(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211266851.1 (22)申请日 2022.10.17 (71)申请人 南京邮电大 学 地址 210003 江苏省南京市新模范马路6 6 号 (72)发明人 王竞禹　张晖　钟琳灏　颜玉松　 倪艺洋　夏文超　 (74)专利代理 机构 南京经纬专利商标代理有限 公司 32200 专利代理师 朱小兵 (51)Int.Cl. G06V 20/40(2022.01) G06V 40/20(2022.01) G06V 10/774(2022.01) G06V 10/764(2022.01)G06V 10/50(2022.01) (54)发明名称 一种基于计算机视觉的人体跌倒检测方法 (57)摘要 本发明公开了一种基于计算机视觉的人体 跌倒检测方法， 所述方法通过跌倒运动矢量建模 来检测监控视频中的人体 跌倒事件， 使用光流直 方图和运动边界直方图来描述监控视频中的时 空特征， 这些特征用于训练高斯 混合模型以获得 跌倒运动混合模 型。 通过连接 跌倒运动混合模型 中混合的平均适应获得高维向量， 对其进行因子 分析以获得低维的跌倒运动向量， 该向量仅保留 了与检测跌倒事件相关的重要属性。 本发明利用 跌倒运动混合模 型学习视频中的跌倒运动属性， 减少了视角与照明因素的影 响， 降低了欺骗性事 件的误识别率， 达到良好的人体 跌倒检测识别效 果。 权利要求书1页 说明书6页 附图1页 CN 115482495 A 2022.12.16 CN 115482495 A 1.一种基于计算机 视觉的人体跌倒检测方法， 其特 征在于， 包括以下步骤： 步骤1， 提取跌倒、 非跌倒事件的监控视频的光流直方图和运动边界直方图描述符， 构 建光流直方图数据集和运动边界直方图数据集； 步骤2， 分别基于光流直方图数据集和运动边界直方图数据集训练高斯混合模型， 得到 两个跌倒运动混合模型； 步骤3， 基于 两个跌倒运动混合模型的输出， 得到高维跌倒运动向量； 步骤4， 将高维跌倒运动向量 转换为低维跌倒运动向量； 步骤5， 将光流直方图数据集和运动边界直方图数据集分别输入训练完成的对应跌倒 运动混合模型， 并按照步骤3和4的方法， 得到低维跌倒运动向量数据集； 步骤6， 基于低维跌倒运动向量数据集， 训练支持向量机； 步骤7， 利用训练完成的支持向量机对跌倒/非跌倒视频进行分类， 完成人体跌倒检测。 2.根据权利要求1所述的方法， 其特征在于， 步骤1中提取监控视频的光流直方图和运 动边界直方图描述符， 具体流 程如下： 通过使用密集光流法跨连续帧跟踪监控视频中与 人体轮廓相对应的时空特征点， 形成 轨迹； 围绕轨迹计算得到光 流直方图和运动边界直方图。 3.根据权利要求2所述的方法， 其特征在于， 先对轨迹所在的时空进行网格划分， 进而 得到光流直方图。 4.根据权利要求2所述的方法， 其特征在于， 计算运动边界直方图在x和y方向上的空间 导数， 并将导数的方向量化为8位直方图， 即得到x轴向运动边界直方图和y轴向运动边界直 方图。 5.根据权利要求1所述的方法， 其特 征在于， 步骤2中 高斯混合模型表示 为： 其中混合k的权重ωk的满足约束 μk和σk表示混合k的均值和协方差； N(xl| μk, σk)表示高斯分布密度。 6.根据权利要求1所述的方法， 其特征在于， 步骤3中使用期望最大化算法连接两个跌 倒运动混合模型的输出， 得到高维跌倒运动向量。 7.根据权利要求1所述的方法， 其特 征在于， 步骤3中 高维跌倒运动向量表示 为： 其中， p(k|xl)表示视频x的特 征向量xl来自混合 k的概率， a是常系数， [ ·]t表示转置。 8.根据权利要求1所述的方法， 其特征在于， 步骤4中对高维跌倒运动向量进行因子分 析， 得到低维跌倒运动向量。权　利　要　求　书 1/1 页 2 CN 115482495 A 2一种基于计算机 视觉的人体跌倒检测方 法 技术领域 [0001]本发明属于动作检测技术领域， 主要涉及 一种基于计算机视觉的人体跌倒检测方 法。 背景技术 [0002]现在检测人体跌倒事件的监测系统主要分为两类， 一类是基于可穿戴式传感器的 系统， 另一类则是基于计算机视觉的系统。 基于可穿戴式传感器的系统依赖被固定在监测 人员身上的传感器， 因为忘记或是不愿穿戴传感器， 这类系统存在监测缺 失的情况。 相较于 穿戴式系统的这些缺陷， 视频监控系统则可以持续地无感地提供服务。 不过， 基于计算机视 觉的监测系统也面临着一些挑战， 例如监控视频中的多视角、 阴影和非均匀照明因素影响 着一个事件在时空域中的共现性的确定。 此外， 诸如意外坐下、 捡起物体、 弯腰等欺骗性事 件也会降低检测的准确性。 同时现有方法侧重于提取人的形状和几何特性以识别他们的不 规则运动， 这些方法的实际效果容易受到人 的影子和视点的影响。 也有利用基于卷积神经 网络和长短时记忆网络的深度学习方法从大量数据中自动学习跌倒的时空特征。 然而， 因 为跌倒是一种相对罕见的事 件， 很难获得 大量含有跌倒事 件的注释视频。 发明内容 [0003]为了解决上述问题， 本发明要提供一种基于计算机视觉 的人体跌倒检测方法， 实 现全天无感监测， 提高跌倒检测识别率， 帮助家属或看护人员为跌倒老人提供及时救助。 [0004]为了达成上述目的， 本发明的解决方案是： 。 [0005]一种基于计算机 视觉的人体跌倒检测方法， 包括以下步骤： [0006]步骤1， 提取跌倒、 非跌倒事件的监控视频的光流直方图和运动边界直方图描述 符， 构建光 流直方图数据集和运动边界直方图数据集； [0007]步骤2， 分别基于光流直方图数据集和运动边界直方图数据集训练高斯混合模型， 得到两个跌倒运动混合模型； [0008]步骤3， 基于 两个跌倒运动混合模型的输出， 得到高维跌倒运动向量； [0009]步骤4， 将高维跌倒运动向量 转换为低维跌倒运动向量； [0010]步骤5， 将光流直方 图数据集和运动边界直方图数据集分别输入训练完成的对应 跌倒运动混合模型， 并按照步骤3和4的方法， 得到低维跌倒运动向量数据集； [0011]步骤6， 基于低维跌倒运动向量数据集， 训练支持向量机； [0012]步骤7， 利用训练完成的支持向量机对跌倒/非跌倒视频进行分类， 完成人体跌倒 检测。 [0013]进一步地， 步骤1中提取监控视频的光流直方图和运动边界直方图描述符， 具体流 程如下： [0014]通过使用密集光流法跨连续帧跟踪监控视频中与人体轮廓相对应的时空特征点， 形成轨迹；说　明　书 1/6 页 3 CN 115482495 A 3