JP2006522959A - 転倒防止および検出用の方法および装置 - Google Patents

Abstract

転倒防止および検出用、特に、インテリジェント光学センサーを用いるデジタル画像解析に基づく高齢者介護用の方法および装置である。転倒検出は主に二つの段階に分けられる。すなわち、床上の人を見つけること、および人がどのような状態で床の上にいるかを調べることである。第一段階は、床上の身体の構成比を調べるアルゴリズム、身体の傾きを調べるアルゴリズム、および人の外見の長さを調べるアルゴリズムにさらに分けられる。第二段階は、人の速度を調べるアルゴリズム、および加速度を調べるアルゴリズムからなる。第一段階で人が床上にいることが示されると、第二段階において、表示前後の数秒間のデータが解析される。これが転倒を示すときは、警報を発する前に、誤警報の危険を減らすために秒読み状態が始動する。また転倒防止は、主に二つの段階に分けられる。すなわち、ベッドに入る人を特定すること、およびベッドを出てその脇に立つ人を特定することである。第二段階は、画像中の一つ以上の物体の表面積を調べるアルゴリズム、およびこれらの物体の傾きを調べるアルゴリズム、およびこれらの物体の外見の長さを調べるアルゴリズムにさらに分けられる。第二段階で人が直立状態であることが示されると、人がベッドに戻れるように秒読み状態が始動する。

Description

本発明は転倒防止および検出用の方法および装置に関し、特に、万一転倒の危険または実際に転倒が検出された場合に警報信号を発するために高齢者をモニターする方法および装置に関する。

不慮の転倒の問題は、高齢者における主要な健康問題である。スウェーデンでは、毎年８０歳より高齢の人の３０％以上が、一年以内に少なくとも一度は転倒し、３０００人もの高齢者が転倒による怪我で死亡している。予防法が用いられてはいるがそれでも転倒は起きており、また平均寿命の増加とともに65歳より高齢の人口の構成比が高くなっている。このため、より多くの人が転倒に苦しめられている。

様々な転倒検出器が利用可能である。ある公知の検出器は、手首の周りにつける警報ボタンを備えている。別の検出器、例えば公知の米国特許２００１／０００４２３４号は、加速度と身体の傾きを測定し、人のベルトに取付けられる。しかし、この種の検出器の着用を拒絶または忘れる人、あるいは意識不明のためまたは痴呆であるために警報を押すことができない人は、転倒した後起き上がることができない場合、起き上がる方法を必要とする。

このように、従来装置の上記欠点を是正する転倒検出器に対する需要がある。

ある状況において、転倒防止すなわち将来の転倒する危険性が増すことを検出し、それに対応する警報を発する機能を備えることも興味のあることである。

例えば、測定および監視、あるいは自動ドア制御の分野で、インテリジェント光学センサーが従来公知である（例えば、国際公開番号ＷＯ０１／４８７１９号およびスウェーデン特許０１０３２２６−７号を参照）。そのようなセンサーは、所定範囲について人の位置および動きを判断することが可能であるが、転倒防止および検出の機能はない。
米国特許２００１／０００４２３４号

そのため、本発明の目的は、上記課題を解決し、インテリジェント光学センサーからの画像シーケンスを用いる画像解析に基づく転倒防止および検出用アルゴリズムを提供することである。好適には、そのようなアルゴリズムは、誤警報の数と警報状態を見逃す数との両方を最小にするような高い精度を有するものである。

次の説明により明らかとなるこの目的およびその他の目的は、独立請求項に関する方法および装置により、完全にまたは部分的に達成される。好適な実施な形態は従属請求項において定義される。

本発明の転倒検出は、主に二つの段階から構成される。すなわち、床上の人を見つけること、および人がどのような状態で床の上にいるかを調べることである。第一段階は、床上の身体の構成比を調べるアルゴリズム、身体の傾きを調べるアルゴリズム、および人の外見の長さを調べるアルゴリズムにさらに分けられる。第二段階は、人の速度を調べるアルゴリズム、および加速度を調べるアルゴリズムからなる。第一段階で人が床上にいることが示されると、第二段階において、表示前（および可能な場合は表示後も）の所定期間のデータが解析される。この解析により転倒であることが示されると、警報を発する前に、誤警報の危険を減らすために秒読み状態が始動する。

また本発明の転倒防止は、主に二つの段階に分けられる。すなわち、ベッドに入る人を特定すること、およびベッドを出てその脇に立つ人を特定することである。さらに第二段階は、画像中の一つ以上の物体の表面積を調べるアルゴリズム、およびこれらの物体の傾きを調べるアルゴリズム、およびこれらの物体の外見の長さを調べるアルゴリズムに分けられる。第二段階で人が直立状態であることが示されると、人がベッドに戻れるように秒読み状態が始動する。

スウェーデンは、６５歳以上の高齢者の人口比が世界で最も高い国の一つである。この人口比はさらに増加する。この状況はその他の西側諸国においても同様である。高齢者人口では医療に対する需要が増大する。このような高い需要を満たすものの一つが良好な技術的補助器具である。

老人医学の分野では、錯乱、失禁、非可動化、および不慮の転倒は、しばしば「老人医学のジャイアンツ（巨大なもの）」と呼ばれる。これらの問題は高齢者にとって大きな健康問題でありまた深刻な根本問題の兆候であるため、この呼び方が用いられている。不慮の転倒の基本的原因は様々であるが、ほとんどの場合に兆候としてめまい感がある。その他の原因としては、心不全、神経系の疾患、および視力が弱いことがある。

スウェーデンにおいて救急医療に問合せする高齢者の半数は、めまい感および転倒に関する問題についてのことであり、これが高齢者に対する深刻な医療問題になっている。

多くの場合、転倒に関する危険因子は、外的危険因子と固有の危険因子に分けられる。外的危険因子が原因で転倒する危険性は、固有の危険因子が原因で転倒する危険性とほぼ同じである。両者の組み合わせが原因で転倒が起きることもある。

外的危険因子には、家庭環境において、敷居が高いこと、照明の劣悪、滑りやすい床、およびその他の状況が含まれる。その他の共通外的危険因子は、薬それ自体またはその他の因子との組合せであり、すなわち高齢者のめまい感の原因となる。その他可能性がある日常的な外的危険因子は、間違った歩行支援である。

固有の危険因子は、患者自身に起因する。例えば、視力の衰え、聴力の減退、あるいはその他の要因により、高齢者が障害物を観察することを困難にする。その他の固有の危険因子は、痴呆、神経系の退化、および筋肉の退化であり、それにより骨が脆くなる。

高齢者の転倒を避けるため、様々な予防処置を取ることができる。例えば、敷居やカーペットを取除くこと、またベッドに手摺を取付けることである。要するに、外的危険因子を最小にすることである。これは、高齢者用の運動と組み合わせることも一般的である。しかし、どのような処置をとっても、転倒はなお発生して、高齢者にとって苦痛と心配事になっている。

高齢者が転倒すると、挫傷や創傷などの怪我をする原因となることが多い。その他の共通な結果としては、柔らかな組織の怪我や、股関節の骨折を含む骨折である。また助けがなく高齢者が長時間床の上に横たわっていると、圧迫挫傷になることがある。

物理的な影響に加えて、転倒には心理的な影響もある。多くの高齢者が再び転倒することを恐れて高齢者介護センターへ引っ越すことを選択するか、または以前のように歩き回らなくなる。これにより高齢者はさらに動かなくなるので、筋肉が弱くなり骨が脆くなる。高齢者は悪循環に入る。

転倒事故に苦しめられている高齢者をより安全にすることが重要である。高齢者が転倒すると、看護婦に知らされて転倒者を手助けする。現在いくつかの方法が利用可能である。最も一般的なものは、手首の周りに警報ボタンをつけるものである。この方法では、必要なときに簡単に助けを呼ぶことができる。別の問題解消法は、例えば人のベルトに転倒検出器を取付けて、それにより高い加速度または身体の方向変化を検出することである。

本発明は、取り付けが簡単、安価で、高齢者自身の要望により変更可能であるという優位性を持つ視覚センサー装置を提供する。さらに、使用する際にあまり手間がかからない。また、本発明は、転倒防止または転倒検出、またはその両方を備える。
この装置は、転倒した後助けが受けられないと言う恐怖なしに独立した生活を望む高齢者によりまたは高齢者用に使用可能であり、家庭用または高齢者介護センターや病院で使用される。

本発明による装置は、本明細書の一部を構成するものとして引用する出願者によるＰＣＴ公開番号ＷＯ０１／４８７１９号、ＷＯ０１／４９０３３号、およびＷＯ０１／４８６９６号に記載されるようなインテリジェント光学センサーを備える。

センサーは、小型コンピュータ装置と一体化したデジタルカメラを意味する、スマートカメラ技術に基づくものである。ある判断をするために、すなわち我々の場合には、この後転倒する危険性があるかどうか、または転倒が起きたかどうかを判断するために、コンピュータ装置は様々なアルゴリズムを用いて撮影した画像を処理する。

センサーのプロセッサは、スウェーデンのＣテクノロジーＡＢ社により開発され、ＡｒｇｕｓＣＴ−１００の商標で市販される７２ＭＨｚのＡＳＩＣである。このプロセッサは、センサーチップからの画像取り込みと画像処理との両方を扱うことができる。これら二つの処理は同じコンピュータ資源を共用しているので、他方で高いフレーム率、またもう一方で多くの計算時間を考慮する必要がある。システムは、８ＭＢＳＤＲＡＭと２ＭＢＮＯＲフラッシュメモリーを有する。

カメラは水平方向で１１６度、垂直方向で８５度の撮影範囲がある。焦点距離は２．５ｍｍで、各画像要素（画素）は３０×３０μｍ^２の寸法である。カメラは、可視光および近赤外光の波長範囲で動作する。

画像は幅方向に１６６画素、高さ方向に１２６画素であり、各画素は８ビットのグレースケール値を有する。

床を見下ろすセンサーが、ベッド１の上に設置される。図１に示すように、センサー１によりモニターされる床領域は、各区域に分けられる。すなわち、ベッド４の長辺に沿った二つの存在検出区域２と３、およびセンサー１から約３メートルの半径内の転倒区域５である。存在検出区域２と３は、ベッドに入るまたはベッドから出る人を検出するために用い、転倒区域５は転倒検出が起きる区域である。ベッド４の領域内に一つ以上の存在検出区域を定義することも考えられる。例えば、人がベッドに入るまたはベッドから出るのを検出することである。本明細書の一部を構成するものとしてその内容を引用する出願者によるＰＣＴ公開番号ＷＯ０３／０２７９７７号に記載されるように、区域の範囲は遠隔操作により変更可能である。存在検出区域はすべての所望範囲に設定可能であり、あるいはすべて省くこともできることに留意すべきである。

本発明による転倒検出は、総合的なシステムの一部にすぎない。別の特徴は、人がベッドに入るのかベッドから出るのかを調べるベッド存在アルゴリズムである。転倒検出は人がベッドを出るときにのみ作動する。

システムは、二人以上の人が部屋にいるとき、転倒していない他の人が助けを呼ぶことが可能であると考えられるので、警報を作動させないようにしても良い。センサーに取付けられたボタンを押すことにより、警報を停止させても良い。警報は、二時間またはそれより短い時間などの予め設定した時間経過後に再び自動的に始動しても良いので、警報が偶発的に停止されたままにはならない。

センサーは、ベッドの短辺上に、約３５度の角度で見下ろす約２メートルの高さに設置しても良い。ベッドの前に立ってセンサーを妨害することはできないので、この取付けは良好な位置であり、人が立っているのか、座っているのか、あるいは横になっているのかの兆候を得るのが簡単である。しかし、センサーを高いところ、例えば部屋の角に設置すると、壁はマスキングされるので、見えない箇所の数が増加して壁上の影が減少しやすくなる。またその他の配置、たとえばベッドの長辺を見下ろす配置も当然可能である。本明細書の一部を構成するものとしてその内容を引用する出願者によるＰＣＴ公開番号ＷＯ０３／０９１９６１号に記載される方法により、センサーの配置と取付けを自動化してもよい。

センサーによりモニターされる床領域は、実際の床と一致していても、または大きくても小さくても良い。モニターされる床領域が実際の床よりも大きい場合は、以下に説明するアルゴリズムがより良好に機能する。モニターされる床領域は、上記遠隔操作により画定される。

転倒を認識可能なシステムを作るために、転倒の際立った特徴を見つけて解析する必要がある。転倒の際立った特徴は、以下のように三つの事象に分けることができる。

１）加速度運動における高速度で、身体が床に向かって移動する。

２）身体が床にぶつかり、減速運動が起きる。

３）ある高さ、ほぼ１メートルより高い位置での動きがない状態で、人が床上にほとんど横たわる。

その他の転倒の際立った特徴を見つけることも当然可能であるが、それらの多くは光学センサーにより検出できない。身体が床にぶつかるときに発生するドサッという音を聞くことにより転倒の可能性を検出できる。上記センサー装置にマイクを接続または一体化することにより、当然そのような特徴を明らかにできる。

転倒には様々な原因があり、また転倒の種類も様々である。転倒ではないことはより緩やかに起き、あるいは動きが小さいが、高速度および大きな（多量の）動きと転倒とを結び付けると検出が容易である。そのため、多数の転倒の種類の特徴を調べることが重要である。

ベッドでの転倒
人がベッドから床上に落下する。システムが「ベッドを離れる」事象を検出するまで転倒検出は使用されないため、この転倒は特別な場合である。これを解決する一つの方法は、人がベッドを離れた後の所定時間、床上に人が横たわっているか否かを調べることである。

崩壊転倒
血圧の急激な低下や心臓発作に襲われた人は床に崩れ落ちる。崩壊は、多かれ少なかれ動きを伴い、急激であったり緩やかであったり、様々な種類があるため、それらの転倒を検出することは難しい。

椅子からの転倒
人が常に床と近接しており高速度に達しないため、椅子から転倒する人を検出することは難しい。

到達欠損転倒
転倒の別の種類は、例えば人が椅子に到達したとき、それに座り損ねて転倒することである。これは、転倒が緩やかに起きる場合、検出が困難であるが、しばしばこの種の転倒は高速度と関係がある。

滑り転倒
濡れた床やカーペットなどで、人は滑って転倒する。この種の転倒は、高い速度と加速度と関係があり、例えば人が床に横になっているような非転倒状況と区別することが容易である。

つまずき転倒
この種の転倒は滑り転倒と同じ特徴があるので、検出が容易である。敷居、カーペット、およびその他の障害物がつまずき転倒の共通原因である。

高い所からの転倒
高い所からの転倒には、椅子、梯子、階段、およびその他の高い場所からの転倒がある。ここでは、高速度と加速度が存在する。

検出は正確に行う必要がある。高齢者が転倒した場合助けが必要であるが、それには多くのコストがかかり、また製品の信頼性が低下するため、システムがたびたび誤警報を送信することは許されない。このため、誤警報と検出の見落としとの間で良好なバランスが必要である。

「床アルゴリズム」により床上に人が横たわっていると言う事実を見つけることは、警報を送信するのに十分なことである。ここでは、誤警報を避けるために、警報の前に２から３分間待つことが重要である。

別の方法は、人が２から３秒間床上に横たわっていることを床アルゴリズムにより検出し、転倒が起きたかどうかを「転倒アルゴリズム」により検出することである。この方法では、転倒検出アルゴリズムは必ずしも常に動作している必要はなく、特別な場合に動作する。

さらに別の方法は、「直立位置アルゴリズム」により人が直立位置にあることを検出し、予防警報を送信することである。直立位置は、ベッドに座っている人やベッドの側に立っている人を含んでもよい。任意に、ベッド存在アルゴリズムによりベッドを出る人を検出するときのみ、直立位置アルゴリズムが始動する。例えば、視力が弱い、めまい感、大量の投薬を受けている、障害、およびその他の身体障害のために、モニターされる人が転倒しやすい傾向にあると分かっている場合に、そのようなアルゴリズムを用いてもよい。

床アルゴリズムおよび直立位置アルゴリズムは、ともに人の身長と身体の方向、および人によって覆われる床を用いてもよい。

転倒アルゴリズムは、大きな動き、および高い正の加速度と高い負の加速度との間が短時間であることを検出しても良い。

転倒検出に対して、どちらとも決めかねる場合が多数発生する。床に急激に横たわる人は、すべての必要性を満たし、それにより警報を作動させる。同様に、床面積が大きい場合、ソファに座っている人も警報を作動させる。衣類のハンガーから落下したコートも警報を作動させる。

逆の方向に作用するどちらとも決めかねる場合もある。心臓発作の人はゆっくりと床に沈む。

次の評価に用いる統計データを得るため、いくつかの試験フィルムを以下の条件で撮影した。

試験フィルムのフレーム率は通常光の条件下で約３Ｈｚであるのに対し、画像がセンサー内部で処理される際には約１０から１５Ｈｚである。すべての試験フィルムが良好な光の条件下で撮影された。

システムが試験スタジオ内のみで機能するものではないことを認識するために、試験フィルムを六つの異なる家庭の室内で撮影した。室内間における重要な相違は、異なった照明条件、日光の変化、部屋の大きさ、ベッドのそばの壁の数、床上の様々な物体などであった。

カメラで撮影すると、カメラは部屋座標を画像座標である画素に変換できる。この過程は四つに分けられる。すなわち、部屋からセンサー、センサーから無ひずみ画像座標、無ひずみ画像座標からひずみ画像座標、およびひずみ画像座標から画素座標である（最後の二段階については図２を参照）。

図３に示すように、部屋座標系は、センサー１の下の床の右側に原点があり、Ｘ軸はセンサーの壁に沿っており、Ｙ軸は上部に向かい、Ｚ軸は左右の壁と平行に延びている。

図４において、センサー軸は、Ｘ’、Ｙ’、およびＺ’で表される。センサー座標系は、部屋座標系と同じＸ軸を有する。Ｙ’軸はセンサーから分かるように上部に延びており、Ｚ’は例えば水平方向（Ｚ軸）に対してαの角度を持って、センサーから真直ぐに延びている。

部屋座標からセンサー座標への変換は、Ｙの平行移動とそれに続くＸ軸を中心にした回転である。

[１]

ここで、ｈはセンサーの高さ、α はＺ軸とＺ’軸との角度である。

部屋には３軸があるが、画像は２軸のみである。このため、センサー座標を二次元画像座標に変換する必要がある。第一段階は配景分離であり、これによりセンサー座標を現実の画像座標に変換する。

カメラがピンホール・カメラとして機能する場合、

[２]

ここで、ｆはレンズの焦点距離である。これにより、無ひずみ画像座標ｘ_ｕとｙ_ｕが、

[３]
により与えられる。

画像座標から部屋座標に変換を戻すと、系は不定になることに注目されたい。従って、部屋座標の一つは、変換の前にある値として与えられる。

センサーは、画像座標をひずませる魚眼レンズを用いる。われわれの実施形態におけるひずみモデルは、

[４]

である。

画像を、左上の角に原点（１，１）を有するｍ行ｎ列に離散的に分解する。これを得るためには、ひずみ座標（ｘ_ｄ，ｙ_ｄ）の単純な変換を行う。

[５]

ここで、ｘ_ｐとｙ_ｐはそれぞれ画素の幅と高さであり、ｘ_ｉとｙ_ｉは 画素座標である。

画像の前処理の目標は、画像中の移動する物体のモデルを作ることである。モデルは、画像中の物体に属する画素についての情報を有する。これらの画素は前景画素と呼ばれ、前景画素の画像は前景画像と呼ばれる。

ある物体が背景の一部であるかどうか、また背景に対して動いているかどうかはどのようにどのように見分けることが可能だろうか。一つの画像を見ることだけでは決決定するのは難しいが、一連の画像中の二つ以上の画像により容易に実現可能である。それでは、背景と前景は何によって異なるか。この場合、それは物体の動きである。一連の画像において空間の異なる位置にある物体は動いていると考えられ、ある時間間隔において同じ外見をもつ物体は背景と考えられる。これは、前景の物体が動きを停止すると背景の物体になり、また再び移動を開始すると前景の物体に再度なることを意味する。次のアルゴリズムは背景画像を計算する。

背景アルゴリズム
目的は、前に述べたように、移動する物体を含まない背景の画像を作ることである。ｍ行ｎ列からなる一連のＮ値グレースケール画像Ｉ_０．．．Ｉ_Ｎを想定する。画像を６×６画素のブロックに分解し、ブロックを背景として更新する時間を制御するタイマーを各ブロックに割り当てる。ここで、各画像Ｉ_ｉ（ｉ＝ｘ．．．Ｎ）に対して、Ｉ_ｉを画像Ｉ_ｉ−Ｘで減算して差画像ＤＩ_ｉを得る。ＤＩ_ｉ中の各ブロックに対して、絶対画素値がｚより大きい状態でＤＩ_ｉがｙ画素よりも大きい場合にはタイマーをリセットする。４つの最近接ブロックについてもタイマーをリセットする。ＤＩ_ｉがｙ画素よりも小さい場合、ブロックは動きがないと考えられ、タイマーが終了した場合Ｉ_ｉ中のそれに対応するブロックを背景として更新する。用いられるパラメータ値は、ｘ＝１０、ｙ＝５、およびタイマー終了＝２０００ｍｓである。ノイズによりｚの値が決まる。

ｚの値を決めるために、画像中のノイズを評価することが便利である。以下に説明するモデルは極めて簡単であるが良好な結果が得られる。

一連のＮ画像Ｉ_ｉ．．．Ｉ_{ｉ＋Ｎ−１}を想定する。行ｕで列ｖにおける画素の対するノイズの標準偏差は、

[６]

となる。

ここで、ｐ (ｕ，ｖ，ｊ) は画像ｊ中の行ｕで列ｖにおける画素値であり、また、

[７]

はＮ個の画素中での行ｕで列ｖにおける画素の平均である。すべての画素の平均標準偏差は、

[８]
となる。

光の変化、例えばベネチアンブラインドを開けることによりノイズが増加または減少するため、ノイズの評価はすべての時間について行う必要がある。移動する物体の存在がノイズを著しく増加させるため、評価は画像全体について行うことはできない。代わりに、画像Ｉ_ｉから画像Ｉ_{ｉ＋Ｎ−１}までの経過時間中に移動する物体がすべての四隅を通過しないという仮定で、４０×４０画素のブロック中の四隅についてノイズ評価を行う。用いる値は、４つの平均標準偏差の最小値である。本実施形態において、ｚは

[９]

のように選択される。

前景
背景画像を現在の画像から減算することにより、差画像が得られる。この画像は動きが起きた領域を含む。理想的な画像において、ある閾値より上のグレースケールをもつそれらの画素を前景画素として選択することで十分である。しかし、影、ノイズ、画面のちらつき、およびその他の外乱も画像中に動きとして発生する。背景と同じ色の服を着た人も、差画像中に表れないので、問題となる。

影
場面中で移動する物体は、壁、床およびその他の物体に影を落とす。影の強度は光源により変化する。例えば、移動する物体によりスポットライトから白い壁に落とす影は、差画像中の物体それ自体よりも高い強度がある。そのため、影を減らすことは、画像の前処理の重要な一部である。

影を減らすために、高いグレースケール値をもつ異なる画像中の画素を、前景画素および高い変動性をもつ領域として維持する。畳込み（付録Ａ参照）を用いて、差画像と３×３行列ＳＥとの間の点検出として変動性を計算する。

[１０]

ノイズと偽の物体
画像は、前景画素に対して値１を持つ画素から成る二値画像である。小さなノイズ領域を除去し、二値画像中の穴を埋めてより特質的なセグメントを得ることが重要である。これはモーフィングのようなものにより行われる（付録Ａ参照）。ここで、三つより少ない１−画素と接するすべての１−画素を除去し、三つより多くの１−画素と接するすべての０−画素を１に設定する。

移動する人が別の物体を取り上げて部屋のどこか別の場所にしまう場合、二つの新しい物体が発生する。第一に、物体があったスポットにおいて可視できる背景が物体として動く。第二に、物体それ自体が、新しいスポットに置かれると背景を隠すので、新しい物体として動く。

そのような偽の物体は、取除くことができる。例えば、移動する人に比べてそれらが十分に小さいとき、すなわち我々の場合では１０画素より少ないとき、取除くことができる。または、画像の動きが発生する領域を特定してそのような領域から離れた物体を消去することにより、取除くことができる。これはトラッキングアルゴリズムにおいて行われる。

トラッキングアルゴリズム
動いている人を追尾し続けることは有用である。偽の物体を除去し、人が次のフレーム中に存在するという想定ができる。
トラッキングアルゴリズムは、その場面中のいくつかの移動する物体を追尾する。各追尾された物体に対して、トラッキングアルゴリズムは、物体が次の画像中に現れそうな領域Ａを計算する。

アルゴリズムは、部屋座標Ｘ_０．．．Ｘ_４，Ｙ_０．．．Ｙ_４＝０，Ｚ_０．．．Ｚ_４において最新の５画像について各追尾された物体が存在した場所の情報を保持する。新しい部屋座標または床座標を

[１１]

として計算する。

また、それぞれＺ_ｎｅｗ＝０、およびＹ_ｎｅｗ＝０である。

（Ｘ_ｎｅｗ−０．５，−０．５，Ｚ_ｎｅｗ）、（Ｘ_ｎｅｗ−０．５，２．０，Ｚ_ｎｅｗ）、（Ｘ_ｎｅｗ＋０．５， ２．０，Ｚ_ｎｅｗ）、および（Ｘ_ｎｅｗ＋０．５，−０．５，Ｚ_ｎｅｗ）にある隅を有する長方形に対する座標を、画素座標ｘｉ_０．．．ｘｉ_３に変換し、領域Ａを、ｘｉ_０．．．ｘｉ_３に隅を有する長方形内部の画素として取り込む。この領域は、全身を包む１．０×２．５メートルの長方形に対応する。

トラッキングは次のように行われる。

リージョングローイング（ｒｅｇｉｏｎ−ｇｒｏｗ）セグメンテーションアルゴリズムを用いて、二値のノイズを減らした画像ＩとＩ中のＮ個の異なるセグメントＳ_０からＳ_Ｎを見つけることを想定する（付録Ａ参照）。

追尾される物体が１０画素以上で構成され物体の領域Ａ内のそれらの画素の１０％より多い場合、様々なセグメントが追尾される物体に追加される。この方法では、数個のセグメントで物体を形成することができる。

物体に属しないセグメントが１００画素より多くを有する場合、物体に属しないセグメントはそれ自体が新しい物体になる。これは、例えば第一の物体がどのように作られるかということである。

すべてのセグメントを処理したら、追尾される物体に対する新しいＸとＺの値を計算する。新しい物体が作られるとき、新しいＸとＺの値を直接計算して更なるセグメントをその物体に追加することができる。

追尾されるいくつかの物体に関しては、人を表す物体を特定することが重要となる。一つの方法は、最も大きな物体を人として選択することである。別の方法は、最も移動する物体を人として選択することである。さらに別の方法は、転倒検出アルゴリズム用入力としてすべての物体を用いることである。

床アルゴリズム
床アルゴリズムの場合、次のアルゴリズムを用いることができる。

床上のアルゴリズム
床画素と前景画素の合計量で除算した前景画素との両方である画素量を利用して、床上での前景画素のパーセント比を計算する。

このアルゴリズムは、影に対する依存性が少ない。人が立っているときにはその人は床および壁に影を落とすが、横になっている場合には影ができない。そのため、アルゴリズムが誤警報を発する可能性があるが、人が床の上にいるときにはほぼ１００％の精度がある。

大きな部屋では、床面積が大きく、体を曲げた人やソファに座っている人がアルゴリズムをだまして人が床の上にいると信じ込ませる。次の二つのアルゴリズムは、そのような誤警報を避けるのに役立つ。

角度アルゴリズム
立っている人と床に横たわっている人との顕著な相違は、人の身体方向と部屋のＹ軸との角度である。角度が小さくなるほど、人が立っている確率が増加する。

これを計算する最も正確な方法は、部屋座標中の身体の方向を見つけることであろう。しかし、２Ｄ画像座標から３Ｄ部屋座標へ変換するとき、例えばＹ＝０のように、部屋座標の一つを予め設定することが必要であるため、これは簡単には実現できない。

代わりに、Ｙ軸を変換する、またはＹ軸を次の方法で画像上に投影する。

１）人の脚（ｕ_ｆ，ｖ_ｆ）の座標を部屋座標（Ｘ_ｆ，Ｙ_ｆ＝０，Ｚ_ｆ）に変換する。

２）長さΔＹをＹ_ｆに加えて、この座標を画像座標（ｕ_ｈ，Ｖ_ｈ）に逆変換する。

３）Ｙ軸は、（ｕ_ｆ，ｖ_ｆ）と（ｕ_ｈ，ｖ_ｈ）間のベクトルである。

この方向を、画像中の身体の方向と比較する、それにより多くの方法で計算が可能となる。一つの方法は、最小二乗法を用いることである。別の方法は、N個の画素ｐ_０．．．ｐ_Ｎ−１をランダムに選択し、画素間のベクトルｖ_０．．．ｖ_{Ｎ／２−１}、ｖ_ｉ＝ｐ_２ｉ＋１−ｐ_２ｉを計算し、最後に身体の方向をベクトルｖ_０．．． ｖ_{Ｎ／２−１}の平均ベクトルとして表すことである。

外見の長さアルゴリズム
第三の方法は、「頭」および「脚」に対する画像座標を見つけて、それらの間のベクトルを計算することである。物体が幅よりも長い高さがあるかどうかに応じて、逆の場合も同様に、物体を垂直にまたは水平に５つの部分に分割する。最大の部分の質量中心を計算して、それらの間のベクトルを身体の方向とする。

角度の測定は画像中で行われるため、例えば、人が床にセンサーの真直ぐ前のＺ軸方向に横たわっている場合に、誤警報を発生することがある。これは非常に背の低い人が直立しているようなものであり、計算された角度は非常に小さくなるので、人が直立していると示される。次のアルゴリズムはこれを打ち消す。

画像中で人が床に横になっているとする。「頭」と「脚」の画像座標（ｕ_ｈ，ｖ_ｈ）と（ｕ_ｆ，ｖ_ｆ）を、それぞれ部屋座標（Ｘ_ｈ，０，Ｚ_ｈ）と（Ｘ_ｆ，０，Ｚ_ｈ）に変換することにより、身体の長さを計算することは容易である。部屋の二点間の距離は、人の身長の良好な測定値である。ここで人が直立していると何がおきるか。脚の座標は正確に変換されるが、頭の座標は正確ではない。それらはセンサーから離れすぎていると考えられる（図５参照）。

そのため、二つの部屋座標間の距離が大きく、人の身長の値が大きくなり、例えば、２または３メートルより大きな人が直立していると考えられる。従って、２または３メートルより小さい人の値は人が横になっていると想定される。（ｕ_ｈ，ｖ_ｈ）および（ｕ_ｆ，ｖ_ｆ）座標は、角度アルゴリズムと同じ方法で計算できる。

転倒アルゴリズム
高齢者についての研究によれば、転倒の速度は、歩くこと、座ること屈むことなどの通常動作に比べて２から３倍速い。この結果は、次のアルゴリズムの土台となるものである。

質量中心アルゴリズム
二つの画像間の経過時間により除算した二つの後に続く画像のＩ_ｉとＩ_ｉ+1前景画素の質量中心Ｍ_ｉとＭ_ｉ＋１間の距離として、人の速度ｖを計算する。

[１２]

部屋座標中の質量中心を計算することが望ましい。しかし、繰返しになるがこれを実現することは難しい。代わりに、画像座標中の質量中心を計算しても良い。これを実行することにより、結果は人が部屋のどこに位置するかによって決まる。人がセンサーから離れている場合には測定された距離は非常に短くなり、人がセンサーの近くにいる場合には逆になる。これを打ち消すためには、人の脚のＺ座標で除算すると計算された距離が規格化される。

前画像アルゴリズム
速度を測る別の方法を、次のアルゴリズムにおいて用いる。これは、前の画像を背景として用いる場合、速く移動する物体は、遅く移動する物体よりも、前景画素が多くなるという事実に基づくものである。

このアルゴリズムにおいて、第一段階は、前の画像を背景として用いて、第二の前景画像ＦＩ_ｐを計算することである。その後、この画像を通常の前景画像ＦＩ_ｎと比較する。物体が緩やかに移動すると、前の画像は今の画像と似たものになるので、前景画像ＦＩ_ｐには前景画素が少なくなる。一方、速く移動する物体ではＦＩ_ｐ中の前景画素はＦＩ_ｎの二倍になる。

パーセント比アルゴリズム
人が転倒すると、人は最終的に床上に横たわる。このため、例えば約０．５メートルより高い身体箇所はなくなる。ここでの着想は、約１メートルの高さに相当する画像中に水平な線を見つけることである。これは画像内の人の位置によるため、人の脚に対する部屋座標を計算することによりアルゴリズムが開始する。長さΔＹ＝１ｍをＹに加え、部屋座標を画像座標に逆変換する。画像座標ｙ_ｉを水平線に印を付ける。アルゴリズムは、前景画素の総数で除算した水平線より下の前景画素の数に戻る。

第一の実施形態
質量中心および前画像転倒検出アルゴリズムはノイズの多いパターンを示す。影、突然の光の変化、および偽の物体がアルゴリズムをだますので、それらを全時間にわたって動作させると、誤警報を返送するかもしれない。誤警報の数を減らすためには、転倒アルゴリズムを連続的に動作させずに、一つ以上の床アルゴリズム（床上のアルゴリズム、角度アルゴリズム、および外見の長さアルゴリズム）が人が床上にいることを示すときに、転倒アルゴリズムを作動させる。誤警報の数を減らす別の特徴は、転倒が起きた後警報を送信する前の短い時間待つことである。これにより、一つ以上の床アルゴリズムが３０秒より長く人が床上にいることを検出するまで、転倒検出を先送りすることができる。この方法により、誤警報の数は顕著に減少する。

第一の実施形態は五つの状態に分けられる。すなわち、「人のいない状態」、「トリガー状態」、「検出状態」、「秒読み状態」、および「警報状態」である。状態のスペースモデルを図６に示す。

センサーのスイッチがオンになると、人のいない状態において実施形態が開始される。この状態の間、実施形態の作業は動きを検出することのみである。動きが検出されると、実施形態はトリガー状態に切り替わる。トリガー状態において、人が部屋を出て行くのを検出すると、または警報が動作停止状態の場合、実施形態は人のいない状態に戻る。

動きの検出は、現在の画像を前の画像により減算して結果の画像中のある閾値より上にグレースケール値をもつ画素を計数する簡単なアルゴリズムにより動作する。数えた画素の合計が十分に大きければ、動きを検出する。

前述のように、人のいない状態において動きが検出されるやいなやトリガー状態が作動する。トリガー状態の段階を、さらに図７に示す。図７において、アルゴリズムは、一つ以上の床アルゴリズム（床上のアルゴリズム、角度アルゴリズム、および外見の長さアルゴリズム）を用いて、床上に横たわる人を探す。一つの例において、１）身体の５０％より大きな部分、好適には約８０または９０％より大きな部分が床上にあるとき、および２）身体の角度が垂直方向から約１０度以上、好適には２０度以上であるか、または人の身長が４メートルよりも小さい、例えば２または３メートルより小さいかのいずれかであるとき、人が床の上にいると考える。ここでは、床上のアルゴリズムは動作の主要部分を行い、角度アルゴリズムと外見の長さアルゴリズムの組合せにより、例えば大きな部屋で発生する誤警報の数を最小にする。床アルゴリズムのその他の組合せを考えることが可能である。例えば、各アルゴリズムに対する結果の得点に基づいて組合せた得点を作り、組合せた得点を床検出の閾値と比較することである。

トリガー状態はタイマーを有し、それにより人が床上に最初に検出されてからの経過時間を制御する。人が床を離れると、タイマーはリセットされる。人が床上に長くいるときは、例えば２秒いるときは、直立位置から横たわる位置までのデータのシーケンスが、後の転倒検出用に保存される。例えば、最後の５秒が保存される。

人が３０秒より長く床上にいるとして検出されると、実施形態が検出状態に切り替わる。

この状態では、実際の転倒検出が行われる。トリガー状態で保存したデータに基づき、転倒が起きたかどうかの解析が行われる。検出状態が転倒を検出すると、実施形態は秒読み状態に切り替わる。その他の場合は、トリガー状態に戻る。

秒読み状態の際に、実施形態は人がまだ床の上にいることを確かめる。これは、例えばベッドの下に掃除機をかけている等の原因による誤警報の数を減らすだけのものである。２分が経過して人がまだ床上にいる場合、実施形態は警報状態に切り替わる。人を床から助け上げると、実施形態はトリガー状態に戻る。

警報状態において、警報が送信されて、実施形態は警報の動作停止を待つ。

第二の実施形態
既に述べたように、直立条件の検出について警報を発生し、それによりこれから生きる可能性のある転倒を防止することが望ましい。以下、そのような検出に用いられるアルゴリズムをベッドスタンド過程と呼ぶ。

明らかに、上記で明確にした床アルゴリズムは、例えば、人がベッドから起き上がる、あるいはベッドから出てベッドの側に立つなどの、物体の直立条件を特定するためにも用いることができる。外見の長さが所定高さの値、例えば２または３メートルを超えるとき、および／または垂直な部屋の方向に対して人の角度が所定角度の値、例えば、１０または２０度より小さいとき、人が立っていると分類することができる。直立条件の決定は、モニターされる床領域内の人の位置により、例えば立っている条件の検出専用の所定の区域内にある人の脚により、条件付けすることもできる（図１参照）。さらなる条件が、物体の表面積により与えられる。例えば、カーテンやドレープなどのモニターされる床領域内の実質的に垂直なその他の物体と人とを区別することである。

上記で明確にしたパーセント比アルゴリズムを、それ自体でまたは上記アルゴリズムのいずれか一つとの組合せにより用いて、所定の閾値を超える所定の高さ、例えば１メートルに対する前景画素の構成比により直立条件を特定しても良いことも認識すべきである。

アルゴリズムの組合せは別の方法で行っても良い。 例えば、例えば、各アルゴリズムに対する結果の得点に基づいて組合せた得点を作り、組合せた得点を直立検出の閾値と比較することである。

第二の実施形態による転倒防止は、上記ベッドスタンド過程およびベッド動作過程を用いる状態装置を備える。ベッド動作過程は、ベッド中での動きを調べ、また人がベッドに入るのを検出する。状態装置を説明する前に、ベッド動作過程を簡単に説明する。

ベッド動作過程は、猫、小さな犬、影、または光などの動きを検出するのを避けるために、ある寸法の物体により生じるベッド内の動きを探す。ベッドは画像中のベッド区域として表される。ベッド動作過程は、現在の画像とその前の最後の画像との差、および現在の画像と最後の画像よりも古い画像との差を計算する。各画素が正の差、負の差、または差がないように、結果として得られる差画像を閾値とする。閾値とした画像をブロックに分ける。各ブロックは、ある数の画素を有する。十分な正と負の差があり、全体として十分な差がある各ブロックは、検出ブロックとして設定される。検出ブロックは数フレーム先に対して有効である。ベッドの外側の領域と比較したベッド区域中の様々な画素のパーセント比を、閾値とした差画像から計算する。ベッド区域をさらに三つの部分に分割する。すなわち、下部中間部、および上部である。三つのすべての部分で検出があると、タイマーが始動する。一つ以上の部分で検出がなくなる毎に、タイマーがリセットされる。「ベッド内検出」に対する要件は、タイマーが時間切れであること、各ベッド区域部分中の検出ブロックの数が限界値を超えていること、および様々な画素のパーセント比が十分高いことの組合せである。ベッド動作過程は、ベッド区域中の検出ブロックの合計数に基づきベッドの動きがあることを信号で知らせても良い。

第二の実施形態の状態装置を図８に示す。正常状態において、センサーが始動する。ベッド動作過程がベッド区域において動きがあることを示すと、実施形態は状態をベッド内状態に変える。次に、実施形態はベッドスタンド過程により直立条件を探す。直立条件が検出されない場合、およびベッド区域において動きがない場合、ベッド動作過程により示したように、実施形態は状態を正常状態に変える。しかし、直立条件が検出されると、実施形態はベッド外状態に切り替わり、それによりタイマーが始動する。タイマーが終了する前にベッド動作過程により動きが検出されると、実施形態はベッド内状態に戻る。タイマーが時間切れになると、実施形態は警報状態に変わり警報を発する。警報が権限を付与された人、例えば看護婦により確認されると、実施形態は正常状態に戻る。実施形態は、警報の後にそれ自体を自動的に停止する能力を有しても良い。

転倒検出用の統計判断過程
人は、いくつかの過程により床の上に横たわる。しかし、これらは主に二つのグループに分けることができる。すなわち、転倒と非転倒である。判断過程を信頼できるものにするため、これら二つのグループのデータをできる限り分離する必要がある。

変わらない変量を見つけ出すことも重要である。変わらない変量は、例えば人がセンサーに近づいたり離れたりすること、あるいはフレーム率が高いまたは低いことなど、環境の変化とは独立な変量である。多くの無相関の変わらない変量を見つけ出すことができるならば、この決定プロセスはより信頼可能だろう。

前画像アルゴリズムを用いて映像中の速度の概算を得てもよい。前述のように、転倒の主な特徴の一つは、身体が床にぶつかるとき起きる減速運動（負の加速度）である。加速度の概算は、前画像アルゴリズムからの結果の導関数を取ることにより得ることができる。その最小値が、最小加速度または最大減速運動（変量１）の概算である。この値は、人が床にぶつかるときに減速運動が起きると想定している。

質量中心アルゴリズムも人の速度を測定する。転倒は大きくて速い動きであり、大きな戻り値を暗に示している。質量中心アルゴリズムの速度概算の最大値を取ると（変量２）、転倒が起きたかどうかの良好な指標を与える。

別法として、または付加的に、質量中心アルゴリズムの速度概算の導関数を取ると、加速度の別の概算を与える。上記で既に結論付けたように、最大加速度値は転倒が起きたかどうかの情報を与える（変量３）。

十分に区別されたデータを用いても、明確な限界を設けることは困難である。限界を計算する一つの可能な方法は、統計学の助けを利用することである。この方法では、データの広がり、または統計学用語の分散が考慮される。

変量に対する分布モデルを正規分布と仮定する。これは利用しやすい分布であり、アルゴリズムから受け取るデータはこれが使用すべき分布であることを示している。正規確率密度関数が以下のように定義される。

[１３]

ここで、ｄはｘの次元、ｍは期待値、Ｅは共分散行列である。

期待値ｍは以下のように計算され、

[１４]

また、共分散行列Ｅは以下のように計算される。

[１５]

ｍとΣに対する値が与えられると、転倒が起きたかどうかを判断することができる。転倒の可能性についてデータｘを想定する。式１３は、転倒と非転倒に対するそれぞれ二つの値にｆ_ｆａｌｌ（ｘ）とｆ_{ｎｏ ｆａｌｌ}（ｘ）に戻る。転倒に対する確率を相関付けることは、非転倒よりも容易である。

[１６]

これは、ｆ_ｆａｌｌ（ｘ）がｆ_{ｎｏ ｆａｌｌ}（ｘ）よりも大きい場合には転倒が起きたという判断であり、ｆ_ｆａｌｌ（ｘ）がｆ_{ｎｏ ｆａｌｌ}（ｘ）よりも小さい場合には、逆に転倒は起きなかったという判断であることを暗に示している。

一方は高分散であり他方は低分散である、二つの二次元正規分散変量を仮定する。これらの変量に対する正規分布関数は、図１０のようである。高分散の変量が非転倒に対する速度を表し低分散の変量が転倒に対する速度を表すとき、高速度では、ｆ_ｆａｌｌ（ｘ）値よりもｆ_{ｎｏ ｆａｌｌ}（ｘ）値が高いという結果になる（図１０中の矢印により印を付けた領域）。これは、非転倒に対して確率が高いことを暗に示している。速度が速くなるほど転倒に対する確率が高くなるという常識があるので、当然この結果は正しくない。それゆえ、正規分布は、これらの変量に対する分布の最適分布ではない。それは図１０に幾分示されている。

幸いなことに、分散は転倒の場合と非転倒の場合とであまり違わない（図９参照）。不正確さの発生を打ち消すには、不正確である場合にはｘ値をずらす、すなわちｆ_ｆａｌｌ（ｘ）を計算してｘがｍ_ｆａｌｌより高いときには、ｘをｍ_ｆａｌｌにずらす。また、ｆ_{ｎｏ ｆａｌｌ}（ｘ）を計算してｘがｍ_{ｎｏ ｆａｌｌ}より低いときには、ｘをｍ_{ｎｏ ｆａｌｌ}にずらす（図１２参照）。

ＭＡＴＬＡＢ（登録商標）において開発した実施形態上で、５８転倒と２４非転倒について試験を行った。アルゴリズムが返した値を図１３から１５に示す。
データベース用入力として用いた転倒と非転倒を、モデルが機能するかどうかを判断するために試験した。２９転倒中２８が検出され、１８非転倒のすべてにおいて誤警報はなかった。従って、このモデルは適切に動作した。

別の試験データでは、２９可能性のうち２７転倒が検出され、６非転倒中２が誤警報を返した。

上記において、図面に関して本発明のいくつかの実施形態を説明した。しかし、様々な特徴やアルゴリズムが、上記説明のほかに、本発明の範囲内において様々に組合せ可能である。

例えば、様々なアルゴリズムを平行に動作させても良く、上記に定義したようにまた特許請求の範囲において適切な場合にアルゴリズムを組み合わせても良い。具体的には、転倒アルゴリズムはすべての時間において動作するが、床アルゴリズムが人が床上に横たわっていることを表すときにのみ、転倒アルゴリズムを用いても良い。

本発明は添付の特許請求の範囲によってのみ限定される。

付録Ａ
基本的な画像解析
画像解析は、顔の認識から画像圧縮まで多くの具体例がある広範な分野である。この章では、いくつかの基本的な画像解析の特徴を説明する。

Ａ．１．デジタル画像
デジタル画像はｍ×ｎ行列としてしばしば表される。ここで、ｍは行の数、ｎは列の数である。各行列要素（ｕ，ｖ）は画素と呼ばれる。ここでｕ＝１．．．ｍ、およびｖ＝１．．．ｎである。デジタル画像中の画素が増えると、解像度が上がる。

各画素は、画像の種類とは独立に値を有する。画像が２５６階調のグレースケール画像である場合、各画素は０から２５５までの間の値を有する。ここで、０は黒であり、２５５は白である。しかし、画像がカラー画像である場合、一つの値では十分でない。ＲＧＢモデルでは、２５６階調と仮定すると、各画素は０から２５５の三つの値を有する。第一の値は赤の量であり、第二の値は緑の量であり、最後は青の量である。このように、１６００万（２５６×２５６×２５６）を超える異なる色の組合せが実現され、ほとんどの具体例を満足させる。

Ａ．２．基本演算
デジタル画像は行列で表されるので、加算、減算、乗算、および除算などの標準的な行列演算を用いることができる。共通行列乗法とＥｌｅｍｅｎｔ−ｗｉｓｅな乗法との二つの異なる乗法が使用可能である。すなわち、それぞれ

および

である。

Ａ．３．畳込みと相関
有用な別の演算は二つの画像間の畳込みまたは相関である。すなわち、画像の一つは、しばしば核が小さく、例えば３×３行列である。画像ＢとＣとの間の相関は次式のように定義される。

畳込みは次式のように定義される。

相関は画像をぼかすために用いることができる。

画像中の端を見つけるためには、

または、画像中の詳細、高分散の領域を見つけるためには、

Ａ．４．モルフォロジー
モーフィングは、数学的な集合理論に基づく強力な処理ツールである。小さな核Ｂの助けにより、セグメントＡを拡大縮小できる。拡大過程は拡大（ｄｉｌａｔｉｏｎ）、また縮小過程は縮小（ｅｒｏｓｉｏｎ）と呼ばれる。これらは数学的にそれぞれ以下のように記述される。

[５．]

および

[６．]

ここで、

[７．]

[８．]

Ｂによる拡大の結果が後に続くＢによるＡの縮小は、オープニング（ｏｐｅｎｉｎｇ）と呼ばれる。この演算はセグメントを互いに分離する。

[９．]

別の演算はクロージング（ｃｌｏｓｉｎｇ）である。これは、Ｂによる縮小の結果が後に続くＢによるＡの拡大である。画像をクロージングすることはセグメントをマージして穴を埋める。

[１０．]

Ａ．５．セグメンテーション
例えば、形状、色、分散、および寸法などに応じて、画像を様々なセグメントに細分することがしばしば有用である。セグメンテーションは、カラー画像、グレースケール画像、および二値画像について実行可能である。二値画像セグメンテーションのみをここで説明する。

二値画像をセグメントする一つの方法は、リージョングローイングアルゴリズムを用いるものである。

セグメント画像（画像×画像）｛
画像中の各画素に対して｛
新しいセグメントを作る；
リージョングローイングセグメント（画素，セグメント）；
｝
｝
リージョングローイングセグメント（画素×画素，セグメント×セグメント）｛
画素をセグメントに付加する；
巡回するように画素を設定する；
画素の各近接画素に対して｛
近接画素が１で巡回しないとき、｛
リージョングローイングセグメント（近接画素，セグメント）；
｝
｝
｝

上記に見られるように、リージョングローイングアルゴリズムは再帰的であり、多数のメモリーを使用する。メモリーの少ないシステムでは、メモリーのオーバーフローが起きる。このため、次の繰返し法が開発された。

画像中の各画素に対して｛
１に等しい画素を見つけこれを開始画素と表す｛
開始画素に戻るまで行う｛
外周部で次の画素へ；
｝
巡回する画素が前に見つけた画素の次であるとき、
巡回する画素を前の階級に付加する；
｝あるいは｛
新しい階級を作る；
｝
巡回する画素を画像から減算する；
｝
｝

本発明のさらなる目的、特徴、および優位性は、添付の図面に関する本発明の以下の詳細な説明により明らかとなるであろう。
本発明が実行されるベッドとその周辺領域の平面図である。 無ひずみ画像座標から画素座標への変換を示す略図である。 部屋の座標系の略図である。 図３の部屋の座標系におけるセンサー座標の方向の略図である。 直立した人と比較した床上に横たわる人の投影長さを示す略図である。 本発明の第一の実施形態による方法のフローチャートである。 図６の段階の一つの過程を詳述するフローチャートである。 本発明の第二の実施形態による方法のフローチャートである。 三つの異なる変数に対するテストデータの統計的解析結果を示す。 転倒と非転倒に対する確率の理論分布の略図である。 転倒と非転倒に対する確率の実際分布の略図である。 不正確な値をシフトさせる理論を示す略図である。 質量中心（質量中心）アルゴリズムに基づき計算した、転倒する物体に対する速度と加速度のプロットである。 前画像アルゴリズムに基づく、転倒する物体に対する速度と加速度のプロットである。 前画像アルゴリズムに基づき計算した転倒する物体に対する加速度と、質量中心アルゴリズムに基づき計算した転倒する物体に対する加速度とのプロットである。

Claims (41)

1. 転倒する可能性がある条件に関して物体をモニターする方法であって、光学検出器により検出領域を観測すること、検出領域の少なくとも一つの画像に基づいて物体が検出領域において直立条件にあると判断すること、所定時間待つこと、および前記所定時間の後に警報を発することから成る方法。
2. さらに、物体と垂直方向の角度を判断することから成り、物体が検出領域において直立条件にあると判断する段階は、該角度が２０度より小さく、好適には１０度より小さいと判断することから成る請求項１に記載の方法。
3. 角度を判断する前記段階は、物体の脚部分の脚の画像座標（ｕ_ｆ，ｖ_ｆ）を脚の部屋座標（Ｘ_ｆ，Ｙ_ｆ＝０，Ｚ_ｆ）に変換すること、長さΔＹを脚の部屋座標の垂直座標に加えること、少なくとも垂直座標を変換して上部画像座標（ｕ_ｈ，ｖ_ｈ）を形成し、それにより脚の画像座標（ｕ_ｆ，ｖ_ｆ）と上部画像座標（ｕ_ｈ，ｖ_ｈ）との間のベクトルにより垂直方向が与えられること、および前記ベクトルと物体との間の角度を決めることから成る請求項２に記載の方法。
4. さらに、物体の少なくとも二つの末端部分の質量中心を計算することにより物体の方向を判断すること、およびそれらの間のベクトルを物体の方向として判断することから成る請求項３に記載の方法。
5. さらに、物体の少なくとも二つの末端部分の質量中心を判断すること、および物体長さを判断することから成り、物体が直立条件にあると判断する前記段階は、物体長さが所定長さより長いと判断することから成る前記請求項のいずれかに記載の方法。
6. 前記所定長さは、少なくとも２メートルの物体長さを表す請求項５に記載の方法。
7. さらに、前記質量中心を検出領域中の床の高さ（Ｙ＝０）における部屋座標に変換すること、および前記部屋座標中の物体長さを決めることから成る請求項５または６に記載の方法。
8. さらに、部屋座標中の検出領域高さ制限を定義すること、前記部屋高さ制限を画像座標中の画像高さ制限に変換すること、現在の画像と背景画像との差を計算することにより前景画像を形成すること、および前景画像中の画像高さ制限より下に位置する前景要素の数を前景画像から導き出すことから成り、物体が直立条件にあると判断する前記段階は、前記数が所定の値を超えると判断することから成る前記請求項のいずれかに記載の方法。
9. さらに、物体の表面積を計算することから成り、物体が直立条件にあると判断する前記段階は、表面積が所定の最小値を超えると判断することから成る前記請求項のいずれかに記載の方法。
10. 直立条件を調べるための状態は、検出領域中のベッドの少なくとも一部が動いたことを特定されると始動する前記請求項のいずれかに記載の方法。
11. 転倒する可能性がある条件に関して物体をモニターする装置であって、検出領域を観測する検出器、検出器からの少なくとも一つの画像に基づいて物体が検出領域において直立条件にあると判断する判断装置、および判断装置により直立条件にあると判断された後、所定時間の間警報を発する警報装置を備える装置。
12. 前記判断装置は、物体と垂直方向との角度を判断する角度計算装置をさらに備え、物体が検出領域において直立条件にあると判断することは、該角度が２０度より小さく、好適には１０度より小さいと判断することから成る請求項１１に記載の装置。
13. 前記判断装置は、物体の少なくとも二つの末端部分の質量中心を判断する長さ計算装置をさらに備え、物体長さを計算し、物体が直立条件にあると判断することは、物体の長さが所定長さより長いと判断することから成る請求項１１または１２に記載の装置。
14. 前記判断装置は、部屋座標中の部屋高さ制限を定義し、前記部屋高さ制限を画像座標中の画像高さ制限に変換し、現在の画像と背景画像との差を計算することにより前景画像を形成し、前景画像中の画像高さ制限より下に位置する前景要素の数を前景画像から導き出す高さ制限計算装置をさらに備え、物体が直立条件にあると判断することは、前記数が所定の値を超えると判断することから成る請求項１１から１３のいずれか１項に記載の装置。
15. 前記判断装置は、物体の表面積を計算する面積計算装置をさらに備え、物体が直立条件にあると判断することは、表面積が所定の最小値を超えると判断することから成る請求項１１から１４のいずれか１項に記載の装置。
16. 検出領域中のベッドの少なくとも一部が動いたことを特定する移動検出器をさらに備え、移動検出器により移動が特定されると、前記判断装置は直立条件を調べるために始動する請求項１１から１５のいずれか１項に記載の装置。
17. 転倒条件に関して物体をモニターする方法であって、光学検出器により検出領域を観測すること、検出領域の少なくとも一つの画像に基づいて物体が検出領域において横たわっていると判断すること、所定時間待つこと、および前記所定時間の後に警報を発することから成る方法。
18. 前記時間は２分より長く、５から１５分の範囲などであり、より具体的には約１０分である請求項１７に記載の方法。
19. さらに、現在の画像と所定の背景画像との差である前景画像を計算すること、および検出領域の床上に存在する前景画像と前景画像全体との比を計算することから成り、物体が床上に横たわっていると判断する前記段階は、少なくとも０．５であり、好適には０．９である所定の閾値の比を、当該比が超えると判断することから成る請求項１７または１８に記載の方法。
20. さらに、物体と垂直方向との角度を判断することから成り、物体が検出領域において床上に横たわっていると判断する段階は、該角度が１０度より大きく、好適には２０度より大きいと判断することから成る請求項１６から１９のいずれか１項に記載の方法。
21. 角度を判断する前記段階は、物体の脚部分の脚の画像座標（ｕ_ｆ，ｖ_ｆ）を脚の部屋座標（Ｘ_ｆ，Ｙ_ｆ＝０，Ｚ_ｆ）に変換すること、長さΔＹを脚の部屋座標の垂直座標に加えること、少なくとも垂直座標を変換して上部画像座標（ｕ_ｈ，ｖ_ｈ）を形成し、それにより脚の画像座標（ｕ_ｆ，ｖ_ｆ）と上部画像座標（ｕ_ｈ，ｖ_ｈ）との間のベクトルにより垂直方向が与えられること、および前記ベクトルと物体との間の角度を決めることから成る請求項２０に記載の方法。
22. さらに、物体の少なくとも二つの末端部分の質量中心を計算することにより物体の方向を判断すること、およびそれらの間のベクトルを物体の方向として判断することから成る請求項２１に記載の方法。
23. さらに、物体の少なくとも二つの末端部分の質量中心を判断すること、および物体の長さを判断することから成り、物体が床上に横たわっていると判断する前記段階は、物体の長さが所定長さより短いと判断することから成る請求項１６から２２のいずれか１項に記載の方法。
24. 前記所定長さは、４メートルより短い物体長さ、３メートルより短い物体長さなどを表し、具体的には２メートルより短い請求項２３に記載の方法。
25. さらに、前記質量中心を検出領域中の床の高さ（Ｙ＝０）における部屋座標に変換すること、および前記部屋座標中の物体長さを決めることから成る請求項２３または２４に記載の方法。
26. さらに、物体が床上に横たわっていると判断する前に、少なくとも所定時間画像シーケンスを引き出すこと、高速度および／または負の加速度に対して引き出された画像シーケンスを解析することから成り、転倒条件を特定する次の段階は、速度が所定値より大きく、および／または加速度が負の値より小さいと判断することから成る請求項１６から２５のいずれか１項に記載の方法。
27. 前記所定時間は、前記決定の前の時間および前記決定の後の時間を含む請求項２６に記載の方法。
28. 前記時間は２秒である請求項２６または２７に記載の方法。
29. さらに、現在の画像と前の画像との差を計算することにより前景画像を形成すること、および前景画像から前景要素の数を導き出すことから成り、転倒条件を特定する次の段階は、前景要素の数が前景数の値を超えると判断することから成る請求項１６から２８のいずれか１項に記載の方法。
30. 前景数の値は、現在の画像と背景画像との差を計算することにより導き出される基準前景画像中の前景要素の数を表す請求項２９に記載の方法。
31. さらに、部屋座標中の検出領域高さ制限を定義すること、および前記部屋高さ制限を画像座標中の画像高さ制限に変換することから成り、前景要素の数は、前景画像中の画像高さ制限より下に位置する前景画像要素を表す請求項２９または３０に記載の方法。
32. 所定の時間中に前景画像において変化がない場合、前記現在の画像は前記背景画像として設定される請求項２９、３０、または３１に記載の方法。
33. さらに、速度および／または負の加速度に対して転倒条件の確率曲線と非転倒条件の確率曲線を事前に計算することから成り、転倒条件を特定する次の段階は、速度および／または加速度が転倒条件に対して最も高い確率を有すると判断することから成る請求項２６から３２のいずれか１項に記載の方法。
34. 物体が床上に横たわっていると判断すると、転倒条件の特定が始動される請求項２６から３３のいずれか１項に記載の方法。
35. 転倒条件に関して物体をモニターする装置であって、検出領域を観測する検出器、検出器からの少なくとも一つの画像に基づいて物体が検出領域において横たわっていると判断する判断装置、および判断装置により物体が横たわっていると判断された後、所定時間の間警報を発する警報装置を備える装置。
36. 前記判断装置は、現在の画像と所定の背景画像との差である前景画像を計算し、かつ検出領域の床上に存在する前景画像と前景画像全体との比を計算する前景計算装置をさらに備え、物体が床上に横たわっていると判断することは、少なくとも０．５であり、好適には０．９である所定の閾値の比を、当該比が超えると判断することから成る請求項３５に記載の装置。
37. 前記判断装置は、物体と垂直方向との角度を計算する角度計算装置をさらに備え、物体が検出領域において床上に横たわっていると判断することは、該角度が１０度より大きく、好適には２０度より大きいと判断することから成る請求項３５または３６に記載の装置。
38. 前記判断装置は、物体の少なくとも二つの末端部分の質量中心を判断する長さ計算装置をさらに備え、物体長さを計算し、物体が床上に横たわっていると判断することは、物体長さが所定長さより短いと判断することから成る請求項３５、３６、または３７に記載の装置。
39. 検出領域における転倒を特定する転倒検出器をさらに備え、前記判断装置は床上に物体横たわっていると判断すると、前記転倒検出器が転倒を特定することを始動する請求項３５から３８のいずれか１項に記載の装置。
40. 前記転倒検出器は、物体が床上に横たわっていると判断装置のよる判断の前に、少なくとも所定時間画像シーケンスを引き出すための手段、高速度および／または負の加速度に対して引き出された画像シーケンスを解析するための手段、および速度が所定値より大きく、および／または加速度が負の値より小さいと判断することにより転倒条件を特定するための手段を備える請求項３９に記載の装置。
41. 前記転倒検出器は、現在の画像と前の画像との差を計算することにより前景画像を形成するための手段、前景画像から前景要素の数を導き出すための手段、および転倒条件を特定する次の段階は、前景要素の数が前景数の値を超えると判断することにより転倒条件を特定するための手段を備える請求項３９または４０に記載の装置。
    
    

Images