基于视频分析实现人员倒地行为检测的方法技术领域
本发明涉及安全监控技术领域，尤其涉及人员倒地行为检测技术领域，具体是指一种基
于视频分析实现人员倒地行为检测的方法。
背景技术
人员活动区域是指监狱、养老院、医院等事业单位设立的人员可活动的独立区域，如广
场、走廊、楼梯等场地。人员倒地行为是指人员可能出现病态、昏迷等状态而倒地的一种行
为。鉴于活动区域的广泛性和人员的分散性，需要提供一种方法可以远程对活动区域内人员
倒地行为进行很好的检测，以防发生危险。
发明内容
本发明的目的是克服了上述现有技术的缺点，提供了一种能够实现远程、实时发现活动
区域内人员倒地行为、具有更广泛应用范围的基于视频分析实现人员倒地行为检测的方法。
为了实现上述目的，本发明的基于视频分析实现人员倒地行为检测的方法具有如下构成：
该基于视频分析实现人员倒地行为检测的方法，其主要特点是，所述的方法包括以下步
骤：
(1)设定需要监测的人员活动区域；
(2)于人员活动区域中采集人员活动的视频图像信息；
(3)对所述的视频图像信息进行分析并判断是否有人员出现系统预设明显姿态变化，如
果是，则继续步骤(4)，否则继续步骤(2)；
(4)向出现系统预设明显姿态变化的人员携带的无线传感器发送无线信号并判断是否于
连续的系统预设次数中均未接收到回执信息，如果是，则继续步骤(5)，否则继续步骤(2)；
(5)判定人员为倒地状态。
较佳地，所述的于人员活动区域中采集人员活动的视频图像信息，具体为：
采用布设于所述的人员活动区域斜上方的摄像机采集人员活动的视频图像信息，所述的
摄像机的摄像范围能覆盖整个人员活动区域。
较佳地，所述的对所述的视频图像信息进行分析，包括以下步骤：
(3-1)采用目标检测算法检测并获取进入人员活动区域内的目标在视频图像中占据的像
素点集合；
(3-2)根据所述的像素点集合，采用目标提取算法获取进入人员活动区域内的目标在视
频图像中的位置及尺寸；
(3-3)根据从视频图像中提取的目标，采用有效目标特征识别算法，识别出视频图像中
的有效目标的数量及色彩纹理特征；
(3-4)根据所述的有效目标，采用目标运动跟踪算法，获取各个有效目标在视频图像中
的运动轨迹，进而进行判定人员姿态的变化。
更佳地，所述的目标检测算法为高斯混合背景算法。
更佳地，所述的步骤(3-2)，包括以下步骤：
(3-2-1)采用区域生长法获取所述的像素点集合的生长区域；
(3-2-2)采用K均值特征聚类法获取进入人员活动区域内的各个目标在视频图像中的尺
寸。
更佳地，所述的步骤(3-4)，包括以下步骤：
(3-4-1)采用光流法计算各个有效目标的瞬时位移；
(3-4-2)使用卡尔曼滤波器校正所得的目标运动量并根据各个有效目标的瞬时位移累
计，获得各个有效目标的运动轨迹。
较佳地，所述的系统预设次数为三次。
更佳地，所述的步骤(4)，包括以下步骤：
(4-1)从指挥中心向出现系统预设明显姿态变化的人员携带的无线传感器发送无线信
号，每秒一次，共发三次；
(4-2)判断是否接收到回执信息，如果接收到三次回执信息，则继续步骤(2)，如果未
接收到回执信息，则继续步骤(5)，如果接收到一次或两次回执信息，则继续步骤(4-3)；
(4-3)指挥中心继续发送三次信号，然后继续步骤(4-3)。
更佳地，所述的无线传感器为水银无线信号传感器，当所述的无线传感器倾斜至系统预
设角度时，所述的无线传感器内部处于断电状态。
采用了该发明中的基于视频分析实现人员倒地行为检测的方法，利用摄像机以俯视的视
角拍摄人员活动区域及其周边倒地易发区域的实时视频图像，再利用相关图像分析算法对拍
摄的视频图像进行分析，在检测到人员姿态出现异状后，进行无线信号的确认，进而检测是
否存在人员倒地行为，能实时发现人员活动区域的倒地行为，提高安全防范效果，有助于预
防、制止及处理人员倒地而出现的死亡或残疾等事件，提高事业单位的安全稳定性，具有更
广泛的应用范围。
附图说明
图1为本发明的基于视频分析实现人员倒地行为检测的方法的流程图。
具体实施方式
为了能够更清楚地描述本发明的技术内容，下面结合具体实施例来进行进一步的描述。
以下结合附图说明对本发明的实施例作进一步详细描述，本实施仅限制本发明，凡是采
用本发明的相似结构及其相似变化，均应列入本发明的保护范围。
如图1所示，本发明实施例所提供的一种基于视频分析的人员活动区域人员倒地行为检
测方法，其特征在于，具体步骤如下：
步骤S1：在人员活动区域的区域中，将易发生倒地行为的区域划定为倒地易发区域；
步骤S2：利用摄像机，以俯视的视角拍摄人员活动区域及倒地易发区域的实时视频图像，
且拍摄的视频图像覆盖整个人员活动区域；
其中，所述摄像机的布设点位于人员活动区域的上方；
步骤S3：利用视频处理设备分析步骤S2拍摄的实时视频图像，检测出视频图像中位于
人员活动区域内的目标(即人员)运动轨迹，再根据检测结果进行判断是否进行无线信号的
自动收发；
如果检测结果判定视频图像中的目标出现明显姿态变化(出现倒地、弯腰等行为)，则将
视频图像内的目标设定为当前目标；
如果当前目标已锁定，则进行无线信号的收发确认。
步骤S4：通过传感器的3s之内的3次确认(每秒确认一次)，判定人员倒地行为；
如果通过传感器在3次确认中，发现均收不到回执信息，确认人员倒地；
如果通过传感器在3次确认中，能收到回执信息，将继续发送信号确认，直到发现3次
均无法收到回执信息时，进行报警，并确认人员倒地。
(注：在实际检测中，发现有很多弯腰捡东西的场景，影响倒地行为的误检，一般弯腰
动作不超过2s，所以经此判定。)
本发明实施例的步骤S3中，判定人员活动区域存在倒地行为后，即发出报警信息。
现有的视频图像分析方法中，用于检测及获取所有目标在视频图像中占据的像素点集合
的目标检测算法主要有背景减除类算法、时间差分类算法、光流类算法。
背景减除类算法的基本原理是利用背景的参数模型来近似背景图像的像素值，将当前帧
与背景图像进行差分比较实现对运动区域的检测，其中区别较大的像素区域被认为是运动区
域，而区别较小的像素区域被认为是背景区域。
时间差分类算法是视频图像分析方法中常用的运动目标检测方法之一，基本原理就是在
图像序列相邻两帧或三帧间采用基于像素的时间差分通过闭值化来提取出图像中的运动区
域。
光流类算法的基本原理是计算光流场，即在适当的平滑性约束条件下，根据图像序列的
时空梯度估算运动场，通过分析运动场的变化对运动目标和场景进行检测。
本发明实施例的步骤S3中，所采用的目标检测算法是背景减除类算法中的高斯混合背景
算法，该算法为现有技术，该算法的基本原理是：在视频图像中，目标与背景之间存在着灰
度差异，视频图像的灰度直方图会呈现与背景、目标一一对应的多峰，将视频图像的灰度直
方图多峰特性视为多个高斯分布的叠加，即可实现视频图像中的背景与目标的分割。
本发明实施例的步骤S3中，所采用的高斯混合背景算法采用多个(通常为3到5个)高
斯混合模型来表征视频图像中各个像素点的特征，每获得新一帧视频图像后即将该图像中的
各个像素点与高斯混合模型进行匹配，匹配成功的像素点判定为背景点，反之则判定为前景
点，也就是进入人员活动区域的所有目标在视频图像中占据的像素点。
本发明其它实施例中，也可以用其它能实现相同功能的现有目标检测算法替代步骤S3
中所采用的高斯混合背景算法，比如时间差分类算法、光流类算法，或其它背景减除类算法。
现有的视频图像分析方法中，用于获取各个目标在视频图像中的位置及尺寸的目标提取
算法主要有基于阈值分割的目标提取算法、基于边缘分割的目标提取算法、基于区域分割的
目标提取算法、基于模型的目标提取算法、基于特征聚类及神经网络的目标提取算法。
基于阈值分割的目标提取算法采用一个或几个阈值将图像的灰度直方图分成几个类，将
图像中灰度值在同一类中的像素归于同一物体，进而实现目标的提取。
基于边缘分割的目标提取算法基于不同区域之间的边缘像素灰度值变化剧烈的原理，采
用空间灰度的一阶或二阶微分算子进行边缘检测，通过检测包含不同区域的边缘来实现目标
的提取，常用的边缘检测算子有：Roberts算子、Laplace算子、Prewitt算子、Sobel算子、Robinson
算子、Kirsch算子和Canny算子等。
基于区域分割的目标提取算法基于图像灰度、纹理、颜色和图像像素统计的均匀性等图
像的空间局部特征，把图像中的像素划归到各个物体或区域中，进而将图像分割成若干个不
同区域，实现目标的提取，现有基于区域分割的算法主要有：区域生长法、分裂合并法、分
水岭分割法。
基于模型的目标提取算法基于一定的模型，将图像分割问题转换成目标函数的求解问题，
进而实现目标的提取，基于模型的目标提取算法主要有：马尔可夫随机场模型、主动轮廓模
型。
基于特征聚类及神经网络的目标提取算法主要利用人工智能方法得到用于图像分割的参
数，然后基于这一参数来分割图像；
其中，基于特征聚类的目标提取算法将图像空间中的像素用对应的特征空间点表示，根
据它们在特征空间的聚集对特征空间进行分割，然后将它们映射回原图像空间，得到分割结
果，进而实现目标的提取，现有的特征聚类法有：K均值特征聚类法、模糊C均值聚类算法；
其中，基于神经网络的目标提取算法通过训练多层感知机来得到线性决策函数，然后用
决策函数对像素进行分类来达到分割的目的，进而实现目标的提取。
本发明实施例的步骤S3中，所采用的目标提取算法，具体为区域生长法结合K均值特
征聚类法的目标提取算法，该算法的具体实施步骤如下：
步骤S31：采用区域生长法，以步骤S2获取的像素点集合中的各个像素点为种子像素点，
并以这些像素点的灰度值作为数学期望值建立生长区域高斯分布；
步骤S32：将各种子像素点周围邻域中符合生长区域高斯分布的各像素点作为生长点分
别合并到各种子像素点所在的区域中，再将各生长点作为新的种子像素点，重复本步骤至没
有新的生长点出现，即可获取步骤S2获取的像素点集合的生长区域，进而得到进入人员活动
区域内的各个目标在视频图像中的位置；
步骤S33：采用K均值特征聚类法，选取由步骤S32生成的各生长区域的均值点作为聚
类中心；
步骤S34：计算各个样本到聚类中心的距离，把各个样本归到离它最近的那个聚类中心
所在的类，并根据计算形成的每一个聚类的数据对象平均值，得到新的聚类中心，重复本步
骤至相邻两次得到的聚类中心没有变化，则表明样本调整结束，聚类准则函数已经收敛，即
可得到进入人员活动区域内的各个目标在视频图像中的尺寸。
本发明其它实施例中，也可以用其它能实现相同功能的现有目标提取算法替代步骤S3
中所采用的区域生长法结合K均值特征聚类法的目标提取算法。
本发明实施例的步骤S3中，所采用的有效目标特征识别算法，该算法先从以提取的各个
目标中的有效象素点为样本，再建立各样本点所对应目标的色彩直方图，采用贝叶斯判决准
则形成基于色彩概率密度函数的目标统计特征分类器，进而对各目标进行特征提取，获得各
目标的空间色彩直方分布特征数据，然后再根据各目标的空间色彩直方分布特征数据，利用
自适应模板匹配算法进行目标区分和识别；
自适应模板匹配算法进行目标区分和识别时，先根据视频图像中各目标的统计尺寸大小，
为各目标各设定一个对应的预估模板，再用各预估模板对各个对应目标的区域进行空间分割，
获得与各个预估模板一一对应的预估目标，每个预估目标的尺寸与对应预估模板的尺寸一致，
然后根据各个目标的空间色彩直方分布特征数据分别对各个预估目标进行尺度校正，合并具
有相同特征数据的分割区域，并调整每一个合并区域的预估模板尺寸，将其作为后续视频帧
的预估模板，调整合并后的分割区域即为有效目标，其数量即为有效目标的数量，其空间色
彩直方分布特征数据即为有效目标的色彩纹理特征。
本发明其它实施例中，也可以用其它能实现相同功能的现有有效目标特征识别算法替代
步骤S3中所采用的有效目标特征识别算法。
现有的视频图像分析方法中，用于获取各个目标在视频图像中运动轨迹的目标运动跟踪
算法主要有：基于图像匹配的目标跟踪法、基于均值漂移(Meanshift)的目标跟踪法、基于
光流法的目标跟踪法。
基于图像匹配的目标跟踪法包括特征匹配法、贝叶斯跟踪法；特征匹配法的原理是提取
被跟踪目标的特征，在每一帧图像中寻找匹配该特征，寻找匹配特征的过程就是跟踪目标的
过程；贝叶斯跟踪法主要采用卡尔曼滤波器、粒子滤波器、隐性马尔可夫模型等方法，对目
标的运动过程采用随机过程进行描述，该过程是一种预测更新的递归过程，需要当前的观测
数据去修正预测的结果，这种方式完全符合贝叶斯理论，因而称为贝叶斯跟踪方法。
基于均值漂移的目标跟踪法的原理是采用目标的颜色直方图作为搜索特征，通过不断迭
代均值漂移向量使得算法收敛于目标的真实位置，从而达到跟踪的目的。这种跟踪算法利用
相似度函数刻画目标模板和候选区域对应的两个核函数直方图的相似性，将跟踪的问题转化
为均值漂移模式匹配问题。
基于光流法的目标跟踪法是以目标的光流场的瞬时速度统计模型为基础，通过该瞬时速
度统计值刻画并跟踪目标的方法。
本发明实施例的步骤S3中，所采用的目标运动跟踪算法，具体为光流法结合卡尔曼滤波
器的目标跟踪法，该目标跟踪法先采用光流法计算各个有效目标中的有效像素点的瞬时位移，
以统计方式根据像素点的瞬时位移计算各个有效目标的瞬时位移，然后使用卡尔曼滤波器校
正所得的目标运动量，并根据步骤S33的有效目标特征识别算法所得到的各个有效目标的特
征信息，形成对各个有效目标的有效跟踪，并根据各个有效目标的瞬时位移累计，获得各个
有效目标的运动轨迹。
本发明实施例的目标运动跟踪算法中，所采用的光流法利用图像中的像素强度数据的时
域变化和相关性来确定各自像素位置的变化，即研究图像灰度在时间上的变化与景象中物体
结构及其运动的关系；本发明实施例采用Horn-Schunck光流算法来获得有效像素点的瞬时位
移以及相应的光流场，由于有效目标的运动具有连续一贯性，这里对光流场建立二维正交高
斯分布模型，取该高斯分布的数学期望值作为有效目标的瞬时位移。
本发明实施例的目标运动跟踪算法中，所采用的卡尔曼滤波器的作用是对计算出的有效
目标的位移进行校正，以获得有效目标的精确位置；由于光流算法计算出的位移是瞬时的，
该计算结果在时域上不具备相关性，自身无法对计算的累计误差进行修正，因而引入卡尔曼
滤波器校正目标的瞬时位移；卡尔曼滤波是一种最优化自回归数据处理算法，即只要获知上
一时刻状态的估计值以及当前状态的观测值就可以计算出当前状态的估计值，因此不需要记
录观测或者估计的历史信息，卡尔曼滤波器与大多数滤波器不同之处，在于它是一种纯粹的
时域滤波器，被广泛应用于雷达、计算机视觉等领域的目标跟踪。
本发明其它实施例中，也可以用其它能实现相同功能的现有目标运动跟踪算法替代步骤
S3中所采用的目标运动跟踪算法。
本发明中无线信号收发是通过基站方式，此处不再赘述。
步骤S4中，采用水银导电法制作、可发射信号的传感器，在人员腰部以上部位佩戴，人
员站立时，传感器可通电，并能发出信号，人员倒地时，传感器处于断电状态，且不能发出
信号。
步骤S4具体包括以下步骤：
步骤S41：通过视频智能分析人员具有姿态变动时，从指挥中心向传感器发出信号，每
秒一次，共发三次；
步骤S42：根据步骤S41获取的信号，确认人员未倒地；
步骤S43：若步骤S41未获取到任何信号，确认人员倒地，进行相应处理。
步骤S44：若步骤S41仅获取到一次信号(不论此次三次信号发出的第几次)，指挥中心
将随之再发送三次信号，直到出现连续三次未获取到任何信息，可确认人员倒地，进行相应
处理。
采用了该发明中的基于视频分析实现人员倒地行为检测的方法，利用摄像机以俯视的视
角拍摄人员活动区域及其周边倒地易发区域的实时视频图像，再利用相关图像分析算法对拍
摄的视频图像进行分析，在检测到人员姿态出现异状后，进行无线信号的确认，进而检测是
否存在人员倒地行为，能实时发现人员活动区域的倒地行为，提高安全防范效果，有助于预
防、制止及处理人员倒地而出现的死亡或残疾等事件，提高事业单位的安全稳定性，具有更
广泛的应用范围。
在此说明书中，本发明已参照其特定的实施例作了描述。但是，很显然仍可以作出各种
修改和变换而不背离本发明的精神和范围。因此，说明书和附图应被认为是说明性的而非限
制性的。