[发明专利]一种基于多传感器特征融合的跌倒检测方法

权利要求书

1.一种基于多传感器特征融合的跌倒检测方法，其特征在于，包括以下步骤：

S1：进行原始数据采集，原始数据包括加速度数据以及视频图像数据；

S2：基于步骤S1采集到的原始数据进行特征数据提取并构造特征矢量；

S3：通过机器学习算法训练步骤S2提取到的特征数据，获取svm算法分类模型m；

S4：实时进行跌倒检测判断。

2.根据权利要求1所述的一种基于多传感器特征融合的跌倒检测方法，其特征在于，步骤S1中所述的加速度数据通过佩戴在用户腰部的加速度传感器采集得到；视频图像数据通过安装在用户经常出现的地方的视频图像传感器采集得到。

3.根据权利要求1所述的一种基于多传感器特征融合的跌倒检测方法，其特征在于，所述步骤S2基于步骤S1采集到的原始数据进行特征数据提取并构造特征矢量的具体步骤如下：

针对加速度数据：

A2-1：获取每条加速度数据和每帧视频图像数据的时间戳，取当前帧图像时间戳与上一帧图像时间戳之间的加速度数据作为当前帧图像对应的加速度数据；

A2-2：对步骤S2-1中的该组数据进行中值滤波处理；

A2-3：取X，Y，Z轴加速度幅值分量，求平方和再开方，得到该组数据的加速度幅值；

A2-4：取该组幅值中的最大值作为提取加速度幅值特征1a；

针对视频图像数据：

B2-1取当前视频帧数据；

B2-2：对当前视频帧数据进行视频图像二值化、形态学运算、运动平滑、HSI去阴影、轮廓提取后，得到检测对象的人物轮廓；

B2-3：根据人物轮廓提取外接矩长宽比特征2b，轮廓质心特征2c，外接斜椭圆倾角特征2d；

最后基于在时刻i提取到的多种传感器的不同特征，构造当前时刻的特征矢量α_i＝(1a,2b,2c,2d)。

4.根据权利要求1所述的一种基于多传感器特征融合的跌倒检测方法，其特征在于，所述步骤S3通过支持向量机算法训练步骤S2提取到的特征数据，具体步骤如下：

S3-1：根据视频图像数据，判断当前帧图像中待检测对象的跌倒状态t_i；

S3-2：对每帧图像进行判断，获取所有跌倒标签t＝(t_1，t_2，...，t_i)；

S3-3：利用特征提取方法，获取训练数据中当前帧的特征矢量α_i；

S3-4：对每帧图像进行特征提取，提取所有特征矢量α＝(α_1，α_2,...，α_i)；

S3-5：结合跌倒标签和特征矢量，得到支持向量机算法的训练样本集θ＝(t，α)；

S3-6：利用libsvm库中的训练算法对数据进行训练，获取样本集的svm算法分类模型m。

5.根据权利要求1所述的一种基于多传感器特征融合的跌倒检测方法，其特征在于，所述步骤S4实时进行跌倒检测判断的具体步骤如下：

S4-1：实时获取当前时刻t的各传感器原始数据；

S4-2：利用特征提取方法获取当前时刻t各传感器的特征数据1a_t，2b_t，2c_t，2d_t，构建特征矢量α_t；

S4-3：利用libsvm库中的预测方法，基于步骤S3获得的样本数据svm算法分类模型m，对α_t进行预测；若预测结果为1，则判断待检测对象跌倒，立即启用告警流程，提醒检测对象的身体状态；若预测结果为0，则判断待检测对象未跌倒，并返回步骤S4-1，进行下一时刻的跌倒检测判断。