1.一种基于深度数据的人体跌倒行为检测方法,其特征在于,包括以下步骤;
1)数据的采集:利用安装在钢柱上的kinect摄像头获取人体关节点的三维坐标信息;
2)提取代表人体特征的骨架关节关键点信息:头、双肩、双膝、双脚踝、髋关节的三维坐标;
3)计算骨架关键点相对位置熵值,判断是否超过阈值;
4)计算人体中心点速度值,判断是否超过阈值;
5)如果步骤(3)(4)都超过阈值,则认为跌倒发生,报警。
2.根据权利要求1所述的一种基于深度数据的人体跌倒行为检测方法,其特征在于,所述的步骤1)开发平台的配置:在vs2015、opencv3.5和kinectforwindows平台上进行环境配置和编程计算,调用kinectsdk库里函数骨架追踪函数skeletonstream进行目标人体定位。
3.根据权利要求1所述的一种基于深度数据的人体跌倒行为检测方法,其特征在于,所述的步骤2)选取代表人体运动行为的关键点:按步骤1所用骨架追踪函数skeletonstream获取到骨架数据,那么每一帧数据都是一个骨骼对象集合,每一个关节有一个唯一标示符如头、肩、肘等信息和3d向量数据,然后选取三组关键点:第一组:头、双肩、双膝、中心点;第二组:双肘、双脚踝、中心点;第三组:双膝、双脚踝、中心点。
4.根据权利要求1所述的一种基于深度数据的人体跌倒行为检测方法,其特征在于,所述的步骤3),按步骤2所提取的三组骨架数据关键点,以步骤1摄像头采集的正常行走第一帧作为标准帧,计算人从正常行走到跌倒时关键点的熵值变化,人在静止到正常行走时关节点的相对位置熵几乎稳定不变,在跌倒发生时,关键点相对位置熵急速增加然后保持不变,相对熵值计算方法过程如下:
1a)信息熵常被用来作为一个系统的信息含量的量化指标,从而可以进一步用来作为系统方程优化的目标或者参数选择的判据,即可以认为是某一信息出现的概率,本专利所用到的骨架信息熵,反应的是人体运动程度,运动程度越大则信息熵越大,反之运动程度越小熵越小;
信息熵的定义为:某个概率系统中有n个事件(x1,x2,x3.....xn),第i个事件发生的概率为:pi(i=1,2,3,4....n),如果知道事件已经发生,则该事件所含的信息量称为自信息,定义为:
i(ai)代表两种含义:(1)当事件ai发生以前,代表事件ai所发生的不确定性;
(2)当事件ai发生以后表示事件ai所含的信息量,而自信息的数学期望为平均自信息量:
把h(x)称为信息熵,人体骨架信息熵实质是所选取的骨架关节关键点在每一帧出现的非等概率,即(2)式中的p(ai)在骨架熵值计算时表示每帧图片中关键点偏移标准帧对应位置关键点的概率。
2a)以步骤1所获取的第一帧作为标准帧和步骤2所提取的骨架关键点信息;设标准帧(初始状态)关键点的坐标为(x1,y1,z1),中心点坐标为(x0,y0,z0),当前位置关键点坐标为(xi,yi,zi),中心点(xj,yj,zj),可以得到两点的欧式距离:
初始关键点到几何中心距离:
当前关键点到几何中心距离:
偏移量:l0=|l2-l1|
(6)
式中:l、l1、l2为位移,m;
3a)在实际计算过程中,如果l=0,l0=0则证明所监测人员身体关键点没有发生偏移,正常行为;l>0,l0>0或,l=0,l0>0都证l>0,l0=0明关键点较正常行为发生了偏移,将其发生偏移的关键点概率代入(2)式,即可求得骨架信息熵。
5.根据权利要求1所述的一种基于深度数据的人体跌倒行为检测方法,其特征在于,所述的步骤4)针对高危现场工作性质,不排除有下蹲、弯腰等类似跌倒的动作,这时单靠熵值变化来判断异常行为准确率不高,因此引入速度变量作为第二个判定条件,跌倒行为发生时各个关节点的速度变化非常快,选取人体中心点的速度变化值作为第二个判定条件,中心点的计算方法如下所示:
1a)kinect的更新速度为1秒30帧,摄像头打开后拍摄的第一帧人体中心点f0坐标为(x0,x0,x0),此时的时间为t0,第f0+30时坐标为(x1,x1,x1),对应的时间是t1,两帧所选图像的中心点变化位移由空间欧式距离决定:
式中:v为下降的速度,m/s;d为下降位移,m;t为下降时间,s。
2a)当t=t1-t0;v>vc(临界值),则证明被测人员发生了跌倒行为。
6.根据权利要求1所述的一种基于深度数据的人体跌倒行为检测方法,其特征在于,将步骤3)和步骤4)计算的熵值与速度值与其对应的阈值比较,二者都超过阈值则认为跌到行为发生;人在发生跌倒时速度和熵值的阈值分别应取:1.3m/s和8.6。