1. 引言
据国家统计局发布的第七次全国人口普查公报显示，截至2020年，大陆地区60岁及以上的老年人口总量为2.64亿人，已达到总人口的18.7% [1] 。近期，国家卫建委声称在2035年左右中国将进入重度老龄化社会，伴随着老龄化社会的加速进程，意外跌倒成为危及老年人健康的重要原因，及时发现老人跌倒并及时救助，可以有效降低死亡率。现在，我国城市或农村独居老人或多或少患有骨质疏松等关节疾病，家里老人都或多或少地有过跌倒的经历，跌倒是60岁及以上老年人口的主要健康危害之一，意外跌倒已成为一种普遍的现象。世界卫生组织发表的一项研究估计，65岁以上的老人中有28%到35%的人每年至少跌倒一次，而70岁以上的人这个数字会增加到42% [2] 。
许多研究人员也对跌倒进行过研究，大致可以分为以下三种方法：第一、基于穿戴式传感器的跌倒检测研究，穿戴式传感器主要把倾斜开关、加速度计、陀螺仪等传感器嵌入到可穿戴设备上 [3] ，老人需要佩戴在手腕、腰上、肘上等活动部位，根据设备收集到的数据并对其进行分析和处理，进而判断是否发生跌倒。Sannino等 [4] 设计了一种有监督的跌倒检测方法，该方法根据加速度计提取的数据，根据IF-THEN规则来确定是否发生跌倒。Qiang等 [5] 根据陀螺仪和加速度计采集到的角速度与加速度信息，根据事先设置的阈值判断是否跌倒；石欣、张涛 [6] 通过将压力传感器内置进鞋垫，采集脚底的压力信息，基于阈值利用支持向量机进行跌倒检测。第二、基于场景装置的跌倒检测研究，程卫东等 [7] 利用主成分分析法研究基于PIR传感器的人体运动特征提取及识别。第三，基于视觉的跌倒检测研究，MIN等 [8] 通过运动人体最小外接矩形的宽高比变化来判断是否发生跌倒；Rougier C等 [9] 采用3D跟踪技术分析人体头部的运动轨迹和速度来判断是否发生跌倒。
分析了上述文章的关键技术，本文通过提取长宽比、角度、质心高度三个跌倒特征，组合成特征向量，导入支持向量机模型进行训练，实验结果表明能较准确地区分跌倒与非跌倒行为。
2. 提取运动人体
目标提取常见的有光流法、帧间差分法、背景减除法、ViBe算法。在跌倒检测的过程中，分割运动目标是至关重要的环节，直接影响着后续跌倒行为的判断，光流法运算量大，帧间差分法容易丢帧产生误检，背景减除法较难实时更新背景图像，ViBe算法能较好的适应背景的变化，有效解决“空洞”现象，因此，本文选取ViBe算法来获取运动目标。
ViBe算法原理简介
如图1所示，与常见的前景检测算法不同，ViBe算法的背景更新策略是随机选择需要替换的像素的样本，之后随机选择邻域像素进行更新 [10] 。该算法通过将以前的像素值和提取像素点周围的像素值建立样本集，通过将样本集中的像素值与下一帧处的像素值进行对比，若它们的距离大于设定阈值，则认为该像素点为背景像素点 [11] 。如图1所示，记v(x)为下一帧的像素值，R为设定的阈值，v1、v2、…、v6，为样本集中的像素值，以v(x)为圆心R为半径的圆被认为是一个集，当样本集与此集的交集大于设定的阈值时，可认为此为背景像素点，否则是前景像素点 [12] 。
ViBe算法相较于帧间差分法和背景减除法能更完整的获取到运动目标，具体检测效果如图2所示。
(a) 
(b)
Figure 1. Introduction of Vibe algorithm. (a) Sample set; (b) Pixel value of the sample set versus the next frame
图1. Vibe算法简介。(a) 样本集；(b) 样本集与下一帧的像素值
(a) 
(b)
Figure 2. Motion targets obtained by Vibe algorithm. (a) Original image of moving human body; (b) Images of human body detected by Vibe algorithm
图2. Vibe算法获取的运动目标。(a) 运动人体的原图像；(b) Vibe算法检测得到的人体图像
3. 多特征提取与SVM理论
3.1. 人体高宽比
对于前面获得的前景图像，利用opencv中的cv2.boundingRect()和cv2.rectangle()函数画出前景目标最小外接矩形框，记高宽比为hw = h/w，若发生跌倒行为，其值小于1，正常行走时高宽比明显大于1，因此，人体高宽比可以作为跌倒特征。
3.2. 角度特征
当人在正常行走时，人体质心与水平面角度明显大于45˚，而人在跌倒的时候，人体质心明显靠近地面，角度相对较小，因此，角度也可以作为跌倒的一个判断条件。
3.3. 质心相对高度
定义质心为人体最小外接矩形框对角线的交点，cv2.boundingRect()返回的四个值x，y，w，h中，x，y是矩形左上点的坐标，w，h是矩形的宽和高，记质心的纵坐标为cy，则质心相对高度为chy = y + h – cy，当人体由直立状态转向跌倒状态时，质心相对高度chy会慢慢变小，因此质心相对高度可以作为跌倒的一个特征。
将上述的跌倒特征进行组合，存入特征提取器中并生成特征向量，便于后续送入支持向量机模型进行监督学习，构建SVM分类器区分跌倒与非跌倒行为。
3.4. 支持向量机理论
支持向量机(SVM)是经典的二分类算法 [13] ，本文采用的是线性可分支持向量机进行跌倒与非跌倒的划分，如图3所示，特征提取器提取到的特征后会生成一个数据集D = {xi, yi}，其中，xi为第i个特征，yi为xi的类别标记。yi = +1时，称xi为正样本，yi = −1时，称xi为负样本，对于线性可分的数据，能找到一个最优超平面w*x + b = 0，使得超平面和最近的数据点之间的间隔最大，从而正确分类所有的正负样本点 [14] 。即yi = +1时，对于样本xi有w*x + b > 0；yi = −1时，对于样本xi有w*x + b < 0。
本文选取的支持向量机核函数是线性核函数，即kernel = 'linear'，惩罚参数C取值为1，选取好核函数和核函数参数后，接下来进行的是SVM模型的训练与测试，将上述提取到的人体高宽比、角度、质心相对高度三个特征存入特征提取器后，将列表转为SVM训练的数据格式(包括样本数据和标签)，将数据集按照7:3划分成训练集和测试集，最终生成SVM跌倒分类模型。当输入新的视频数据时，让SVM跌倒模型进行预测，统计模型检测的正确率，具体检测流程如图4所示：
Figure 4. Fall detection process of Multi-feature fusion and SVM
图4. 多特征融合与SVM跌倒检测流程
4. 实验结果分析
跌倒检测曲线如图5所示，设定高宽比阈值为1，角度阈值为45°，质心相对高度阈值为70，由高宽比图5(a)可以看出，在65帧以后人体高宽比急剧下降，由原来的大于1变成小于1，角度由原先的大于70˚左右急剧下降到20˚，质心相对高度由原先在100附近急剧下降至50左右，即65帧之后有跌倒现象的发生，将上述特征保存至特征提取器中，并将数据转化成SVM的训练数据格式，导入SVM模型进行训练，保存生成的模型文件用于预测新的视频数据。
(a) 
(b) 
(c)
Figure 5. Fall characteristic curve. (a) Aspect ratio; (b) Angular characteristics; (c) Relative height of centroid
图5. 跌倒特征曲线。(a) 宽高比；(b) 角度特征；(c) 质心相对高度
针对常见的直立行走、下蹲、坐下、跌倒等动作，其检测结果，如图6所示：
(a) 
(b) 
(c) 
(d)
Figure 6. Fall and non-fall test results. (a) Walk normally; (b) Squat; (c) Sit down; (d) Fall down
图6. 跌倒与非跌倒检测结果。(a) 正常行走；(b) 下蹲；(c) 坐下；(d) 跌倒
为验证本文所提出方法的可行性，主要是对已录制好的20段视频进行实验，对于不同的姿势，如正常行走、下蹲、弯腰、跌倒等，能较好的将非跌倒行为与跌倒行为进行区分，最终将上述几种姿势的检测结果统计如表1所示。
5. 结束语
本文对比了几种目标检测算法的优缺点，选择采用ViBe算法提取运动目标，使用高斯滤波进行减噪，经形态学处理后，接着提取人体高宽比、角度、质心高度三个跌倒特征，组合成特征向量并添加保存至特征提取器，最后导入支持向量机模型进行训练，生成一个可用于特征分类的模型文件，当输入新的视频数据时，该模型能够有效区分跌倒与日常行为。
基金项目
临沂大学2022年校级大学生创新创业项目(X202210452205)。
NOTES
*共一作者。
#通讯作者。