基于智能监控的独居老人突发异常报警系统

王业篷 / 穆景光

(山东同圆设计集团有限公司，山东 济南 250101)



基于智能监控的独居老人突发异常报警系统

0引言

鉴于小区住户可能突发异常状况，JGJ 242-2011《住宅建筑电气设计规范》第14.3.5条对现阶段小区户内安防系统设计做出了规定[1]。规定指出：住宅户内应设置紧急求助报警装置，紧急求助报警装置宜安装在起居室(厅)、主卧室或书房。紧急求助报警装置应符合下列规定：1)每户应至少安装一处紧急求助报警装置；2)紧急求助信号应能报至监控中心；3)紧急求助信号的响应时间应满足国家现行有关标准的要求。国家规范的明文规定说明在住宅户内设计紧急求助报警装置的重要性。现阶段的实际设计中，设计单位多采用的方案为：室内设置紧急求救按钮，紧急按钮与社区监控中心相连，住户在发觉异常状况时手动点击按钮实现报警，这属于被动式报警系统。对于独居老人来说，上述的被动报警方式有很大的局限性。由于老人身体状况的特殊性，异常状况(突发疾病、昏厥、跌倒等)具有突发性，且老人常伴有意识丧失的特点，据统计全球有超过50%的老人有过昏厥等意识丧失经历。因此被动式报警系统在独居老人意识丧失等紧急情况下无法使老人自救，常常耽误老人的救治时间，甚至威胁老人的生命。

中国在1999年就已迈入老龄化社会。目前，中国是世界上老龄化人口最多的国家。预计到2050年，我国老龄化人口数量将达到4.8亿，占总人口的30%以上[2]。鉴于现阶段我国不断增长的养老地产规模及老龄化人口数量，设计一套更加有效和更具针对性的老人突发异常报警系统，对于社会、家庭都有着重大意义。

本文设计了一套基于智能视频监控的独居老人异常报警系统，该系统解决了老人突发异常意识丧失时，无法手动报警的难题。通过在住宅户内安装摄像机，利用智能视频监控技术实时监控老人状态，还可自动识别异常并实现报警。该系统属于主动式报警系统，结构简单，安装方便，可与其他弱电系统集成，并可兼作视频安防监控系统，有着极大的发展空间。

1系统的总体技术框架

当独居老人突发异常、意识丧失时，老人不会存在肢体动作。与之相反，医学研究发现，在老人没有丧失意识时，即使身体长时间处于坐卧等放松的静止状态，人体也会存在各种微小动作(手臂等肢体的弯伸、头部的摆动、四肢的小幅度运动等)。而人在行走等运动状态下，其动作幅度就更大了。所以，没有发生突发异常、意识清醒的老人，总是存在各种动作。这与突发疾病等意识丧失后的老人无肢体动作发生形成了鲜明的对比。

基于智能监控的独居老人突发异常报警系统正是以检测老人是否存在肢体动作为依据，实现独居老人的异常报警。 独居老人异常报警系统可划分为老人生活视频获取模块、老人目标检测模块、老人动作检测及异常报警模块三大部分。独居老人突发异常报警系统的总体技术流程如图1所示。

图1　老人异常报警系统总体技术流程

1.1老人生活视频获取模块

在老人生活视频获取模块中，系统通过安装在居室内的智能监控摄像机获取老人的活动视频。为保证视频获取的准确性以及系统的检测效果，视频获取采用实时获取、在线处理的方式。摄像机的配置采用顶视安装方式。该安装方式可有效避免遮挡和监控死角的出现，对于空间狭小的室内环境来说，其优势更加明显。安装示意图如图2所示。

此外，为增加摄像机的监控范围，本系统的摄像机采用鱼眼镜头，如图3所示。本文设计的系统暂以单一大空间监控环境为例，老人在多居室及卫生间内的异常状况将在后续文章中阐述。

图2　摄像机安装示意图

图3　视频采集效果图

1.2老人目标检测模块

在老人目标检测模块中，系统利用智能视频分析技术对视频图像中的老人实现检测，使得系统能够自动锁定老人所在的区域。该模块目标检测的方法采用背景减除法，建模算法采用ViBe(Visual Background extractor)背景建模。ViBe背景建模在抑噪能力、运行速度和检测效果方面表现优秀，适合本系统的实际运行环境。

1.3老人动作检测及异常报警模块

本系统在老人目标检测的基础上实现老人的室内定位，通过老人所在子区域的图像局部方差变化，结合k-近邻算法实现老人的动作检测及异常报警。系统根据分析结果，自动将老人突发异常信息发送到监控中心或老人监护人的手机上，为老人的救治争取时间，保障老人的生命安全。

2系统原理

2.1老人目标检测

本系统采用适用于摄像机固定安装情景的背景减除法实现老人检测。背景减除法的关键在于背景建模及模型更新机制，本系统采用ViBe背景建模方法。

2.1.1ViBe背景建模

ViBe算法的内容可分为三个方面：模型初始化、前景分割和模型更新[3]。

模型初始化：ViBe算法初始化采用单帧初始化方式，若Mt=0(x)为像素点x的初始背景样本模型集合，则该集合由邻域样本点抽样获取。

前景分割：自第二帧图像开始进行前景分割。分割策略为：计算当前帧图像所有待分类像素点与该像素背景样本模型集合的相似程度。若待分类像素与样本集合相似，分类为背景，反之，分类为前景。

模型更新：ViBe算法采用了一种随机保守的更新策略，它由时间子采样和背景样本传播两个步骤组成。在时间子采样方面，如果像素p(x)被判定为背景，其背景模型M(x)有1/φ的概率被更新；在背景样本传播方面，如果像素p(x)被判定为背景，则也有1/φ的概率用自身像素值去更新其邻域中某一像素的背景模型。

2.1.2老人目标检测

运动目标检测：采用ViBe背景模型对视频图像进行运动分割，获取含有老人运动目标的二值图像，但由于其他干扰因素的存在使得二值图像不唯一。鉴于老人活动时所产生的连通域面积远大于干扰产生的连通域面积。故提取二值图像中的最大连通域作为老人目标区域实现老人运动目标检测。

静止目标检测：当老人处于静止(如老人读报等)状态时，模型的更新会导致老人目标的丢失。为此系统设计了目标包围盒(运动目标的最大外接矩形框)选择性更新策略。目标包围盒选择性更新策略为：通过ViBe算法获取每帧图像中运动目标的包围盒，并将有效目标包围盒属性参数(轮廓面积Q、四顶点坐标{(xi,yi)/i=1,2,3,4}、老人位置坐标(m，n))更新保存下来。若当前帧图像中检出了有效目标包围盒，则更新有效包围盒各参数；反之，不更新。确定目标包围盒可实现静止老人检测。效果测试中，视频图像的抽样间隔为4 000帧(间隔时间约为128s)，老人处于静止状态，检测效果良好，检测效果如图4所示。

图4　检测效果

2.2老人动作检测

研究表明，图像局部方差是图像局部像素值变化的一种体现，对图像内容的细微变化有着较高的敏感度，且能够很好地体现出图像空间构成元素的改变。基于图像局部方差对图像细微变化敏感的特性，本文基于图像的局部方差设计了老人动作检测系统。

2.2.1图像的局部方差

综合扩展速度、扩展强度看，大理市城市空间扩展呈现出明显的阶段性特征：1999年～2012年城市规模较小，扩展速度缓慢；2012年～2013年城市规模较大，扩展速度最快；2013年～2014年城市规模较大，扩展速度放缓。

令(x,y)表示给定图像f(x,y)中任意像素的坐标，Sxy表示以(x,y)为中心的矩形图像子块，那么该图像子块中像素灰度值的均值mxy和方差σxy2由式(1)(2)给出：

(1)

(2)

式中，N为图像子块Sxy中像素的总数。

为更加直观地反映图像局部方差的变化，本文定义方差峰谷差率。设方差峰谷差率为l，观察时间窗为T，采样间隔为t，在时间T内采集的方差最大值为Vmax，方差最小值为Vmin，则方差峰谷差率l的数学表达式为：

(3)

需要强调的是，观察时间窗T和采样间隔t数值的选择应视情况而定。

2.2.2老人所在子区域图像网格化处理

本文将整个视频图像划分为4×4个子区域，又将老人所在子区域划分为5×5个子块，每个子块图像的大小为16×12像素，并将子块图像编号为Zij，其中i是子块图像所在的行数，j为子块图像所在的列数，如图5所示。

图5　老人所在区域图像网格化处理

2.2.3子块图像局部方差峰谷差率提取

对于划分的5×5个子块图像，每一帧图像都会产生25个子块图像的局部方差值，因此产生的方差数据是非常庞大的。为了合理地选择方差样本值来计算子块图像的局部方差峰谷差率，以q子块为例，本文制定了如下的方差峰谷差率提取规则：

首先，选择观察时间窗T=15s，采样间隔t=1s。即15s内共采集15组q子块的图像局部方差数据，并将方差数据保存在数据集Fq中。

最后，计算子块q在15s内的方差峰谷差率l。

通过以上方法可以有效获取任意子块在观察时间窗T=15s内的方差峰谷差率。

2.2.4基于k-近邻算法的老人动作检测

通过前面的研究可实时提取各子块图像的方差峰谷差率值。老人在子块图像内有动作时，其对应的子块图像的方差峰谷差率较大，认定该子块为活跃子块；反之，系统认定为非活跃子块。为有效区分活跃子块和非活跃子块，本系统引入了k-近邻算法实现分类。

k-近邻算法的分类思想：建立含有N个样本的样本集合，N个样本所属的类别，分为w1，w2,… ,wc，共c类，通过计算得到距离待分类样本x最近邻的k个样本。待分类样本点x的类别归属于最靠近它的k个样本中出现最多个样本的那个类[4]。

利用k-近邻算法建立活跃子块与非活跃子块样本集，进而实现活跃子块的识别。老人动作检测的具体流程如图6所示。

图6　老人动作检测流程图

2.3老人异常报警

当老人存在动作时，系统认定老人处于意识清醒状态，没有发生异常。反之，系统认为老人可能发生了异常。智能监控摄像机在发现老人存在异常时，将异常信息通过信号线传输到小区监控平台，同时，采用GPRS无线通信技术将异常状况以短信的形式发送到老人监护人手机上。为提升监控系统的报警准确率，帮助监护人更好地判断老人是否发生了异常，系统在检测到老人可能发生异常状况时，智能监控摄像机可提取当前视频的多帧图像，并将视频图像传输给监护人，方便监护人员做出判断。

需要特别强调的是，在老人居室内安装摄像机会对老人的隐私构成一定的威胁。因此，摄像机管理主机应设置登录权限，防止视频外泄。此外，是否将异常视频图像发送给监护人，也可作为系统的备选功能，供用户选择。

3实验结果与分析

设置实验检验老人异常报警系统的有效性。测试视频涵盖白天、夜晚(开启室内灯光)两种情况。测试共进行47次，实验统计结果如表1所示。

表1　老人异常报警系统测试统计表

表1中，Positive表示的是判断为有异常的情况，而Negative表示的是判断为无异常的情况。其中True Positive(TP)表示系统判断为有异常，事实也有异常的情况；True Negative(TN)表示系统判断为无异常，事实也是无异常的情况；False Positive(FP)表示系统判断为有异常，实际无异常；False Negative(FN)表示系统判断为无异常，实际有异常[5]。定义系统对老人异常的识别率为：

可见，本文设计的系统对老人异常的识别率较高，可有效保障老人的生命安全，提升现有住宅建筑的智能化程度。

4结束语

针对独居老人突发异常伴有意识丧失，不能被及时发现和救治的难题，本文设计了一套有效的老人突发异常报警系统。该系统利用智能视频分析技术，通过视频分析算法可自动识别老人异常状态并发出报警信息。系统设计简洁，施工方便，有较高的可扩展性和检测准确度，在老龄化人口及养老地产激增的今天，该系统有着巨大的发展空间。在后续系统优化中将进一步研究多空间、多目标下的系统检测准确性问题，进一步提升系统的实用性。

参考文献

[1]JCJ 242-2011住宅建筑电气设计规范 [S].北京:中国建筑工业出版社,2011.

[2]李曼音,张磊,纪芬叶等.关于推进多元化养老事业发展的思考[J].卷宗,2014,(8):64-66.

[3]Bourke A K, O’Brien J V, Lyons G M. Evaluation of a threshold-based tri-axial accelerometer fall detection algorithm[J]. Gait & posture, 2007, 26(2): 194-199.

[4]Cover TM, Hart PE (1967). “Nearest neighbor pattern classification”. IEEE Transactions on Information Theory 13 (1): 21-27.

[5]王荣, 章韵, 陈建新. 基于三轴加速度传感器的人体跌倒检测系统设计与实现[J]. 计算机应用, 2012, 32(5): 1450-1452.

Elderly Sudden Abnormal Alarm System Based on Intelligent Monitor

Wang Yepeng / Mu Jingguang

王业篷 / 穆景光

(山东同圆设计集团有限公司，山东 济南 250101)

摘要基于智能监控的独居老人突发异常报警系统,可有效解决独居老人突发异常后意识丧失情况下不能得到及时救治的问题，对于保障独居老人的生命健康，提升养老地产项目的智能化、舒适化和安全化程度均有重大意义。该系统具有运行平稳，准确性高，运行速度快等诸多优势。

关键词智能监控独居老人突发异常养老地产

AbstractAn elderly sudden abnormal alarm system based on intelligent monitor is presented. The system can effectively solve the case of the elderly sudden abnormal treatment, besides it has great influence on enhancing the intelligence, comfort and safety of pension estate and protecting the health of the elderly. Experiments show that the system has the advantages of smooth running, high accuracy and fast.

Keywordsintelligent monitor, live-aloned old people, sudden abnormity, pension estate