[发明专利]基于全方位计算机视觉的独居老人家庭安保装置

摘要

一种基于全方位计算机视觉的独居老人家庭安保装置，包括微处理器、用于监护老人安康情况的全方位视觉传感器，全方位视觉传感器与微处理器连接，采集老人在主要场所中的空间位置视频信息以及该事件所对应的时间信息采用机器视觉的手段来建立独居老人室内外活动模型，由于每个老人的居住环境以及起居的生活习惯不尽相同，要求模型能自适应地学习老人日常活动规律，通过捕捉生活规律的在时间空间上的变化能发现和预测老人生活的反常及异常，所建立老人室内外活动模型不仅能识别视频监护范围内的异常，而且能预测视频监护范围以外(包括户外)的可能发生的异常。本发明能够在关键时候使独居老人能得到即时性的、适合的援救或者服务。

主权项

1、一种基于全方位计算机视觉的独居老人家庭安保装置，其特征在于：所述的独居老人家庭安保装置包括微处理器、用于监护老人安康情况的全方位视觉传感器，所述的全方位视觉传感器与微处理器连接，所述的全方位视觉传感器包括用以反射监控领域中物体的外凸折反射镜面、用以防止光折射和光饱和的黑色圆锥体、透明圆柱体、摄像头，所述的外凸折反射镜面位于透明圆柱体的上方，外凸折反射镜面朝下，黑色圆锥体固定在折反射镜面外凸部的中心，摄像头对着外凸反射镜面朝上，所述的摄像头位于外凸反射镜面的虚焦点位置；所述的微处理器还包括：图像数据读取模块，用于读取从全方位视觉传感器传过来的视频图像信息；图像数据文件存储模块，用于将读取的视频图像信息通过文件方式保存在存储单元中；全方位视觉传感器标定模块，用于对全方位视觉传感器的参数进行标定，建立空间的实物图像与所获得的视频图像的对应关系；图像展开处理模块，用于将读取的圆形视频图像展开为全景柱状图；运动对象检测模块，用于将所获得的当前帧现场视频图像与一个相对比较稳定的基准参考图像进行差值运算，图像相减的计算公式如式(28)表示：fd(X，t0，ti)＝f(X，ti)-f(X，t0) (28)上式中，fd(X，t0，ti)是实时拍摄到图像与基准参考图像间进行图像相减的结果；f(X，ti)是实时拍摄到图像；f(X，t0)是基准参考图像；并将当前图像中与相邻K帧的图像相减计算公式如(29)所示：fd(X，ti-k，ti)＝f(X，ti)-f(X，ti-k) (29)上式中，fd(X，ti-k，ti)是实时拍摄到图像与相邻K帧图像间进行图像相减的结果；f(X，ti-k)是相邻K帧时的图像；如fd(X，t0，ti)≥阈值、fd(X，ti-k，ti)≥阈值成立时，判定为运动对象；如fd(X，t0，ti)≥阈值、fd(X，ti-k，ti)＜阈值，判定静止对象，并用式(30)来更新替换基准参考图像：$f(X,t_0)\Leftarrow f(X,t_{i-k})---\left(30\right)$ 如fd(X，t0，ti)＜阈值，判定为静止对象；连通区域计算模块，用于对当前图像进行标记，像素灰度为0的小区表示此小区内无老人活动，像素灰度为1则表示此小区有老人活动，计算当前图像中的像素是否与当前像素周围相邻的某一个点的像素相等，如灰度相等判断为具有连通性，将所有具有连通性的像素作为一个连通区域；然后再根据所求得的连通区域来计算其面积和重心；老人的重心通过计算所得到的连通区域面积Si以及该连通区域的X、Y轴方向的累积像素值计算得到，计算公式由式(42)计算得到，$X_{\mathrm{cg}\left(i\right)}=\frac{\underset{x,y{\in S}_i}{\Sigma }x}{S_i};Y_{\mathrm{cg}\left(i\right)}=\frac{\underset{x,y{\in S}_i}{\Sigma }y}{S_i}---\left(42\right);$ 老人日常生活活动数据的获取模块，用于根据老人在监护视觉范围内活动的开始时间、延续时间和所处的空间位置，得到老人日常生活活动的规律；老人日常生活活动模型模块，用于通过自学习的方法掌握了老人的日常生活的规律之后，通过该规律的总结可以归纳出老人日常生活活动模型，采用二维高斯分布模型来描述某个老人日常生活的活动的空间和时间分布模型：式(32)中σx表示连通区域的亮度值在x轴上的数学方差，σy表示连通区域的亮度值在y轴上的数学方差，μx表示连通区域的亮度值在x轴上的数学期望平均值，μy表示连通区域的亮度值在y轴上的数学期望平均值；模型的更新使用公式(33)～(36)的数字低通滤波方法进行，μxnew＝(1-k1)μxold+k1(x-μxold)， (33)μynew＝(1-k2)μyold+k2(y-μyold)， (34)${\sigma }_{\mathrm{xnew}}^2=(1-k_3){\sigma }_{\mathrm{xold}}^2+k_3{(x-{\mu }_{\mathrm{xold}})}^2,---\left(35\right)$ ${\sigma }_{\mathrm{ynew}}^2=(1-k_4){\sigma }_{\mathrm{yold}}^2+k_4{\left({y-\mu }_{\mathrm{yold}}\right)}^2,---\left(36\right)$ 其中，ki是学习速率，取值范围是[0，1]，学习阶段可以选择大学习速率(0.8)，加快学习速度；监护阶段可以选择小学习速率(0.01)；视觉监护范围内摔倒异常的检测模块，用于通过检测老人进入某个监护领域后又长时间的静止在某个位置并超过老人日常生活活动模型模块中所规定的阈值来进行检测判断的，检测老人的重心位置x被判为inactivity point的时间超过阈值，那么系统计算下式：PS＝max{p(x|i，μi，∑i)，i＝1，...，n} (37)式中p(x|i，μi，∑i)是老人的重心位置x属于编号为i的inactivity zone的高斯混合模型的概率，PS是位置x属于某个inactivity zone的最大概率；当PS值小于阈值时，判定位置x不属于任何已知的inactivity zones，即老人静止在某一个位置上发生异常；进一步从检测到的图像上识别老人的姿态，计算老人处于横躺的姿态的概率PT，通过基于隐马尔可夫模型的人体姿态识别方法，最后使用式(38)计算摔倒异常发生的概率：P＝K1×(1-PS)+K2×PT (38)其中K1、K2是权重，PS是老人长时间静止在某个位置上的概率，PT是老人处于躺的姿态的概率，当P超过阈值时，判定老人发生摔倒异常；非视觉监护范围内的摔倒异常的预测模块，用于通过视觉监护范围内超过一定时间阈值还未出现老人的情况时进行预测的，通过检测老人在时刻t1离开监护视觉场所以及所经过的时间来进行预测的，首先要从老人日常生活活动模型中检索出对应活动持续时间模型的本次活动持续时间的预测值μi，然后系统实时的计算下列表达式：PE＝t-t1-μi (39)PC＝p(t-t1|i，μi，σi) (40)其中，t是当前系统时间，t-t1为离开监护视觉场所的持续时间，PE是实际离开监护视觉场所的持续时间与预测持续时间值的差值；PC是实际活动时间属于活动持续时间的高斯模型的概率，即实际离开监护视觉场所持续时间的概率；当前时间t，老人在非监护视觉场所摔倒的概率为：P＝K1×PE+K2×(1-PC) (41)其中K1、K2是权重，当P超过阈值时，判定老人可能发生异常；异常告警模块，用于在判定老人可能发生异常后，通过通信模块通知救护人员。