一种对需特别看护人员的异常状态检测方法与流程

本发明涉及一种基于计算机视觉的对需特别看护人员的异常状态检测方法。

背景技术：

随着时代的发展，社会对老人、病人、残障人士等弱势群体越来越关注。许多较脆弱的人员因为种种原因不得不独自居住，例如家中的独居老人、盲人和病房里的病人。随着人力成本的增加，非常多的弱势人员得不到有效的看护和保障。他们一旦遇到突发情况导致摔倒、晕倒，失去意识或自救能力，又不能及时被他人发现，很有可能危及生命。截止2018年，我国现有老年人约2.4亿、残疾人约8500万，对弱势人员的看护已成为当今社会的重要课题。

目前对需特别看护人员进行监测和辅助看护的设备可以分为三大类，第一类是智能穿戴设备，通过穿戴于手腕、手臂、胸口等部位，对人体运动加速度、心率、血压等生理指标的感知，来判断是否遇到危险情况并报警。该类设备精度高，但长期穿戴不舒适、不方便，充电较为繁琐。第二类是在需看护人员活动区域例如地板、床和沙发铺设传感器，监测到人体行为异常时进行报警。该类设备安装成本高，维护困难，环境适应性差。第三类是通过摄像头采集视频信息，运用微处理器提取视频中的人体目标，结合相关算法分析当前人体状态。该类设备安装维护简单、不会影响需看护人员的生活体验，但是部分产品检测准确性不高。

随着硬件计算能力的增加和人工智能的兴起，计算机视觉应用领域越来越广。目前基于视频对人体姿态分析的方法有：1，确定人的肢体部位，将各肢体连接进行识别，此法运算量大，对硬件要求高。2，对人体对象进行跟踪、用人体模型算法估算出需看护人员目前的姿态，根据检测结果及人体是否处于非静止区域来判断需看护人员是否摔倒，针对不同等级的异常情况进行报警。该方法对人体姿态的识别通过人体跟踪框的高宽比来确定，对于坐、蹲和跪等相近的姿势容易误判。3，通过识别人脸检测找到人体，对视频中每帧人体姿态进行判断。对于人脸被遮挡、未能识别人脸的情况无法判断。

目前的姿态识别方法也存在以下几点不足：1，姿态一般是基于单帧判断，未将多帧联合判断，易发生误判情况。2，识别方法较为单一，缺少对背景的维护，光影变化、家具和物体的移动会干扰识别。3，未将人体姿态与时间、位置等多个参数进行组合分析，不能很好的区分当前人体状态。4，没有对应用场景进行针对性训练，训练图片集从网上下载，与产品摄像头参数、实际使用场景不匹配，训练分类效果不佳。

技术实现要素：

本发明目的是提供一种基于计算机视觉的对需特别看护人员的异常状态监测方法。通过在需特别看护人员室内安装视频采集设备，实时采集室内视频并即时分析，发现异常姿态与异常姿态保持时间，及时告警。为达实现此目的并针对前述现有技术的不足，本发明采取的技术方案是：

m1现场背景图像智能维护：对背景场景图像连续智能维护，随时根据背景场景的光影变化和非人体目标的移动进行更新，时刻维护最新状态的背景场景图像；

m2场景区域、边界及特定目标的标识和智能维护：

1)标识如活动区域、休息区域，以便后续步骤智能判断不同姿态在相应区域是否异常；

2)标识洗手间门口，以便后续步骤判断进入洗手间的时间是否异常；

3)标识阳台、监控视角盲区等，以便后续步骤判断是否进入时间超长；

4)标识出入门口，后续步骤判断为正常出口。

m3人体检测与追踪：通过对即时背景图像与即时视频图像做高斯滤波，再使用图像帧差法减除、将结果二值化并进行腐蚀和膨胀，得到前景目标。再对前景图像做人体检测并追踪；

m4姿态判断：

1)采用机器学习方法，事先以模拟场景拍摄的图像作为训练库，训练好人体姿态特征库；

2)对m3检测到的人体图像做人体姿态判断，判断出当前人体姿态；

m5组合判断：综合前述步骤，组合分析需看护人员在监控场景中不同的姿态在不同区域与保持时间、以及人体在不同区域进出与停留时间，根据预先综合判断是否异常。

本发明利用计算机视觉技术对特定人员进行辅助看护，具有成本低、发现情况及时等优势，同时对异常情况的判断不局限于单独判断某异常动作，还包括时间因素，对人员慢速摔倒、在某些区域如洗手间停留时间过长、或者卧床时间过长等按现有技术难以判断的异常情况均能及时、准确的发现并报警。

附图说明

图1为本发明的功能模块组成；

具体实施例

连接有1080p、视角100度的usb摄像头的飞思卡尔主板设备安装于需看护人员房间一角，距地面约2米，摄像头对着房间，采集的视频信号由设备中预装的有以下功能的程序模块进行处理：

现场背景图像智能维护：分析每一帧的背景场景图，连续智能维护，随时判定背景场景的光影变化和非人体移动，对非人体目标区域时刻维护最新状态的背景场景图，避免了采用单纯背景图受光影变化与场景内物体变化影响导致后续步骤的判断错误；

场景区域、边界及特定目标预先标识：

1)标识如活动区域、休息区域，以便后续步骤智能判断不同姿态在相应区域是否异常；

2)标识洗手间门口，以便后续步骤判断进入洗手间的时间是否异常；

3)标识阳台、监控视角盲区等，以便后续步骤判断是否进入时间超长；

4)标识出入门口，后续步骤判断为正常出口。

人体检测与追踪：通过即时背景图像与即时视频图像做图像帧差减除，得到前景图像，再通过dnn神经网络法对前景图像做人体轮廓识别并追踪；

姿态判断：

1)采用支持向量机方法，事先以模拟场景拍摄的图像作为训练库，提取surf特征，以bow词袋方法训练好人体姿态特征库；

2)对m3检测到的人体图像做人体姿态判断，判断出当前人体姿态；

组合判断：综合前述步骤，综合分析需看护人员在监控场景中不同的姿态在不同区域与保持时间、以及人体在不同区域进出与停留时间，根据设定综合判断是否异常，如：

1)在地上的坐姿超过1小时，或躺姿超过10分钟，视为异常；

2)在床上或沙发上的躺姿超过12小时，视为异常；

3)坐在椅子上超过6小时，视为异常；

4)进入洗手间超过1小时，视为异常；

等等。

技术特征：

技术总结
本发明涉及一种对需特别看护人员的异常状态检测方法。所述方法包括如下特征：现场背景图像智能维护，随时保持最新状态的背景场景图像；场景区域、边界及特定目标预先标识；人体检测与追踪；对检测到的人体图像做人体姿态判断；综合前述特征，分析被看护人员在监控场景中不同的姿态、不同区域的时间参数，综合判断是否异常。本方法基于计算机视觉领域，采用机器学习方法对人体异常状态进行检测，拥有设备成本低、发现情况及时、检测准确度高、鲁棒性强的优点。

技术研发人员：秦力;郭道宁;肖定为
受保护的技术使用者：郭道宁;肖定为
技术研发日：2018.11.14
技术公布日：2019.02.12