基于輪廓跟蹤的摔倒檢測算法

靳海偉， 彭 力 ， 盧曉龍

(江南大學 物聯網工程學院，江蘇 無錫214122)

截止2013 年底，我國60 周歲及其以上人口約20 243 萬人，占總人口的14.9%，人口老齡化情況嚴重。目前許多家庭的子女由于在外工作等原因，無暇照顧老人，老人的健康維護顯得十分重要。對于大多數老年人來說，摔倒是造成嚴重受傷的原因之一［1］。研究表明，20% ～30% 的老年人不同程度經受由摔倒引起的病痛［2］，因此快速而準確地獲取摔倒信息為傷者提供及時救助，可以大大提高醫療效率，降低由摔倒延遲發現而引起的進一步傷害。

目前摔倒檢測的相關算法可以分為兩類:基于可穿戴式設備的摔倒檢測算法和基于視頻的摔倒檢測算法。基于可穿戴式設備的摔倒檢測，根據設備監測到的數據來反映人體活動變化。文獻［3］運用三軸加速度傳感器采集數據，通過確定三軸與重力加速度的夾角來確定姿態變化。文獻［4］運用多種傳感器和摔倒前后心率變化進行檢測。文獻［5］提出一種基于統計學判別分析的摔倒檢測算法，由采集到的加速度傳感器進行處理得到摔倒特征向量空間進行判別。但是可穿戴式設備容易受到外界噪聲干擾，例如人體的自然伸縮，其正確判別率低。基于視頻的摔倒檢測，通過布置在高危區域的攝像頭捕捉人體活動，運用動作跟蹤技術來識別摔倒事件。文獻［6］利用外接方框來代表人體，通過人體寬高比特征進行摔倒判斷，算法簡單但容易產生誤判。文獻［7］在人體寬高比特征的基礎上采用有效面積比和中心變化率兩個特征來進行結果修正，能有效防止誤判。文獻［8］通過提取視頻圖像序列中人體形狀特征積累似然率和設置閾值來進行摔倒動作匹配，其算法復雜，實時性較差。

文中提出一種基于輪廓跟蹤的摔倒檢測算法，通過提取視頻中的運動目標(老人)進行輪廓跟蹤，生成邊界鏈碼，并對實際邊界鏈碼進行插值長度調整，然后通過與摔倒模型進行歐氏空間距離比較判別是否摔倒。最終通過實驗證明該算法計算復雜度低，易于實現，提高了摔倒檢測結果的正確率。

1 運動目標提取

由于處于視頻監控的老人危險區域較為集中，例如走廊、樓道拐角等，所以視頻監控中的背景部分較為固定，相對變化較小，因此采用背景減除法來提取運動目標(老人)。為了減小提取運動目標的邊緣存在的椒鹽噪聲對邊界跟蹤的影響，采用中值濾波來消除這部分噪聲，以便得到清晰的邊緣。由于提取的目標內部可能存在小孔，利用形態學中膨脹和腐蝕來填充這些小孔，以便得到完整的目標。

1.1 背景減除法

背景減除法［9］的原理是從視頻序列中依次采集圖像fk(x，y)，將其與背景圖像bk(x，y)進行差分得到差分圖像Dk(x，y)。表示如下:

對差分結果進行二值化處理:

得到目標圖像Rk(x，y)。當Dk(x，y)中像素點的值大于閾值T 時，被判定為前景，否則被判定為是背景。過程如圖1 所示。

圖1 背景減除法Fig.1 Background subtraction

1.2 中值濾波

中值濾波是基于排序統計理論的一種能有效抑制噪聲的非線性信號處理技術。中值濾波的基本原理是把數字圖像或數字序列中一點的值用該點的一個鄰域中各點值的中值代替，讓周圍的像素值接近真實值，從而消除孤立的噪聲點。方法是用某種結構的二維滑動模板，將板內像素按照像素值的大小進行排序，生成單調上升(或下降)的二維數據序列，結果如圖2 所示。

圖2 中值濾波Fig.2 Median filter

1.3 膨脹和腐蝕

膨脹和腐蝕是圖形形態學中最基本的兩種算子。腐蝕的作用是消除物體邊界點，使目標縮小，可以消除小于結構元素的噪聲點;膨脹的作用是將與物體接觸的所有背景點合并到物體中，使目標增大，可添補目標中的空洞。運算時先膨脹后腐蝕，可以填充物體內細小的空洞，并平滑物體邊界。

結果如圖3 所示。

圖3 膨脹腐蝕Fig.3 Expansion of corrosion

2 基于輪廓跟蹤的摔倒檢測算法

2.1 輪廓跟蹤

輪廓跟蹤的目的是為了獲取目標區域的外部輪廓特征。輪廓跟蹤就是順序找出邊界點，不僅可以跟蹤出邊界，還可以同時記錄邊界信息，生成邊界鏈碼，為形狀分析和目標識別做準備。輪廓跟蹤可以基于4 方向碼和8 方向碼分別跟蹤出4 連通的輪廓和8 連通的輪廓。但對于大多數區域，不一定存在封閉的4 連通輪廓，會導致基于4 方向碼的輪廓跟蹤失敗。因此，文中采用8 方向碼的輪廓跟蹤，方向碼的定義如圖4 所示。

圖4 8 連通方向碼Fig.4 8 connected direction code

假設要處理的圖像為二值圖像，而且圖像中只有一個連通的目標區域，則輪廓跟蹤算法步驟如下:

1)從上到下、從左到右順序掃描圖形，尋找第一個目標點作為邊界跟蹤的起始點，記為A。A 點一定是最左上角的邊界點，其相鄰的邊界點只有可能出現在它的左下、下、右下、右4 個鄰點中。定義一個搜索方向dir = 5，即從方向5 開始搜索與A 相鄰的下一個邊界點，用于記錄從當前邊界點搜索下一個相鄰邊界點所用的搜索方向碼。

如果當前搜索方向dir 上的鄰點不是邊界點，則依次使搜索方向逆時針旋轉一個方向，更新dir，直到搜索到一個邊界點為止。如果所有方向都沒有找到相鄰的邊界點，則該點是一個孤立點。dir 的更新公式表示為:dir = dir +1。

2)把上一次搜索到的邊界點作為當前邊界點，在其3 ×3 鄰域內按逆時針方向搜索新的邊界點，它的起始搜索方向設定:若上次搜索到邊界點的方向dir 為奇數，則使dir = dir +6，即將上次的搜索方向順時針旋轉兩個方向;若dir 為偶數，則使dir =dir +7，即將上次的搜索方向順時針旋轉一個方向。

如果起始搜索方向沒有找到邊界點，則依次使搜索方向逆時針旋轉一個方向，更新dir，直到搜索到一個新的邊界點為止。

3)如果搜索到的邊界點就是第一個邊界點A，則停止搜索，結束跟蹤，否則重復上一步驟繼續搜索。

由依次搜索到的邊界點系列就構成了被跟蹤的邊界，即邊界鏈碼。步驟1)中所采用的準則稱為“探測準則”，目的是找出第一個邊界點;步驟2)中所采用的準則稱為“跟蹤準則”，其作用時找出所有邊界點。圖5 為基于8 方向的輪廓跟蹤示例，圖中黑色表示邊界像素。從最左上角A 點沿逆時針方向開始編碼，得到邊界鏈碼為566711077123335533。

圖5 8 方向碼的輪廓跟蹤Fig.5 Outline of 8 direction code tracing

2.2 邊界鏈碼插值長度調整

通過將一組未知的邊界鏈碼與摔倒模板鏈碼進行比較來判斷老人是否摔倒。圖6 為用來作比較的摔倒模板，包括在地上不同方向躺著、趴著、坐著，圖中列出不同姿勢的3 種情況為例。實驗中采用的模板為每種姿勢8 種情況(包括多角度、側身、抱手、屈腿等情況)，基本上模擬出老人摔倒的各種姿勢情況。

根據輪廓跟蹤算法可以得到它們的邊界鏈碼。由于實際老人的體型大小有差別以及老人與攝像頭的距離存在不同造成實際鏈碼與模板鏈碼長度不一致，這將引起較大的比較誤差。文中通過從相同起點開始編碼和將較短的鏈碼擴展到與較長鏈碼相同的長度來解決這個問題。

約定從最上角的像素點開始沿相同的方向(如逆時針)生成鏈碼。在擴展鏈碼上采用插值技術，假設有兩組鏈碼A 和B，A = {ai| 1 ≤i ≤m}代表較短的一組，其中ai代表鏈碼A 中的一點，m 代表A 的長度，同理B = {bi| 1 ≤i ≤n}代表較長的一組。C ={ci| 1 ≤i ≤n}代表A 經過插值后的鏈碼，通過以下兩步定義ci:

1)根據ai原來在A 的位置成比例地分布在C上。令c1= a1，當2 ≤i ≤m，= ai。例如，設A =2 536。如果設n/m = 2，則A 的長度擴大2 倍后C =2__5_3_6，因為在A 上1，2，3，4 位置的編碼在C 上的分別對應位置為1，4，6，8。

2)在C 上插入新編碼。在原來鏈碼序列的基礎上插入新值必然引起誤差，因此在原來序列中兩個編碼間插入新值必須符合原值的變化趨勢。這里考慮3 種插值情況:

第1 種情況為在相同的兩個編碼值間插值。這表明原來的邊界沿著相同的方向變化。例如鏈碼“...22...”，這組鏈碼表明至少3 個相鄰像素在垂直方向上。如果要擴大2 倍及其更多倍數時，應該在這兩個相同的編碼間復制這個值，則新的鏈碼變為“...2222...”。

第2 種情況為在不同的編碼值間插值。為了防止不可預知的誤差，將新增的前一半編碼取值為原來鏈碼左邊的編碼值，后一半取值為原來鏈碼右邊的編碼值。例如“...03...”，則變化后的鏈表示為“...000333...”。

第3 種情況為在原來鏈碼的最后一個編碼后面插值。在這種情況下，可以參考原來鏈碼的第一個編碼和最后一個編碼來決定插值。

圖6 摔倒模板Fig.6 Fall template image

2.3 摔倒判別

歐氏距離常用來衡量信號的相似程度，所以采用歐氏空間距離來衡量經過調整后的模板邊界鏈碼和實際邊界鏈碼來比較兩組鏈碼的差別大小，即未知人形與摔倒模型的相似程度。歐氏空間距離定義如下:

其中i = 1，2，…，n，這里x1i，x2i表示經過調整后的兩組鏈碼中對應位置的碼值。

如果歐氏空間距離D 小于預設的閾值(其大小根據實際系統的精確度而定)，并且這個狀態持續一段時間，判斷其為摔倒事件。

3 實驗結果及分析

為了檢驗文中所提出算法的有效性，對摔倒事件進行測試。由于本實驗具有一定的危險性，因此選取普通人而非老人為實驗對象。實驗地點選擇為老人易發生摔倒的危險區域走廊和樓道口。圖7 展示了實驗者在以上實驗地點的摔倒示例。文中選取5 男5 女共10 個實驗者進行模擬，實驗者在測試中做出摔倒或者非摔倒動作，其中摔倒60 次，非摔倒40 次，并且要求摔倒動作持續10 s 以上時間，防止老人正常的動作被視為摔倒。

在摔倒檢測實驗中，有4 種可能情況:第1 種摔倒事件發生算法正確檢測摔倒;第2 種摔倒事件未發生算法誤判摔倒;第3 種摔倒事件發生算法判斷為未摔倒;第4 種摔倒事件未發生算法判斷未摔倒。以上4 種情況，定義靈敏度、正確率、誤判率3 個指標來評價算法。

表1 給出樓梯口和走廊3 個指標(靈敏度、正確率、誤判率)結果。

圖7 摔倒示例圖像以及跟蹤邊界Fig.7 Fall image and boundary markers

表1 算法結果指標Tab.1 Algorithm results＇index

由表1 可得文中算法在2 種場合中均可以取得88% 以上的靈敏度和90% 以上的正確率，以及10% 以下的誤判率。通過比較可以看出，算法效果在樓梯口要好于走廊，主要因為樓道口亮度相對變化較小(白天有陽光，晚上有燈照明)，而走廊亮度相對變化較大(受光源位置影響較大)，影響目標提取，給后續處理造成困難。

在摔倒判定中，規定當老人開始出現摔倒狀況并且持續至少10 s 時判定為摔倒事件進行報警。為了測試系統的實時性，表2 給出樓梯口和走廊的平均反應時間。

表2 樓梯口和走廊的平均反應時間Tab.2 Average response time

表3 給出文中算法和其他摔倒檢測算法的比較結果。由表3 可以看出，文中算法在摔倒檢測效果評價指標上優于文獻［7-8］算法，具有更高的靈敏度和正確率，而且文中算法采用的摔倒標準模板和模板中某種姿勢的個數有限。隨著模板個數的增加，算法的各項指標會得到提升，但是處理時間延遲會增加。

表3 算法比較結果Tab.3 Result of the comparison

文中算法對提取的老人進行邊界跟蹤，而不需要像算法文獻［7-8］持續關注老人的動作變化。邊界鏈碼對于邊界上的每一個點只需要一個方向數就可以代替兩個坐標值，由于一個方向數比表示一個坐標值簡單，因此鏈碼表示可以大大減少表示邊界的數據量。邊界鏈碼的處理不僅使判斷模型得到簡化，而且結果更加精確。

4 結 語

文中主要介紹了基于輪廓跟蹤的摔倒檢測算法，該算法在提取運動目標老人的基礎上，采用輪廓跟蹤算法獲取邊界鏈碼，提出模型匹配識別技術來判斷老人摔倒事件。實驗結果表明，該算法復雜度低、易于實現，具有較高的判別正確率，可以被應用于實際視頻監控系統中。

［1］Rougier C，Meunier J，St-Arnaud A，et al. Fall detection from human shape and motion history using video surveillance［C］//Advanced Information Networking and Applications Workshops，21st International Conference on. ［s. l.］:IEEE，2007，2:875-880.

［2］Wilding M J，Seegert L，Rupcic S，et al. F-alling short:recruiting elderly individuals for a fall study［J］. Ageing Research Reviews，2013，12(2):552-560.

［3］王榮，章韻，陳建新.基于三軸加速度傳感器的人體跌倒檢測系統設計與實現［J］.計算機應用，2012，32(5):1450-1453.

WANG Rong，ZHANG Yun，CHEN Jianxin.Design and implementation of fall detection system using tri-axis accelerometer［J］.Journal of Computer Applications，2012，32(5):1450-1453.(in Chinese)

［4］薛源，高向陽.基于多傳感器信息融合的跌倒監測系統的設計［J］.武漢理工大學學報:信息與管理工程版，2011，33(5):712-716.

XUE Yuan，GAO Xianyang.A design for fall detection monitoring system based on information fusion of mutil-sensor［J］.Journal of Wut Information and Management Engineering，2011，33(5):712-716.(in Chinese)

［5］金純，伊遠陽.一種基于統計學判別分析的老人摔倒檢測算法的研究［J］.計算機應用研究，2014，31(1):89-94.

JIN Chun，YI Yuanyang. Old man fall detection algorithm research based on discriminant analysis of statical［J］. Application Research of Computers，2014，31(1):89-94.(in Chinese)

［6］Vaidehi V，Ganapathy K，Mohan K，et al. Video based automatic fall detection in indoor environment［C］//International Conference on Recent Trends in Information Technology.Tamil Nadu，India:［s.n.］，2011:1016 -1020.

［7］劉紅，左常玲，黃江林.一種改進的自動摔倒檢測算法［J］.安徽大學學報:自然科學版，2012，36(6):57-61.

LIU Hong，ZUO Changling，HUANG Jianglin.An improved algorithm of automatic fall detection［J］.Journal of Anhui University:Natural Science Edition，2012，36(6):57-61.(in Chinese)

［8］TAO J，Turjo M，WONG M F，et al.Fall inci-dents detection for intelligent video survei-llance［C］//Information，Communications and Signal Processing，2005 Fifth Interna-Tional Conference on.［s.l.］:IEEE，2005:1590-1594.

［9］Maddalena L，Petrosino A.A self-organizing approach to background subtraction for visual surveillance applications［J］.Image Processing IEEE Transactions on，2008，17(7):1168-1177.