李奕煜，周天劍，羅回彬，丘偉航

（北京理工大學(xué)珠海學(xué)院計算機學(xué)院，珠海 519000）

0 引言

近年來，由于老人在家無人照顧，導(dǎo)致老人摔倒造成身體上的損傷甚至導(dǎo)致悲劇的事件時有發(fā)生。然而，現(xiàn)在市面上大部分的人體跌倒檢測設(shè)備都過于昂貴，且需要進行復(fù)雜的安裝。本設(shè)計使用樹莓派+云臺的操作，使得價格更加親民，且安裝位置更加自由隨意，只需接上電源即可開機自行啟動程序。本系統(tǒng)擁有很好的便捷性和易用性，成本低，在智能家居安防方面具有實用價值。

1 系統(tǒng)總體設(shè)計方案

系統(tǒng)總體設(shè)計如圖1所示，由樹莓派、攝像頭和通知系統(tǒng)組成。在環(huán)境中安裝樹莓派并啟動后，樹莓派會開啟攝像頭檢索視野，樹莓派接收由攝像頭傳回的信息，處理完后會根據(jù)人影圖像進行簡化處理，再根據(jù)人體簡化圖（見圖2）對關(guān)鍵點進行跌倒計算，如果測量到的加速度高于我們假定的閾值，程序內(nèi)的算法將會提取這個人去計算特征，然后執(zhí)行基于SVM的分類器驗證墜落。操控云臺模塊可以時刻對家庭中的指定人物進行追蹤，做到時刻對家人健康進行管控。云臺舵機控制部分，項目采用的云臺利用的是BST-AI拓展板，拓展板連接樹莓派的引腳進行舵機控制。

圖1 樹莓派跌倒檢測系統(tǒng)框架

圖2 作者本人的人體簡化特征圖

2 跌倒檢測算法

本項目跌倒檢測的流程是先通過攝像頭收集試驗數(shù)據(jù)，再在環(huán)形緩沖區(qū)中存儲深度圖，接下來在樹莓派中判斷人物是否運動，若檢測到人物開始運動，則進行前景提取，連接相關(guān)組件進行下一步行為分析；此時再判斷場景是否發(fā)生了變換，若判斷質(zhì)心發(fā)生下降，則對標(biāo)識的人員進行提取，根據(jù)特征點變化速度進行墜落檢測后，再提取特征與跌倒分類器進行分類，若檢測到跌倒則發(fā)出警報。圖3為跌倒檢測的大致流程圖。

圖3 跌倒檢測流程圖

2.1 算法概述

首先，獲取來自攝像頭捕獲圖像的運動數(shù)據(jù)。然后對數(shù)據(jù)進行中值過濾，以抑制噪聲。在這樣的預(yù)處理后，深度圖被存儲在緩沖區(qū)中。提取深度參考圖像需要將數(shù)據(jù)存儲在循環(huán)緩沖區(qū)中，經(jīng)過訓(xùn)練后，便可以通過參考圖像提取到的相關(guān)特征來判斷人的行為。在下一步中，該算法會驗證這個人是否是運動的。該操作基于加速度測量數(shù)據(jù)進行，從而以較低的計算成本實現(xiàn)。當(dāng)這個人休息時，該算法會獲得新的數(shù)據(jù)。特別是，如果在一秒鐘內(nèi)沒有檢測到該人的移動，就不會對深度參考圖進行更新。如果人發(fā)生了運動，算法會提取前景。前景是通過從深度參考圖像中減去當(dāng)前的深度圖來確定的。

2.2 跌倒檢測流程

本項目首先進行視頻流讀取，再依次進行人物運動及跌倒等判斷，其跌倒檢測具體流程圖如3所示。

2.3 基于閾值的跌倒檢測

根據(jù)IMU設(shè)備獲取的數(shù)據(jù)，該算法表示有潛在的跌倒。該算法的流程如圖3所示，電位下降表示使用慣性設(shè)備的數(shù)據(jù)識別下降。采樣的加速度分量用于計算總和矢量（t），具體公式如下：

其中，A()，A()，A()分別是時間處，，，軸的加速度。（）包含動態(tài)和靜態(tài)加速度分量，因此站立時等于重力加速度g；在摔倒過程中，加速度達(dá)到了6 g；而在下樓與上樓時，加速度達(dá)到了2.7 g?；谶@類規(guī)律，我們的系統(tǒng)采用了一個基于閾值的跌倒檢測，然后根據(jù)深度圖像的分析對其進行驗證。如果（t）的值大于3 g，則系統(tǒng)開始提取人身，然后執(zhí)行負(fù)責(zé)有關(guān)跌倒的最終決策的分類器。

2.4 提取代表人物的深度圖像特征

為了使該系統(tǒng)適用于廣泛的場景，我們描述了一種用于更新深度參考圖像的快速方法?；趫鼍皡⒖紙D像檢測到該人，該場景參考圖像被預(yù)先提取然后更新。在深度參考圖像中，每個像素都取前一幀圖像中幾個像素值的中值，如圖4所示。在設(shè)置階段，我們收集了很多深度圖像，對于每個像素，我們從前一幀的圖像中組裝了一個像素值列表，然后對其進行排序提取中值。

圖4 深度參考圖像提取

2.5 跌倒檢測分類器

本項目中我們采用了基于SVM的分類器，該分類器是一個由具有正?；顒樱ㄐ凶?、坐下、蹲下和躺下）的圖像組成的UR跌倒檢測數(shù)據(jù)集。從UR跌倒檢測數(shù)據(jù)集（URFD）中總共選擇了612張圖像以及其他圖像序列，這些圖像序列是在房間中記錄的。所選的圖像集由402個具有典型ADL的圖像組成，其中210幅圖像則描述一個人躺在地板上。整個UR墜落檢測數(shù)據(jù)集由30個圖像序列和30個墜落序列組成。

2.6 UR跌倒數(shù)據(jù)集詳情

UR跌倒數(shù)據(jù)集是國際上應(yīng)用最廣泛的跌倒數(shù)據(jù)集，該數(shù)據(jù)集包含了70個（30個跌倒+40個日常生活活動）序列，創(chuàng)作者還將圖像分為深度圖像和RGB原始圖像，并附帶了同步數(shù)據(jù)和加速度數(shù)據(jù)。因此，通過在跌倒檢測分類器上進行比對，就可以有效判斷跌倒行為是否發(fā)生，項目實測效果如圖5所示，項目實測的特征提取效果如圖6所示。

圖5 實際檢測摔倒圖

圖6 特征提取圖

3 通知系統(tǒng)

通過寫入訓(xùn)練集可以讓該跌倒檢測系統(tǒng)通過加載提示性動作來對跌倒后的等級進行評估，比如：當(dāng)樹莓派檢測到一個人摔倒時，會先發(fā)出警報來提示摔倒人員，看看他能不能自行起身。當(dāng)檢測到跌倒者發(fā)出來的安全信息時，則停止發(fā)出警報；若是人摔倒后無任何反應(yīng)，則接通急救電話并聯(lián)系摔倒者親屬，以做到及時通知，避免意外發(fā)生不能及時處理，導(dǎo)致事情無法挽回。在本項目中，我們系統(tǒng)采用的是語音識別模塊。由于CNN比較容易實現(xiàn)大規(guī)模并行化運算，且CNN的加速運算相對比較成熟，所以我們采用了比RNN更為精確的CNN卷積神經(jīng)網(wǎng)絡(luò)實現(xiàn)語音識別。在模型上，本項目采用的是CLDNN（卷積,LSTM,深度神經(jīng)網(wǎng)絡(luò)）模型，CLDNN中有兩層CNN的應(yīng)用。CNN和LSTM在語音識別任務(wù)中可以獲得比DNN更好的性能提升，對建模能力來說，CNN擅長減小頻域變化，LSTM可以提供長時記憶，所以在時域上有著廣泛應(yīng)用，而DNN適合將特征映射到獨立空間。

4 結(jié)語

本文設(shè)計的由樹莓派作為控制主板，在其中對實時輸入的視頻流進行計算從而實現(xiàn)對于跌倒的檢測。本項目將跌倒檢測算法內(nèi)置于樹莓派開發(fā)板，可以處理、篩選關(guān)鍵信息后傳入服務(wù)器，減少服務(wù)器的運算壓力。經(jīng)過測試，本系統(tǒng)能夠準(zhǔn)確識別并判斷跌倒行為的發(fā)生，實時傳輸?shù)囊曨l具有良好的實時性以及穩(wěn)定性。在算法上，我們采用了國外先進的UR跌倒檢測數(shù)據(jù)集以及SVM分類器，通過閾值UFT方法取得了良好的效果，識別的準(zhǔn)確度達(dá)到90%。