[发明专利]一种基于监控视频的实时摔倒事件检测方法

权利要求书

1.一种基于监控视频的实时摔倒事件检测方法，其中，在检测场景中安装有朝向同一目标区域、拍摄角度不同的多个摄像机，所述多个摄像机连续拍摄目标区域，所述方法包括以下步骤：

步骤1、所述多个摄像机同时拍摄目标区域的一段视频；

步骤2、从所述多个摄像机各自拍摄的同一时段的多个视频中，分别提取出视频的每一帧画面的代表目标的前景区域；

步骤3、提取同一时刻同一目标的所述前景区域在由所述多个摄像机拍摄的画面中的各自的形状和位置特征，并使用RVM分类器，确定每一帧画面对应的时刻的目标姿态类别；

步骤4、将所得到的每一帧画面的目标姿态类别作为目标姿态值序列输入到HMM模型进行评估，得到目标姿态类别变化的后验概率，其中，所述目标姿态类别变化过程指示目标摔倒事件的发生；以及

步骤5、如果所述后验概率大于预定阈值，则确定目标摔倒事件的发生。

2.根据权利要求1所述的实时摔倒事件检测方法，其中，

所述目标姿态类别包括以下四个类别：1)站立；2)倾斜；3)躺在地面；4)其他，

所述目标姿态类别变化表示以下变化：站立→倾斜→躺在地面，

其中，所述多个摄像机为拍摄视角相互垂直的两个摄像机，并且，事先在每个摄像机拍摄的目标区域中标记出多类子区域，

所述形状和位置特征包括以下3个特征：1)目标的外接矩形的宽高比；2)两个摄像机各自的拍摄方向上的目标的外接椭圆的长轴与水平线之间的夹角之差；3)目标的位置处于哪类子区域。

3.根据权利要求2所述的实时摔倒事件检测方法，其中，所述RVM分类器包括3个2分类器，其中，第一个2分类器区分所述四个类别中的前三个类别与第四个类别，第二个2分类器区分所述四个类别中的前二个类别与第三个类别，第三个2分类器区分所述四个类别中的第二个类别与第一个类别。

4.根据权利要求3所述的实时摔倒事件检测方法，其中，所述RVM分类器的训练过程包括以下步骤：

步骤11、从分别属于所述四个类别的训练样本视频中提取所述形状和位置特征，组成特征矩阵X，所有训练样本视频对应的所述目标姿态类别组成向量Y；

步骤12、采用RBF核函数，将所述特征矩阵X映射到高维空间；

步骤13、根据贝叶斯准则，求解最优的权重分布和分布参数，作为RVM参数。

5.根据权利要求4所述的实时摔倒事件检测方法，其中，所述HMM模型的训练过程包括以下步骤：

步骤21、输入K段包含摔倒事件的摔倒样本视频；

步骤22、从每段摔倒样本视频的每一帧画面提取所述形状和位置特征，并使用RVM分类器，确定每一帧画面对应的时刻的目标姿态类别，将目标姿态类别编号组成HMM观测序列集合O＝{O⁽¹⁾,O⁽²⁾,…O^(K)}；

步骤23、利用基于多观测序列的Baum-Welch训练算法训练得到所述HMM模型。

6.根据权利要求5所述的实时摔倒事件检测方法，其中，所述步骤23包括以下步骤：

步骤23-1、为当前模型参数λ赋予初值λ₀，其中λ＝{π,A,B}；

步骤23-2、利用前向后向方法，计算在当前模型参数的初值λ₀下的观测序列集合O的后验概率P(O|λ₀)；

步骤23-3、基于以下公式，更新模型参数λ：

a‾ij=Σk=1KΣt=1Tk-1ξt(k)(i,j)Σk=1KΣt=1Tk-1γt(k)(i),1≤i≤N,1≤j≤Nb‾j(i)=Σk=1KΣt=1,Ot(k)=viTkγt(k)(j)Σk=1KΣt=1Tkγt(k)(j),1≤j≤N,1≤i≤M]]>

π‾i=1Kγ1(k)(i),1≤i≤N,]]>

其中，N是隐状态的数目；M是观测值种类的数目，M＝4；a_ij是隐状态间的转移概率，表示由隐状态i转到隐状态j的概率，各个变量的上划线表示均值；b_j(i)为发射概率，表示在状态j时输出观测值为k的概率；π_i是初始状态的概率分布；v_k表示第k个观测值，上下标中的k表示观测值的序号；O_t表示视频帧画面对应的t时刻的观测量，下标中的t表示时刻序号，ξ_t(i,j)和γ_t(i)为由当前模型参数计算得到的辅助变量，T为训练视频帧数目，表示初始状态下的辅助变量，

23-4、计算在更新后的当前模型参数λ下的观察序列集合O的后验概率P(O|λ)；

23-5、如果log P(O|λ)-log P(O|λ₀)＜Delta，输出当前的模型参数λ，否则，令λ₀＝λ，返回到步骤23-3，其中，Delta是1E-6左右的常数。