一种人体状况监测方法与流程

本发明属于人体安全监护技术领域，特别涉及一种人体状况监测方法。

背景技术：

随着智能设备技术的不断发展，在人体健康监控相关领域的智能设备越来越多，其大致分为两种：一种是类似于智能手环、智能秤等的设备在心跳、运动、体重、人体电解质等情况的小型监测设备，这些监测偏向于对一些日常易获得的简易健康信息进行监测，但其反映出的人体健康信息较少，可以判定出的结果较简单；另一种是使用比较系统的专业设备组进行一系列的检测，获得大量的人体生理参数，从而可以对人体健康状况进行全面系统的检测分析。

上述这些监测方法都需要具有专门的传感器的监测设备进行辅助，包括穿戴式的设备和集成式的设备。并且这些检测方法监测的都是人体的生理变化指标，对人体的物理变化，比如碰撞、摔倒等状态无法进行监测。等这些物理变化所引起的生理反应出现时，物理变化的影响已经过大，对人体状况监测系统而言，该系统的反应实在过慢。

技术实现要素：

本发明的目的是提供一种人体状况监测方法。

本发明的技术方案是，一种人体状况监测方法，包括以下步骤：

S101，对红外摄像头获得的人体图像进行预处理，提取出人体轮廓边缘；

S102，在提取出人体轮廓后，按照人体轮廓大小，取出垂直方向的几何中心，并取人体轮廓最上端点和最下端点共形成三点，从上至下，分别是点C₀、点C₁和点C₂；

S103，以点C₀为起点，点C₁为终点形成向量以点C₂为起点，点C₀为终点形成向量与水平线的夹角分别为∠1和∠2；

S104，若∠1或∠2在短时间内急剧下降到15°以下，初步判断为可能摔倒，若一分钟内仍小于15°，则判断为摔倒。

步骤S101的预处理包括：

使用双线性插值算法进行图像大小压缩后并完成滤波操作，将滤波后的图像使用最大类间方差法进行图像二值化，同时通过开闭运算去除空洞点，最后通过canny边缘算子提取出人体轮廓边缘。

对于摔倒的判断，采用卷积神经网络通过大量的图片，进行学习训练，获得识别摔倒的模型。

训练时采用至少3000张摔倒图片，标签标记为1(表示摔倒)，至少3000张正常站立、坐姿图片，标签标记为0(表示未摔倒)，同时再提供至少2000张测试图片(有未摔倒和摔倒，标签1为摔倒，0为未摔倒)，

在初步预判为摔倒后，将最后获取捕捉到的现场图片经过预测模型预测，若输出为1，则确定摔倒，启动摔倒报警机制，若为0，启动提醒功能。

本发明通过红外检测，对人体的动作状态进行监测，通过物理监测的方法，在人体体温异常或是受到物理伤害出现特征动作时，监控会发出警报通知。本系统能够在人刚出现伤害特征动作时进行警报，而不需要等待伤者因受伤而导致身体的生理状态出现异常时才进行警报，提前了警报时间，为救助伤者赢得了宝贵的时间。

本发明通过红外线进行监测，不需要用户实时佩戴监测设备，也不需要用户进行专门的健康监测，用户只需要进行正常的日常生活，监测设备处于静默监测状态，不会影响到用户。在用户出现异常反应时监控系统才会发出警报，提醒其他人用户出现问题。

附图说明

图1是本发明实施例中人体轮廓的特征点C₀,C₁,C₂的选取示意图。

图2是本发明的基于红外检测的人体状况监测系统运作示意图。

具体实施方式

本发明通过红外摄像头和深度计算、图形处理技术，得到用户的身体姿态信息。本发明会预设多种特殊姿态特征作为警报姿态，当用户的身体姿态特征符合这些特殊姿态特征时，系统会认为用户进入危险状态，并发出警报。

采用传统识别方法与深度学习方法相结合，判断人体异常姿态识别。

首先，对摄像头获得的图像进行预处理。

使用双线性插值算法进行图像大小压缩后并完成滤波操作，将滤波后的图像使用OTSU(最大类间方差法)进行图像二值化，同时通过开闭运算去除空洞点，最后通过canny边缘算子提取出人体轮廓边缘。

在提取出人体轮廓后，按照轮廓大小，取出垂直方向的几何中心，并取轮廓最上端点和最下端点共形成三点，如图所示分别为点C₀、点C₁和点C₂；

以点C₀为起点，点C₁为终点形成向量以点C₂为起点，点C₀为终点形成向量与水平线的夹角分别为∠1和∠2。

若∠1和或∠2在短时间内急剧下降到15°以下，初步判断为摔倒。若再一分钟内仍小于15°，则初步判断为摔倒。

另外为了进一步增强准确率，本方案还采用CNN(卷积神经网络)通过大量的图片，进行学习训练，获得识别摔倒的模型。训练时采用至少3000张摔倒图片，标签标记为1(表示摔倒)，至少3000张正常站立、坐姿图片，标签标记为0(未摔倒)，同时再提供至少2000张测试图片(有未摔倒和摔倒，标签1为摔倒，0为未摔倒)。在传统方案初步预判为摔倒后，将最后获取捕捉到的现场图片经过预测模型预测，若输出为1，则确定摔倒，启动摔倒报警机制。若为0，启动提醒功能。