一种床边跌倒检测方法

1.本发明属于图像识别

技术领域

：
：，特别是涉及一种床边跌倒检测方法。

背景技术

：
：：2.跌倒造成的后果非常严重，如骨折、头部受伤和创伤性脑损伤。床边跌倒是最常见的跌倒事件之一，因此检测老年人跌倒事件的技术和能力非常重要。3.可采用低分辨率红外(ir)传感器实现跌倒检测，它们具有一系列优点，例如低成本、不用穿戴、不引人注目、无侵入性和隐私安全保障。然而，如果红外像素数量较少且视场(fov)较小，例如60°*60°fov的8*8像素、120°*25°fov的16*4像素或33°*33°fov的32*32像素，分辨率和灵敏度将较低。因此，这些红外传感器只能应用于局部跌倒检测。因此，在隐私安全和图像分辨率之间寻求平衡，以及在监控区域和传感器视场之间到折衷方案，是非常重要的，此外，老年人的体动与跌倒判断密切相关。4.现有技术中，由于低分辨率热电堆红外传感器的热图像没有差异，很难检测到老年人的小体动；同时无法描述人体的热像图和运动细节，误判是不可避免的。技术实现要素：5.本发明的目的是提供一种床边跌倒检测方法，以解决上述现有技术存在的问题。6.为实现上述目的，本发明提供了一种床边跌倒检测方法，包括：7.基于热电堆红外阵列传感器，得到床边区域的热像图；基于约束条件，对所述热像图进行处理，得到处理后的热像图；8.基于处理后的热像图，锁定人体区域；对所述人体区域进行跌倒识别判断，得到判断结果，基于判断结果以实现床边跌倒检测。9.优选地，得到热像图的过程包括：10.将热电堆红外阵列传感器安装在墙壁上且与床边对齐，通过所述热电堆红外阵列传感器，得到床边区域的热像图。11.优选地，对所述热像图进行处理的过程包括：12.通过自适应滤波器，对所述热像图中的温度值进行滤波处理，得到处理后的热像图。13.优选地，锁定人体区域的过程包括：14.基于处理后的热像图，通过边缘计算处理器中的检测算法，得到人体标记号，基于所述人体标记号，锁定人体区域。15.优选地，得到人体标记号过程包括：16.获取温度阈值，基于所述温度阈值，通过逐次逼近算法选出热像图中高温块，将高温块进行标记；同时对高温块进行边界扫描，得到扫描结果，基于扫描结果，得到人体标记号。17.优选地，得到扫描结果的过程包括：18.对高温块进行边界扩展和逐行扫描，将相邻的块进行合并，保留面积较大的块，将其余的高温块进行去除，得到扫描结果。19.优选地，锁定人体区域后还包括：20.获取锁定人体区域中未被锁定的点，对未被锁定的点进行二值数学形态学处理，得到无脉冲噪声的热像图。21.所述约束条件包括：中心坐标差、温度变化值、区域面积变化值及体动时间。22.优选地，对所述人体区域进行跌倒识别判断的过程包括：23.基于所述人体区域的温度变化，得到锁定区域的稳定程度；基于所述稳定程度和设置的时间阈值，对所述人体区域进行跌倒识别判断，得到判断结果。24.优选地，基于雷达传感器进行辅助判断的过程包括：基于雷达传感器，对所述人体区域中的体动进行监测，并统计体动时间，基于所述体动时间，对所述人体区域进行跌倒识别辅助判断。25.本发明的技术效果为：26.本发明通过热电堆红外阵列传感器，得到床边区域的热像图；对热像图进行处理，得到处理后的热像图；通过处理后的热像图，锁定人体区域；对人体区域进行跌倒识别判断，得到判断结果，基于判断结果以实现床边跌倒检测。本发明提出了热电堆红外阵列传感器，实现了非接触式的床边跌倒检测；本发明提出了自适应滤波、逐次逼近、二次边界扫描、数学形态学、统计分析相结合的床边跌倒检测算法，可有效抑制床或地面上残余或已有热源的影响，且减少阳光、光线、床边陪伴等异常干扰的影响，提高检测准确性。本发明提出的床边跌倒检测算法易于在边缘计算处理器中实现，可广泛用于家庭床边跌倒检测，具有低成本、不用穿戴、不引人注目、无侵入性和隐私安全保障等优点。附图说明27.构成本技术的一部分的附图用来提供对本技术的进一步理解，本技术的示意性实施例及其说明用于解释本技术，并不构成对本技术的不当限定。在附图中：28.图1为本发明实施例中的床边跌倒检测仪框架图；29.图2为本发明实施例中的床边跌倒检测仪的安装位置和探测范围示意图；30.图3为本发明实施例中的床上睡觉和床边跌倒的俯视图；31.图4为本发明实施例中的第一次边界扫描结果示意图；32.图5为本发明实施例中的第二次边界扫描结果示意图；33.图6为本发明实施例中的高温块删除结果示意图；34.图7为本发明实施例中的过滤负脉冲噪声示意图；35.图8为本发明实施例中的过滤正脉冲噪声示意图；36.图9为本发明实施例中的跌倒后人体锁定区域示意图。具体实施方式37.需要说明的是，在不冲突的情况下，本技术中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本技术。38.需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。39.实施例一40.用于床边跌倒监控的智能跌倒检测仪的系统框架如图1所示，其中主要包括三个子系统，即电源子系统、处理器子系统和传感器子系统。41.电源子系统：dc/dc转换器、低压差调节器(ldo)和电源适配器用于为其他子系统提供适当的电源电压。42.处理器子系统：选用stm32f411arm作为边缘计算mcu，具有足够的资源实现床边跌倒检测算法。usb接口用于连接个人电脑，wifi模块用于实现物联网通信和远程跌倒报警。三led指示器用于显示检测结果。43.传感器子系统：雷达传感器用于检测体动，当检测到有人或体动时，它将输出高电平，否则它将输出低电平。采用热电堆红外阵列传感器获取热像图，判断床边是否有发生跌倒事件。一旦检测到跌倒，则指示灯亮起红。44.实施例中，选用隔空智能技术有限公司生产的雷达传感器ats58-2020，它是一种小型的5.8ghz低成本雷达传感器模块，尺寸约为20*20mm，核心芯片为at5810s，由5.8ghz微波电路、放大器电路和信号处理器组成。此外，在pcb中设计了一个平面天线。利用tx引脚调整传感距离，如果tx为高电平，传感距离约为3-5m，如果tx为低电平，则传感距离可提高至约4-6m。这里，tx被设置为高电平。另一方面，rx引脚用于调整传感延迟。当rx为高电平时，传感延迟为2秒，而当rx处于低电平时，可提前至30秒。这里，rx被设置为高电平。如果有人存在于雷达的监控区域内，传感器输出sr为1，否则为0。检测原理是反馈的雷达信号随心跳和呼吸而变化，因此可以利用反馈信号的变化来判断监控区域内是否有人存在。45.选择heimannsensorgmbh制造的htpa32x32dr2l2.1/0.8f5.0hic作为热电堆红外阵列传感器，其分辨率为32*32像素，视场为90°*90°，采样频率高达每秒5帧。其准确度约为±3％*|to-ta|，其中to和ta分别代表目标温度和环境温度。可见，它是高精度和低成本的。红外阵列传感器的固定倾角为45°，因此检测仪可以更好地检测前部下方区域是否有跌倒，安装高度设置为1.2m。通常，床垫的上表面离地50cm，因此床垫上表面与探测器之间的距离为70cm。探测器通常安装在床边，并与床沿对齐。如果安装在床的左侧，则会检测到床左侧的跌床事件，反之亦然。一般来说，老年人很容易在床边意外摔倒，而儿童在睡觉时很容易从床上掉下来。对于这些情况，跌倒探测器是非常重要的。根据倾角和视场，并考虑边缘效应，红外传感器的检测面积(宽*长)约为1.2m*1.8m，这意味着床边的有效跌倒检测面积约为0.6m*1.8m，如图2所示。事实上，床边跌倒的面积通常小于0.6m*1.8m。因此，检测仪的监测范围是足够的。46.如图3所示，床上睡觉和床边跌倒的俯视图。以固定在床左侧的跌倒探测仪为例，人体在跌床之前会出现在热像图的右侧，但在跌床之后人体出现在热像图的左侧。这意味着热图像中锁定的人体区域将向左移动。同时，锁定的人体区域将随着距离的增加而略微变小。因此，热像图中锁定人体区域的变化可用于跌床检测。与安装在天花板上的探测器相比，安装在墙壁上的探测器具有以下优点：(1)探测分辨率更高；(2)检测仪更容易安装。(3)检测原理更简单。47.实施例二48.本实施例中提供一种床边跌倒检测方法，包括：49.1.图像滤波处理50.热电堆红外阵列传感器通过i2c总线以每秒5帧的速度输出32*32像素的绝对温度分布，这意味着有1024个目标温度值和1个环境温度值，最大采样率fs为5hz。由于温度信号容易受到环境噪声的干扰，因此在热图像识别之前需要对噪声进行滤波。采用自适应滤波器进行滤波，如公式(1)所示：51.y(k+1)＝y(k)+2μ[d(k)-y(k)]ꢀꢀꢀ(1)[0052]其中，k是采样索引，μ是滤波因子，d(k)是第k个期望的输出信号，y(k)是第k个输出信号。μ通常取值0.1，温度值滤波后，则开始锁定人体所在区域。[0053]2.锁定人体区域[0054]人体的温度通常高于背景温度，因此为了识别身体部位，必须先标记高温点。同时，为了消除极高或极低温度点带来的影响，将去除高于40℃或低于0℃的温度点，然后剩余温度点的最大值和最小值可分别计算为tmax和tmin。首先，应确定第k时刻的温度阈值tthk，用于区分高温点和低温点。这里采用逐次逼近算法。处理算法主要包括3步：[0055]1)首先，计算tmax和tmin的平均值，并将其分配给tmm，如公式(2)所示[0056]tmm＝(tmax+tmin)/2ꢀꢀꢀ(2)[0057]2)其次，将tthk设置为tmm，并计算大于tthk且小于tmax的所有温度点的平均值tm1。类似地，计算大于tmin且小于tthk的所有温度点的平均值tm2。然后用tm1和tm2的平均值更新tmm。此时，如果(tmm-tthk)的绝对值小于0.5℃，将执行步骤3，否则，重复步骤2。伪代码如(3)所示，其中sum1、sum2、cnt1和cnt2是用于计算平均值的4个变量。这里，假设t是当前红外温度阵列，其大小为32*32。r是行索引(1≤r≤32)，c是列索引(1≤c≤32)。[0058][0059]3)如果步骤2的循环停止，则使tthk等于tmm，如(4)所示。[0060]tthk＝tmmꢀꢀꢀ(4)[0061]因此，可以选出大于tthk且小于tmax的所有高温点，并用大于0的块号标记。这里采用两次边界扫描算法用于块处理，主要包括三个步骤：[0062]第一次边界扫描：将m定义为标签数组，m中元素的初始值均为0。此处采用边界扩展和逐行扫描，m的大小为34*34。同时，将bn定义为块号，其初始值为1。因此，对于行索引r(1≤r≤32)和列索引c(1≤c≤32)新的数据集s1可定义为{m[r-1][c-1],m[r-1][c],m[r-1][c+1],m[r][c-1],m[r][c+1],m[r+1][c-1],m[r+1][c],m[r+1][c+1]}。然后，去除集合s1中的0和重复值以形成新的集合s2。如果s2为空集，则将bn赋给m[r][c]，然后bn更新为(bn+1)。否则，s2中的最小值将赋给m[r][c]。同时，如果s2的元素个数大于1，这意味着这些块连接在一起，则s2将添加到初始值为空的关系表r中。因此，r由一系列集合组成，伪代码如(5)所示。[0063][0064]第二次边界扫描：第一次边界扫描后，可能会有一些相邻点标记有不同的块号，如图4所示，块3、4和5连接在一起。事实上，这些相邻块应该组合在一起，它们属于同一块。因此，第二次边界扫描主要用于处理关系表r。首先，比较r中的所有元素，如果任意两个元素的交集不为空，则合并它们以形成并集。其次，对于r中的每个元素，选择对应于同一集合中所有块号的点，然后将它们的标签更改为集合的最小块号。这样，在r中的每个元素被处理后，相邻块被合并在一起。如图5所示，将块3、4和5合并在一起，最后的块号为3。伪码如(6)所示。其中，计数器数组cnt用于记录每个块中的点数，其初始值为0。[0065][0066]由于环境的影响，可能会识别到几个高温块，但一般情况下，对应于人体的块的面积最大。此外，人体锁定点的数量通常大于15，因此可以通过面积分析消除一些噪声块，如(7)所示。其中，id是最大块的索引(即块号)。最后，只保留面积较大的块，其他的块将被删除。如图6所示，可以看到块1、2和6已被删除，只有块3保留。由于背景或其他因素的影响，高温块的轮廓线内可能存在一些未锁定的点。如图6所示，必须滤除这些奇异点(即噪声点)，因为理论上锁定的人体轮廓内不应包含一些未被锁定的点。因此，将采用数学形态学处理来实现这一目标。[0067]id＝find(max(cnt))；[0068]forr＝1:32[0069]forc＝1:32[0070]{if(cnt[m[r][c]]≤15)m[r][c]＝0；}ꢀꢀꢀ(7)[0071]二值数学形态学处理包括腐蚀、膨胀、打开和关闭操作。这里，膨胀操作定义为(8)，这意味着如果某个点的标签为ide(ide》0)，则其相邻8个点的标记应设置为ide。类似地，腐蚀操作定义为(9)，这意味着如果相邻8个点对应的块号的最小值为0，或者该点位于扩展边界，则该点的块号应设置为0。在(8)和(9)中，m'是一个数组变量，其大小为34*34。[0072][0073][0074]闭合操作将首先执行膨胀操作，然后执行腐蚀操作，这可以过滤图像中的负脉冲噪声。相反，打开操作将首先执行腐蚀操作，然后执行膨胀操作，这可以过滤图像中的正脉冲噪声。因此，为了同时消除负噪声和正噪声，将关闭操作和打开操作级联。如图7所示，通过闭合操作过滤负脉冲噪声，并将6个新锁定点染成蓝。随后，通过打开操作过滤正脉冲噪声，去除的点也被染成蓝，如图8所示。这些结果表明，二值数学形态学处理确实可以有效地过滤二维(2d)图像中的噪声。如果红外图像处理后出现锁定的潜在人体区域，则将进行跌倒识别。[0075]3.跌倒识别判断[0076]由于床边跌倒检测仪安装在床边并与床沿对齐，因此红外热像图的中心线将与床沿对齐。以中心线为分界线，热像图可以分为两个区。监测床的区域是a区，而监测地面的区域是b区。假设有k个高温块，由两次边界扫描算法识别，并按面积从大到小排序，它们被命名为块bl1、bl2、…、blk，它们的锁定点的个数是nl1、nl2、…、nlk，且nl1≥nl2≥…≥nlk。此外，第k个锁定高温块的点可能位于a区或b区，或同时位于a和b区，因此块blk可分为blk_a和blk_b，相应的锁定点数分别标记为nlk_a和nlk_b，则nlk＝nlk_a+nlk_b。[0077]首先，定义两个区块变量bl_a和bl_b，它们对应的点数为nl_a和nl_b，两个区块对应的平均温度分别定义为tca和tcb。此外，bl_a的中心坐标为(xca,yca)，可以通过对区域中所有点的横坐标和纵坐标求平均值来获得，相邻时刻的中心坐标差为(dxca,dyca)。因此，最近的5个中心坐标的标准偏差可计算为(stdxca,stdyca)。也就是说，由于fs是5hz，因此使用最近1秒内的数据进行统计分析。如果stdxca和stdyca均小于1，且dxca与dyca的绝对值均小于2，则表明锁定体区域是稳定的，该时刻称为稳定时刻。然后，可通过求最近5个中心坐标的平均值来更新锁定区域的稳定中心坐标(sxca,syca)。如果a区中的锁定人体区域稳定，flag_stablea设置为1，否则设置为0，并且(sxca,syca)不会更新，如(10)所示。同样，b区中的(xcb,ycb)、(dxcb,dycb)、(stdxcb,stdycb)、(sxcb,sycb)、flag_stableb的定义与a区的定义类似。[0078]if((stdxca＜1)&&(stdyca＜1)&&(|dxca|《2)&&(|dyca|《2))[0079]flag_stablea＝1；[0080]elseflag_stablea＝0；ꢀꢀꢀ(10)[0081]有3个步骤来确认是否存在下跌动作。在第一步中，将bl1_a和nl1_a分别赋给bl_a和nl_a。如果满足条件(11)，flag_a将设置为1并跳到第二步，否则，重复进行判断。[0082][0083]这意味着如果a区有人存在，nl_a应该大于0.8*nl1_a和15，且小于200。此外，由于稳定中心不能靠近边界，因此sxca应该大于1、小于30。当flag_a＝1时，对应的参数bl_a、sxca、syca、nl_a、tca和t分别赋给bl_a0、sxca0、syca0、nl_a0、tca0和t0。新锁定区域的温度变化可以用欧氏距离(ed)来评估，如(12)所示。[0084][0085]在第二步中，bl_b是b区中最大的块。如果满足条件(13)，则设置flag_b为1、跳转到第三步，否则重复判断。[0086][0087]其中，lx和ly分别是锁定区域在x轴方向和y轴方向上的当前跨度。通常，下跌后在x轴方向上有较大的位移，而在y轴方向上的位移相对较小。因此，如果有人从床上跌落，y轴方向上的位移应小于ly，而x轴方向上应大于lx。此外，稳定中心不能靠近边界，因此sxcb应大于1且小于30。跌落前后锁定区域的平均温度差应小于2℃。跌落后的锁定区域与跌落前的锁定区域面积之比应大于0.5且小于1，如图9所示。同时，由于身体的面积有限，nl_b应大于15且小于200。为了消除其它已有热源的影响，ed应大于10。如果ed较小，则意味着新锁定区域在跌落之前已经存在，这是一个不合理的跌倒变化。如果有人在雷达的监控区域内，传感器输出sr为1，否则为0。如图9所示，锁定的人体区域在跌落后向右移动，然而，左侧可能存在残余热块。因此，为消除床上残余温度的影响，下一步是非常必要的。[0088]第三步，返回分析跌落后a区面积最大的高温块(即bl_a)，如果满足条件(14)，则存在下跌动作，并将flag_action设置为1，且进行进一步的跌倒识别。[0089][0090]其中，如果bl_a0和bl_a的交集为空，则直接将flag_action设为1；否则，如果flag_b等于1，并且nl_a与nl_a0的比值小于0.5，则flag_action也设置为1。这意味着a区之前的锁定区域面积在减少，因为人体跌倒后床上的残余温度逐渐消散。同样，环境热噪声和他人的影响也可以通过这些操作加以抑制。因此，对新旧热像的动态变化进行分析尤为重要。[0091]在flag_action变为1的初始时刻，相应的tcb和nl_b记录为tcb0和nl_b0。一旦flag_action和flag_stableb都等于1，则启动计时器记录持续时间td，同时根据雷达传感器监测人体活动，并统计最近1分钟内体动的时间tac。因此，如果满足条件(15)，则存在跌倒事件，flag_fall设置为1。[0092]if((|dxcb|≤2)&&(|dycb|≤2)&&(tac≤20)&&(flag_action＝＝1)&&(|tcb-tcb0|≤2)&&(|nl_b-nl_b0|≤nl_b0/3))flag_fall＝1；ꢀꢀꢀ(15)[0093]即如果锁定的人体区域稳定(例如中心位移不于2)、锁定区域的平均温度变化不大于2℃、锁定区域面积变化不超过1/3、并且最近1分钟内体动的时间tac不大于20秒，则存在人体跌床事件，flag_fall设置为1、并且立刻报警。如果满足条件(16)，则下跌动作消失，flag_action、flag_fall、flag_a和flag_b都设置为0。[0094]if((|dxcb|＞2)||(|dycb|＞2)||(td＞120)||(|tcb-tcb0|》2)||(|nl_b-nl_b0|＞nl_b0/3))flag_fall＝flag_action＝flag_a＝flag_b＝0；ꢀꢀꢀ(16)[0095]即如果b区锁定的人体区域不稳定(例如中心位移大于2)，或者持续时间td大于120秒，或者锁定区域的平均温度变化大于2℃，或者锁定区域面积变化超过1/3，则flag_action、flag_fall、flag_a和flag_b均应置零。因此，应用这些约束条件可抑制剩余或已存在的热源对床或地面的影响。[0096]一般来说，如果人体热像离床后体动较多，就意味着目标可能会在摔倒后挣扎着爬起或做其他事情，所以在这些情况下没有必要报警。只有当离床的热像基本稳定，且1分钟内体动较少时，才能将其识别为跌床事件。此外，体动检测可以减少阳光、光线、床边陪伴等异常干扰的影响。因此，本发明引入了雷达传感器进行辅助判断，可进一步减少误判。[0097]以上所述，仅为本技术较佳的具体实施方式，但本技术的保护范围并不局限于此，任何熟悉本

技术领域

：
：的技术人员在本技术揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本技术的保护范围之内。因此，本技术的保护范围应该以权利要求的保护范围为准。当前第1页12当前第1页12

技术特征：

1.一种床边跌倒检测方法，其特征在于，包括以下步骤：基于热电堆红外阵列传感器，得到床边区域的热像图；对所述热像图进行处理，得到处理后的热像图；基于处理后的热像图，锁定人体区域；基于约束条件，对所述人体区域进行跌倒识别判断，得到判断结果，同时基于雷达传感器进行辅助判断，基于所述判断结果以实现床边跌倒检测。2.根据权利要求1所述的床边跌倒检测方法，其特征在于，得到热像图的过程包括：将热电堆红外阵列传感器安装在墙壁上且与床边对齐，通过所述热电堆红外阵列传感器，得到床边区域的热像图。3.根据权利要求1所述的床边跌倒检测方法，其特征在于，对所述热像图进行处理的过程包括：通过自适应滤波器，对所述热像图中的温度值进行滤波处理，得到处理后的热像图。4.根据权利要求1所述的床边跌倒检测方法，其特征在于，锁定人体区域的过程包括：基于处理后的热像图，通过边缘计算处理器中的检测算法，得到人体标记号，基于所述人体标记号，锁定人体区域。5.根据权利要求4所述的床边跌倒检测方法，其特征在于，得到人体标记号过程包括：获取温度阈值，基于所述温度阈值，通过逐次逼近算法选出热像图中高温块，将高温块进行标记；同时对高温块进行边界扫描，得到扫描结果，基于扫描结果，得到人体标记号。6.根据权利要求5所述的床边跌倒检测方法，其特征在于，得到扫描结果的过程包括：对高温块进行边界扩展和逐行扫描，将相邻的块进行合并，保留面积较大的块，将其余的高温块进行去除，得到扫描结果。7.根据权利要求1所述的床边跌倒检测方法，其特征在于，锁定人体区域后还包括：获取锁定人体区域中未被锁定的点，对未被锁定的点进行二值数学形态学处理，得到无脉冲噪声的热像图。8.根据权利要求1所述的床边跌倒检测方法，其特征在于，所述约束条件包括：中心坐标差、温度变化值、区域面积变化值及体动时间。9.根据权利要求8所述的床边跌倒检测方法，其特征在于，对所述人体区域进行跌倒识别判断的过程包括：获取跌倒前后的中心坐标、温度数值和区域面积，计算得到中心坐标差、温度变化值、区域面积变化值，基于所述约束条件中的中心坐标差、温度变化值及区域面积变化值，对所述人体区域进行跌倒识别判断，得到判断结果。10.根据权利要求8所述的床边跌倒检测方法，其特征在于，基于雷达传感器进行辅助判断的过程包括：基于雷达传感器，对所述人体区域中的体动进行监测，并统计体动时间，基于所述约束条件中的体动时间，对所述人体区域进行跌倒识别辅助判断。

技术总结

本发明公开了一种床边跌倒检测方法，本发明属于图像识别技术领域，包括：基于热电堆红外阵列传感器，得到床边区域的热像图；基于约束条件，对所述热像图进行处理，得到处理后的热像图；基于处理后的热像图，锁定人体区域；对所述人体区域进行跌倒识别判断，得到判断结果，基于判断结果以实现床边跌倒检测。本发明能够对床边跌倒进行准确检测，同时能够描述人体的热像图和运动细节，减少误判。减少误判。减少误判。