)和梯度方向O(x,y)为且
在分割图像后的每个细胞单元内，梯度直方图的加权投票计算方法是：将梯度范围[0,π]等分为M个区间，找到细胞单元内每个像素处的梯度方向所属区间，并将该像素处的梯度幅值作为权值，统计每个区间内的梯度直方图。因此，每个细胞单元对应维度为1×M的表示向量。
本发明实施例中使用的参数如下：轮廓深度图的尺寸调整为160×80，细胞单元的尺寸为8×8，统计细胞单元内的梯度直方图时，将梯度范围[0,π]等分为9个区间，且每2个细胞单元构成一个块，相邻块之间的重叠比例选择为0.5。
步骤S5，基于提取的方向梯度直方图特征和水平方向的质心运动速率特征，利用支持向量机组合分类器进行行为分类检测；
(5.1)预先获取多个摄像机在监控场景下的人体日常行为样本，每类行为至少有50个样本，建立多视角视频样本集；
(5.2)从多视角视频样本集中，针对每个视角下的样本集，按步骤2至4提取SDI-HOG和vh特征向量，继而训练多分类支持向量机组合分类器；
(5.3)每个视角下的多分类支持向量机组合分类器由三个支持向量机分类器{SVM1,SVM2,SVM3}构成，如图5所示，样本对应的特征向量首先被第一层的SVM1分类，根据分类结果继而将相应的特征向量输入第二层的SVM2或SVM3，得到最终分类结果。组合分类器的训练方法如下：首先，用vh特征向量训练一个二分类支持向量机SVM1，将所有行为样本分为两类，即在水平方向上有明显移动的行为(Act-I类)和在水平方向上移动不明显或几乎没有移动的行为(Act-II类)；然后，对所有分类为Act-I类的行为样本，采用其SDI-HOG特征向量再训练一个二分类支持向量机SVM2，跌倒行为样本为正样本，其余行为样本为负样本，类似地，采用所有分类为Act-II类的行为样本，按相同规则训练另一个二分类支持向量机SVM3。
(5.4)在线获取每个视角下的行为视频，按步骤2至4提取SDI-HOG和vh特征向量，并采用已经训练好的该视角下的支持向量机组合分类器实现跌倒行为检测。
步骤S6，基于上述2至5步骤获得各个摄像机的人体行为检测结果，当任一摄像机的检测结果为跌倒行为时，输出告警信息。
多个摄像机下的监控结果融合机制是，如果有一个摄像机下的检测结果是跌倒行为，则判别结果可能为跌倒行为，立即向监控终端发送告警信息，并触发标识该时刻前后两分钟的监控视频。确定此融合机制的考虑是：跌倒行为对老人可能造成的伤害往往很严重，即时的发现和处理可以减轻伤害。
本领域内的技术人员应明白，本申请的实施例可提供为方法、***、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(***)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变型，这些改进和变型也应视为本发明的保护范围。

Claims (8)

1.一种基于多摄像机的人体跌倒行为检测***，其特征是，包括多摄像机视频信号采集模块、人体检测和识别模块、特征提取模块、跌倒行为检测模块和告警模块；
多摄像机视频信号采集模块，通过分散架设在监控现场不同位置的多个摄像机，从不同角度分别摄录监控视频，并输出视频图像帧至人体检测和识别模块；
人体检测和识别模块，对各视频图像帧进行运动目标的检测，并从运动目标中识别出人体目标，获得人体二值图像序列输入特征提取模块；
特征提取模块，基于获得的人体二值图像序列，针对其中连续的N帧图像，获得时空轮廓演变图以及水平方向的质心运动速率特征，在时空轮廓演变图的非零元素区域上定义二维泊松方程组，求解该方程组得到轮廓深度图，并提取轮廓深度图的方向梯度直方图特征；
跌倒行为检测模块，基于特征提取模块获得的方向梯度直方图特征和水平方向的质心运动速率特征，利用支持向量机组合分类器进行行为分类检测，获得人体行为检测结果输入告警模块；
告警模块，基于获得的各个摄像机的人体行为检测结果，当任一摄像机的检测结果为跌倒行为时，输出告警信息。
2.一种基于多摄像机的人体跌倒行为检测方法，其特征是，包括以下步骤：
步骤S1，获取各个摄像机拍摄的视频图像帧；
步骤S2，对各视频图像帧进行运动目标的检测，并从运动目标中识别出人体目标，获得人体二值图像序列；
步骤S3，基于获得的人体二值图像序列，针对其中连续的N帧图像获得时空轮廓演变图以及水平方向的质心运动速率特征vh(t)；
步骤S4，在时空轮廓演变图的非零元素区域上定义二维泊松方程组，求解该方程组得到轮廓深度图，并提取轮廓深度图的方向梯度直方图特征；
步骤S5，基于提取的方向梯度直方图特征和水平方向的质心运动速率特征，利用支持向量机组合分类器进行行为分类检测，获得人体行为检测结果；
步骤S6，基于上述2至5步骤获得各个摄像机的人体行为检测结果，当任一摄像机的检测结果为跌倒行为时，输出告警信息。
3.根据权利要求2所述的一种基于多摄像机的人体跌倒行为检测方法，其特征是，所述步骤S2中，采用基于混合高斯模型的背景建模和更新方法，对各视频图像帧进行运动目标的检测。
4.根据权利要求2所述的一种基于多摄像机的人体跌倒行为检测方法，其特征是，步骤S3中，获得时空轮廓演变图及质心运动速率特征的具体计算过程如下：
(3.1)对连续的N帧人体二值图像计算其中每一帧中人体的质心坐标(xc(t),yc(t))；计算质心运动速率vh(t)＝S·|xc(t)-xc(t-1)|，其中，S表示t时刻图像中人体高度与N帧图像中人体高度的最大值的比值；
(3.2)平移每一帧图像I(·,·,t)中的人体目标，使得其质心位于同一位置，从而获得平移后的图像序列
(3.3)根据平移后的图像序列计算其时空轮廓演变图E(x,y)。
5.根据权利要求4所述的一种基于多摄像机的人体跌倒行为检测方法，其特征是，时空轮廓演变图的计算公式为
6.根据权利要求2所述的一种基于多摄像机的人体跌倒行为检测方法，其特征是，步骤S4中，采用Gauss-Seidel迭代算法求解离散泊松方程组。
7.根据权利要求2所述的一种基于多摄像机的人体跌倒行为检测方法，其特征是，步骤S4中，根据轮廓深度图计算其方向梯度直方图的过程为：
首先，将SDI调整为规范尺寸，设调整后的图像为g，计算每个像素上的梯度幅值G(x,y)和梯度方向O(x,y)；
接着，将图像g分割为多个包含m×m像素点的细胞单元，在每个细胞单元内，通过加权投票的方式计算梯度方向直方图，得到其表示向量；
然后，组合n×n细胞单元构成块区域，顺序连接块区域内的细胞单元表示向量，得到块区域的归一化表示向量；
最后，堆列块区域表示向量，得到SDI-HOG对应的特征向量。
8.根据权利要求2所述的一种基于多摄像机的人体跌倒行为检测方法，其特征是，步骤S5中，多分类支持向量机组合分类器由三个支持向量机分类器{SVM1,SVM2,SVM3}构成。
CN201710952871.7A 2017-10-13 2017-10-13 一种基于多摄像机的人体跌倒行为检测***及其检测方法 Active CN107657244B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710952871.7A CN107657244B (zh) 2017-10-13 2017-10-13 一种基于多摄像机的人体跌倒行为检测***及其检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710952871.7A CN107657244B (zh) 2017-10-13 2017-10-13 一种基于多摄像机的人体跌倒行为检测***及其检测方法

Publications (2)

Publication Number Publication Date
CN107657244A true CN107657244A (zh) 2018-02-02
CN107657244B CN107657244B (zh) 2020-12-01

Family

ID=61118497

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710952871.7A Active CN107657244B (zh) 2017-10-13 2017-10-13 一种基于多摄像机的人体跌倒行为检测***及其检测方法

Country Status (1)

Country Link
CN (1) CN107657244B (zh)

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108509938A (zh) * 2018-04-16 2018-09-07 重庆邮电大学 一种基于视频监控的跌倒检测方法
CN108803341A (zh) * 2018-06-29 2018-11-13 炬大科技有限公司 一种基于扫地机器人的家庭安保监测***及方法
CN109886102A (zh) * 2019-01-14 2019-06-14 华中科技大学 一种基于深度图像的跌倒行为时空域检测方法
CN110070001A (zh) * 2019-03-28 2019-07-30 上海拍拍贷金融信息服务有限公司 行为检测方法及装置、计算机可读存储介质
CN110895671A (zh) * 2018-09-13 2020-03-20 纬创资通股份有限公司 跌倒检测方法以及使用此方法的电子***
CN111221262A (zh) * 2020-03-30 2020-06-02 重庆特斯联智慧科技股份有限公司 一种基于人体特征自适应智能家居调节方法和***
CN111724566A (zh) * 2020-05-20 2020-09-29 同济大学 基于智慧灯杆视频监控***的行人跌倒检测方法和装置
CN111914676A (zh) * 2020-07-10 2020-11-10 泰康保险集团股份有限公司 人体摔倒检测方法、装置、电子设备和存储介质
CN113111721A (zh) * 2021-03-17 2021-07-13 同济大学 基于多无人机视角图像数据驱动的人体行为智能识别方法
CN117671799A (zh) * 2023-12-15 2024-03-08 武汉星巡智能科技有限公司 结合深度测量的人体跌倒检测方法、装置、设备及介质

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102722715A (zh) * 2012-05-21 2012-10-10 华南理工大学 一种基于人体姿势状态判决的跌倒检测方法
CN204044980U (zh) * 2014-08-21 2014-12-24 昆山市华正电子科技有限公司 多功能的人体跌倒检测装置及人体跌倒报警器
CN104598896A (zh) * 2015-02-12 2015-05-06 南通大学 基于Kinect骨架追踪的人体摔倒自动检测方法
CN104850850A (zh) * 2015-04-05 2015-08-19 中国传媒大学 一种结合形状和颜色的双目立体视觉图像特征提取方法
US9305216B1 (en) * 2014-12-15 2016-04-05 Amazon Technologies, Inc. Context-based detection and classification of actions

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102722715A (zh) * 2012-05-21 2012-10-10 华南理工大学 一种基于人体姿势状态判决的跌倒检测方法
CN204044980U (zh) * 2014-08-21 2014-12-24 昆山市华正电子科技有限公司 多功能的人体跌倒检测装置及人体跌倒报警器
US9305216B1 (en) * 2014-12-15 2016-04-05 Amazon Technologies, Inc. Context-based detection and classification of actions
CN104598896A (zh) * 2015-02-12 2015-05-06 南通大学 基于Kinect骨架追踪的人体摔倒自动检测方法
CN104850850A (zh) * 2015-04-05 2015-08-19 中国传媒大学 一种结合形状和颜色的双目立体视觉图像特征提取方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
LENA GORELICK等: "Actions as Space-Time Shapes", 《IEEE TRANSACTIONS ON PATTERN ANALYSIS AND MACHINE INTELLIGENCE》 *
罗志琳等: "基于泊松方程的异常行为检测", 《科学技术与工程》 *
钱惠敏: "视频中的人体运动分析及其应用研究", 《中国博士学位论文全文数据库 医药卫生科技辑》 *

Cited By (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108509938A (zh) * 2018-04-16 2018-09-07 重庆邮电大学 一种基于视频监控的跌倒检测方法
CN108803341A (zh) * 2018-06-29 2018-11-13 炬大科技有限公司 一种基于扫地机器人的家庭安保监测***及方法
US10783765B2 (en) 2018-09-13 2020-09-22 Wistron Corporation Falling detection method and electronic system using the same
CN110895671A (zh) * 2018-09-13 2020-03-20 纬创资通股份有限公司 跌倒检测方法以及使用此方法的电子***
CN110895671B (zh) * 2018-09-13 2022-11-08 纬创资通股份有限公司 跌倒检测方法以及使用此方法的电子***
CN109886102A (zh) * 2019-01-14 2019-06-14 华中科技大学 一种基于深度图像的跌倒行为时空域检测方法
CN110070001A (zh) * 2019-03-28 2019-07-30 上海拍拍贷金融信息服务有限公司 行为检测方法及装置、计算机可读存储介质
CN111221262A (zh) * 2020-03-30 2020-06-02 重庆特斯联智慧科技股份有限公司 一种基于人体特征自适应智能家居调节方法和***
CN111724566A (zh) * 2020-05-20 2020-09-29 同济大学 基于智慧灯杆视频监控***的行人跌倒检测方法和装置
CN111914676A (zh) * 2020-07-10 2020-11-10 泰康保险集团股份有限公司 人体摔倒检测方法、装置、电子设备和存储介质
CN113111721A (zh) * 2021-03-17 2021-07-13 同济大学 基于多无人机视角图像数据驱动的人体行为智能识别方法
CN113111721B (zh) * 2021-03-17 2022-07-05 同济大学 基于多无人机视角图像数据驱动的人体行为智能识别方法
CN117671799A (zh) * 2023-12-15 2024-03-08 武汉星巡智能科技有限公司 结合深度测量的人体跌倒检测方法、装置、设备及介质

Also Published As

Publication number Publication date
CN107657244B (zh) 2020-12-01

Similar Documents

Publication Publication Date Title
CN107657244A (zh) 一种基于多摄像机的人体跌倒行为检测***及其检测方法
US20210065384A1 (en) Target tracking method, device, system and non-transitory computer readable storage medium
CN107358149B (zh) 一种人体姿态检测方法和装置
CN104217419B (zh) 人体检测装置及方法与人体计数装置及方法
EP2801078B1 (en) Context aware moving object detection
CN103279737B (zh) 一种基于时空兴趣点的打架行为检测方法
CN107833221A (zh) 一种基于多通道特征融合和机器学习的漏水监测方法
CN109145696B (zh) 一种基于深度学习的老人跌倒检测方法及***
CN108764085A (zh) 基于生成对抗网络的人群计数方法
CN104346802B (zh) 一种人员离岗监控方法及设备
CN105678803A (zh) 基于w4算法和帧间差分的视频监控目标检测方法
CN101986348A (zh) 一种视觉目标识别与跟踪方法
CN111753747A (zh) 基于单目摄像头和三维姿态估计的剧烈运动检测方法
CN103605986A (zh) 一种基于局部特征的人体动作识别方法
CN110321780A (zh) 基于时空运动特性的异常摔倒行为检测方法
Zheng et al. Cross-line pedestrian counting based on spatially-consistent two-stage local crowd density estimation and accumulation
Abdo et al. Fall detection based on RetinaNet and MobileNet convolutional neural networks
CN112183472A (zh) 一种基于改进RetinaNet的试验现场人员是否穿着工作服检测方法
CN105574889B (zh) 一种个人异常行为检测方法和***
Yimin et al. Abnormal behavior detection based on optical flow trajectory of human joint points
Mahapatra et al. Background subtraction and human detection in outdoor videos using fuzzy logic
CN107886060A (zh) 基于视频的行人自动检测与跟踪方法
Kumar et al. Intelligent parking vehicle identification and classification system
CN115100249B (zh) 一种基于目标跟踪算法的智慧工厂监控***
Lestari et al. Comparison of two deep learning methods for detecting fire

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant