基于视觉识别的老年人跌倒监测系统

1.本发明涉及老人跌倒监测技术领域，特别涉及一种基于视觉识别的老年人跌倒监测系统。


背景技术：

2.目前，我国已经进入老龄化社会，第七次人口普查数据显示，我国65岁及以上的老年人已经达到1.9亿，按照16％的发生率估算，每年有超过3千万的老年人发生跌倒。据流行病学调查结果显示，跌倒在我国总体伤害死亡原因中排名第四，在65岁及以上的老年人中则居于首位。所以，老年人跌倒，是与每个老年人，每个家庭，每个人都息息相关的公共卫生问题。
3.随着科学技术的不断发展，电子产品尤其是监控产品成本有所降低，智能监控摄像头被安装在更多的场所，它不再像传统监控设备那样需要人工在监控室内盯着显示屏进行实时地监控。智能监控摄像设备运用计算机视觉等方法可自动识别监控拍摄到的事件，它通过实时获取视频图像帧，并识别图像帧中的目标，对目标进行识别、追踪，从而检测目标行为。
4.在现有老人跌倒监测产品中，主要分为两类：智能穿戴设备和室内监测设备。其中。智能穿戴设备包括以老人身体特征数据为依据的检测设备(跌倒报警手环、手表)和预防跌倒伤害的设备(防摔马甲、智能腰带等)；室内监测设备则大多通过智能监控摄像头对老人活动实时监控。但对于复杂的室外场景，对于室外活动老人的跌倒风险评估及实时监控当前现有技术还存在一定缺陷，因此，基于室外环境的老人跌倒监测问题亟需解决。


技术实现要素：

5.为解决上述现有技术中所存在的问题，本发明提供一种基于视觉识别的老年人跌倒监测系统。
6.为了实现上述技术目的，本发明提供了如下技术方案：一种基于视觉识别的老年人跌倒监测系统，包括：
7.视频监测模块、预处理模块、风险评估模块、跌倒检测模块和报警模块；
8.其中，所述视频监测模块与所述预处理模块连接，用于获取老人活动场景视频；
9.所述预处理模块分别与所述风险评估模块和所述跌倒检测模块连接，用于处理所述老人活动场景视频，得到预处理图像；
10.所述风险评估模块用于基于所述预处理图像评估当前老人跌倒风险；
11.所述跌倒检测模块用于基于所述预处理图像的目标人体判断老人是否跌倒；
12.所述报警模块分别与所述风险评估模块和所述跌倒检测模块连接，用于接收老人状态信息，基于所述老人状态信息发出预警或求助。
13.可选的，所述预处理模块包括图像提取单元、图像处理单元、目标检测单元；
14.所述图像提取单元以秒为单位获取所述老人活动场景视频中的老人活动场景图
像；
15.所述图像处理单元用于对所述老人活动场景图像进行降噪；
16.所述目标检测单元用于区分目标人体和目标人体的周围环境信息。
17.可选的，所述图像处理单元基于高斯滤波技术对所述老人活动场景图像进行降噪。
18.可选的，所述目标人体跟踪单元基于背景差分法用于区分目标人体和目标人体的周围环境信息。
19.可选的，所述风险评估模块包括：风险因素单元、模型构建单元和跌倒风险评估单元；
20.所述风险因素单元用于基于老人活动的周围环境信息建立风险因素信息库；
21.所述模型构建单元用于建立计算机视觉识别模型；
22.所述跌倒风险评估单元用于基于所述计算机视觉识别模型评估老人在第t秒的跌倒风险。
23.可选的，所述风险因素单元包括：亮度检测子单元、地面检测子单元和障碍物检测子单元；
24.其中，所述亮度检测子单元用于获取老人活动场景中光线信息；
25.所述地面检测子单元用于获取地面湿滑、平坦程度信息；
26.所述障碍物检测子单元用于监测老人与周围障碍物的距离。
27.可选的，所述模型构建单元基于深度置信网络进行计算机视觉识别模型构建。
28.可选的，所述跌倒检测模块包括基于支持向量机的跌倒检测分类器；
29.其中，所述基于支持向量机的跌倒检测分类器进行跌倒检测的过程包括：
30.获取所述目标检测单元的目标人体；
31.基于所述目标人体获取人体特征；
32.将所述人体特征输入所述基于支持向量机的跌倒检测分类器，判断老人是否跌倒。
33.可选的，所述报警模块包括预警单元和求助单元；
34.其中，所述预警单元与所述跌倒风险评估单元连接，用于向老人发出语音预警提示；
35.所述警报求助单元与所述跌倒检测模块连接，用于当老人跌倒时向周围发出社会求助。
36.本发明具有如下技术效果：
37.相较于传统法人跌倒检测穿戴设备，本发明可减少使用的复杂度，老人无需佩戴任何设备即可实现跌倒检测。
38.本发明在不妨碍老人正常生活的情况下，从个人因素和环境因素两方面考虑，为老人跌倒监测提供科学支撑，具体来说：一方面本发明从目标人体与环境的实时交互角度来看，本发明通过获取周围环境信息，通过构建计算机视觉识别模型对老人跌倒风险进行预测，基于预测结果对老人即使发出危险预警，极大地降低了老人跌倒概率；另一方面本发明考虑到老人可能会因突发疾病而跌倒这种风险，因而设置了跌倒检测模块，该模块采用支持向量机(svm)分类器实现人体跌倒检测，该算法轻量、快速、准确率高，对老人跌倒具有
较高的识别准确率。
附图说明
39.为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
40.图1为本发明实施例中的流程图。
具体实施方式
41.下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
42.实施例一
43.如图1所示，本实施例公开了一种基于视觉识别的老年人跌倒监测系统，包括：视频监测模块、预处理模块、风险评估模块、跌倒检测模块和报警模块；
44.其中，视频监测模块与预处理模块连接，用于获取老人活动场景视频；
45.预处理模块分别与风险评估模块和所述跌倒检测模块连接，用于处理老人活动场景视频，得到预处理图像；
46.风险评估模块用于基于预处理图像评估当前老人跌倒风险；
47.跌倒检测模块用于基于预处理图像的目标人体判断老人是否跌倒；
48.报警模块分别与风险评估模块和跌倒检测模块连接，用于接收老人状态信息，基于老人状态信息发出预警或求助。
49.视频监测模块用来获取老人活动场景视频并传输，主要通过监控设备的摄像头，对老人活动场景进行拍摄，实时将监控视频传输到服务器。一般而言，监控视频的画质越高，数据处理的效果越好，当然有时会降低速度。因此，应当追求性能和性价比的均衡，适当的提高监控设备的质量，以保证数据的质量。
50.预处理模块用于处理老人活动场景视频，首先基于老人活动场景视频，以秒为单位获取每秒包括的老人活动图像，基于获得的图像进行预处理。
51.由于监控视频可能会由于镜头不干净、失焦、意外抖动等原因导致提取的图像画质不清晰，因此，本实施例基于高斯滤波技术对获得的老人活动图像进行预处理，得到预处理图像。
52.其中，高斯滤波是一种线性平滑滤波，适用于消除高斯噪声，广泛应用于图像处理的减噪过程。高斯滤波去噪是对整幅图像像素值进行加权平均，针对每一个像素点的值，都由其本身值和邻域内的其他像素值经过加权平均后得到。
53.基于预处理图像，进行目标检测，本实施例基于背景差分法区分目标人体和目标人体的周围环境信息。
54.其中在目标检测过程中，本实施例通过采集老人室外活动的历史图像，基于历史
图像进行机器学习，得到目标人体——老人。
55.背景差分法是采用图像序列中的当前帧和背景参考模型比较来检测运动物体的一种方法。在基于背景差分方法的运动目标检测中，背景图像的建模和模拟的准确程度，直接影响到检测的效果。
56.本实施例中风险评估模块用于评估当前老人跌倒风险的具体过程包括：
57.首先，基于老人活动环境进行跌倒风险因素筛选。其中，导致老人跌倒的环境因素主要包括光线不足导致的视野障碍、地面湿滑崎岖不平导致的行动障碍以及障碍物影响导致的判断障碍。因此，基于预处理图像获取老人活动场景图像中光线信息、地面状态信息和障碍区与目标人体距离信息。
58.其次，基于深度置信网络构建计算机视觉识别模型。本实施例基于深度置信网络进行老人跌倒风险评估，由于跌倒风险是隐藏的状态，不能直接观察得到，到影响隐藏状态的信息是可见的，即跌倒风险因素，故将跌倒风险因素转换为深度置信网络可识别的观测符号，由此便可形成一个隐藏状态(根节点)与若干观测符号(叶节点)的联系，即形成一个时间片。
59.风险评估过程是一个连续动态过程，需要将若干时间片连接起来，建立动态跌倒风险评估结构并确定不同观测符号的不同状态空间。
60.确定了变量状态空间的深度置信网络结构建立后，需要赋予其参数，深度置信网络是一个概率生成模型，是由多个限制玻尔兹曼机组成的多隐含层神经网络。通过rbm的逐层堆叠，深度置信网络模型可从原始数据中逐层提取特征，获得一些高层次表达。
61.深度置信网络参数学习的过程包括：
62.初始根节点的先验概率；
63.计算切片内非根节点的条件概率；
64.计算相邻切片间根节点的条件概率；
65.本实施例通过构建深度置信网络结构、确定风险因素状态空间、参数学习过程。最后推理得到每个时间切片内老人面临跌倒风险的概率。
66.基于老人跌倒风险概率，报警模块会向老人发出语音预警提示，进而避免老人跌倒，降低老人受伤风险。
67.然后，基于跌倒检测模块判断老人当前是否跌倒。其中，本实施例构造基于支持向量机的跌倒检测分类器，进行跌倒检测，具体包括：
68.获取所述目标检测单元的目标人体；
69.基于所述目标人体获取人体特征；
70.将所述人体特征输入所述基于支持向量机的跌倒检测分类器，判断老人是否跌倒。
71.当老人因自身身体原因或其他突发状况导致跌倒，求助单元接收老人跌到信息，判断是否需要发出求助信息；
72.求助单元发出求助信息的过程包括：
73.接收老人跌倒信息，当老人在第一时间阈值内没有自主站立起来，则向周围环境发出求助信号，求助信号持续发出1-3分钟，其中第一时间阈值为1-2分钟：
74.当老人在求助信号持续发出1-3分钟后仍未得到救助，求助单元自动拨打摄像头
所属社区的社区电话，寻求帮助。
75.以上显示和描述了本发明的基本原理、主要特征和优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。

技术特征：
1.一种基于视觉识别的老年人跌倒监测系统，其特征在于，包括：视频监测模块、预处理模块、风险评估模块、跌倒检测模块和报警模块；其中，所述视频监测模块与所述预处理模块连接，用于获取老人活动场景视频；所述预处理模块分别与所述风险评估模块和所述跌倒检测模块连接，用于处理所述老人活动场景视频，得到预处理图像；所述风险评估模块用于基于所述预处理图像评估当前老人跌倒风险；所述跌倒检测模块用于基于所述预处理图像的目标人体判断老人是否跌倒；所述报警模块分别与所述风险评估模块和所述跌倒检测模块连接，用于接收老人状态信息，基于所述老人状态信息发出预警或求助。2.根据权利要求1所述的基于视觉识别的老年人跌倒监测系统，其特征在于：所述预处理模块包括图像提取单元、图像处理单元、目标检测单元；所述图像提取单元以秒为单位获取所述老人活动场景视频中的老人活动场景图像；所述图像处理单元用于对所述老人活动场景图像进行降噪；所述目标检测单元用于区分目标人体和目标人体的周围环境信息。3.根据权利要求2所述的基于视觉识别的老年人跌倒监测系统，其特征在于：所述图像处理单元基于高斯滤波技术对所述老人活动场景图像进行降噪。4.根据权利要求2所述的基于视觉识别的老年人跌倒监测系统，其特征在于：所述目标人体跟踪单元基于背景差分法用于区分目标人体和目标人体的周围环境信息。5.根据权利要求1所述的基于视觉识别的老年人跌倒监测系统，其特征在于：所述风险评估模块包括：风险因素单元、模型构建单元和跌倒风险评估单元；所述风险因素单元用于基于老人活动的周围环境信息建立风险因素信息库；所述模型构建单元用于建立计算机视觉识别模型；所述跌倒风险评估单元用于基于所述计算机视觉识别模型评估老人在第t秒的跌倒风险。6.根据权利要求5所述的基于视觉识别的老年人跌倒监测系统，其特征在于：所述风险因素单元包括：亮度检测子单元、地面检测子单元和障碍物检测子单元；其中，所述亮度检测子单元用于获取老人活动场景中光线信息；所述地面检测子单元用于获取地面湿滑、平坦程度信息；所述障碍物检测子单元用于监测老人与周围障碍物的距离。7.根据权利要求5所述的基于视觉识别的老年人跌倒监测系统，其特征在于：所述模型构建单元基于深度置信网络进行计算机视觉识别模型构建。8.根据权利要求2所述的基于视觉识别的老年人跌倒监测系统，其特征在于：所述跌倒检测模块包括基于支持向量机的跌倒检测分类器；其中，所述基于支持向量机的跌倒检测分类器进行跌倒检测的过程包括：获取所述目标检测单元的目标人体；基于所述目标人体获取人体特征；将所述人体特征输入所述基于支持向量机的跌倒检测分类器，判断老人是否跌倒。9.根据权利要求1所述的基于视觉识别的老年人跌倒监测系统，其特征在于：所述报警模块包括预警单元和求助单元；
其中，所述预警单元与所述跌倒风险评估单元连接，用于向老人发出语音预警提示；所述求助单元与所述跌倒检测模块连接，用于当老人跌倒时向周围发出社会求助。

技术总结
本发明公开了一种基于视觉识别的老年人跌倒监测系统，包括：视频监测模块、预处理模块、风险评估模块、跌倒检测模块和报警模块；其中，视频监测模块与预处理模块连接，用于获取老人活动场景视频；预处理模块分别与风险评估模块和所述跌倒检测模块连接，用于处理老人活动场景视频，得到预处理图像；风险评估模块用于基于预处理图像评估当前老人跌倒风险；跌倒检测模块用于基于预处理图像的目标人体判断老人是否跌倒；报警模块分别与风险评估模块和跌倒检测模块连接，用于接收老人状态信息，基于老人状态信息发出预警或求助。本发明从个人因素和环境因素角度考虑，通过老人跌倒风险预警和老人跌倒检测，大大减少老人因跌倒带来的伤害。伤害。伤害。


技术研发人员：柳兴国
受保护的技术使用者：重庆电子工程职业学院
技术研发日：2023.04.07
技术公布日：2023/7/6