[发明专利]一种晕倒行为的识别方法

说明书

本发明公开了一种晕倒行为的识别方法。本发明属于监控技术领域，尤其涉及一种晕倒行为的识别方法。解决了现有技术中需要设置多个摄像头来对晕倒行为进行检测，且检测不精确的问题。本发明的技术方案：采用帧差法获取视频数据中移动的数据，通过聚类算法匹配人物轮廓相似度与面积相似度，进行跟踪，计算外接矩形，如果目标运动速度出现骤然变化并且外接矩形的长宽比超过阈值或者发生倒置，判断为摔倒，如果摔倒时间超过阈值则判断为晕倒。本发明可以解决在健身房管理中及时地发现监控目标出现的晕倒的情况并及时地做以对应的处理，对目标聚类进行分析和计算，并能判断摔倒、晕倒姿态，从而精确地判断晕倒行为。

技术领域

本发明属于监控技术领域，尤其涉及一种晕倒行为的识别方法。

背景技术

晕厥是由于血管的收缩和舒张功能发生短暂性障碍，引起脑部暂时性缺血所致，人若突然受刺激、极度恐惧和剧痛，贫血病人久坐或蹲着突然站起来，有心脏疾病或脊椎病等，都可能导致突然晕倒。

目前，在安全监控系统中，通过设置多个监控系统来长时间对监视画面进行监控，当发现画面异常，出现晕倒时通过报警装置进行报警来对此进行监控。

现有技术中，采用摄像头与监控系统主机直接相连的连接方式，其中监控系统要设置几百、甚至几千个摄像头，采用该种连接方式将会造成施工复杂、成本较高的问题。

发明内容

针对现有技术中需要设置多个摄像头来对晕倒行为进行检测，且检测不精确的问题，本发明提供一种晕倒行为的识别方法，其目的在于：解决在健身房管理中及时地发现监控目标出现的晕倒的情况并及时地做以对应的处理，对目标聚类进行分析和计算，并能判断摔倒、晕倒姿态，从而精确地判断晕倒行为。

本发明采用的技术方案如下：

一种晕倒行为的识别方法，包括以下步骤：

步骤1：采用帧差法获取视频数据中的移动数据，用移动数据当前帧的灰度数据减去移动数据上一帧的灰度数据，得到的差值数据，所述差值数据为变化数据；

步骤2：通过线行滤波器，消除变化数据的高斯噪声，通过高斯滤波器对变化数据进行加权平均，对其本身和邻域范围内的其它像素值通过加权平均后得到每一个点的像素值；

步骤3：对像素值进行中值滤波，通过阈值化，构成二维模板，将二维模板内的所有像素值按大到小进行排序，生成单调上升的二维数据序列，其输出为：

G(x,y)＝med{f(x-k,y-l),(k,l∈W)}，

其中，W为二维模板，此模板初始化是一个5×5的线状区域，f(x,y),G(x,y)分别为原始图像和阈值化之后的图像；

步骤4：二维数据序列通过加权系数的聚类算法得到聚类数据，聚类算法基于密度集群聚类(dbscan)，dbscan是一种基于密度的经典聚类算法，通过上述步骤处理的图像灰度数据中,将整个灰度图像定义为密度空间，首先定义一个点周围邻近点中能被作为集群的邻近区域的半径epsilon，再定义这个区域至少包含点的个数minPts；其中点为上述步骤处理后像素值为(255，255,255)的像素点；epsilon为5；minPts为数据宽度5；其中epsilon和minPts都是经验数据；加入聚类数据外接矩形以及矩形的长宽比，将聚类数据与人体的轮廓数据做比对,通过SIFT算法，当相似度大于55％，加入判断队列；

(1)根据以上参数，可以把图像数据中的点分成三类:

a:核点(core)，任意点p，满足点p邻近区内(半径小于等于epsilon)且此区域内的点的数量大于等于minPts,则该点为核点；

b:边缘点(border)满足p邻近区内(半径小于等于epsilon)数量小于minPts，但是落在核心点的邻域内的点；