基于慢特征分析算法的老人跌倒行为检测

陈婷婷

摘要：针对目前老年人跌倒行为检测识别效果不佳等问题，文章提出一种基于慢特征分析的老年人跌倒检测算法。首先获取视频序列，对视频进行预处理，然后使用帧间差分法获取运动目标。对运动目标使用慢特征分析方法，提取人体行为的慢特征，用于后续的行为识别。通过阈值判断是否有跌倒行为，如果有跌倒行为，及时发出预警。该方法在自建数据集上进行了验证实验，实验结果表明，该方法可以有效地检测出跌倒行为，为老人跌倒后的及时救治提供了有力的支撑。

关键词：慢特征；老人跌倒；跌倒检测

中图分类号：TP391        文献标识码：A

文章编号：1009-3044（2022）34-0001-03

1 概述

近年来，随着经济的不断发展和世界人口数量的逐渐增长，人口老龄化问题逐渐加剧。截至2020年，我国成为世界老年人数量最多的国家，60岁及以上的老年人突破2.3亿[1]。在老年人人口数量不断增加的前提下，独居老人的数量也在增加，这使得独居老人日常起居的安全性问题成为其子女和社会普遍关注的热点。中国疾病检测系统数据显示，我国65岁以上老人因伤致死的所有原因中，跌倒占首位[2]。每年跌倒一次以上的老年人占比30%～40%[3]。医学调查表明，跌倒后如果能够得到及时有效的治疗，可降低死亡风险，显著提高老年人的存活率[4]。这就需要利用先进的科学技术搭建一套高效实用的老人跌倒检测系统，对老年人活动进行实时检测，能够及时准确地检测并识别摔倒行为，紧急发送远程报警，减少因跌倒造成的伤害，进而提升老年人独居生活质量。因此，对老人跌倒行为检测进行研究是非常有必要的，在实际应用中具有很重要的价值[5]。

特征提取是人体行为分析的关键，因此提取出有区分度的，能够体现运动本质的特征是非常重要的。目前，国内外的许多研究人员对特征提取方法进行了广泛的研究，主要有以下三类：1） 基于整体特征的方法；2） 基于局部描述子的方法；3） 生物激励方法。整体特征是指使用运动物体的一些全局性的属性，例如身体的形状、身体大致轮廓、参考连接点的轨迹和运动的模板，运动的历史图像和运动的能量图像。运用整体特征的方法不仅需要对运动者进行准确的图像分割，而且还要对身体部位进行完美的跟踪。因此，这些方法对图像背景运动噪声和错误的跟踪相对比较敏感。最近，许多研究人员使用局部描述子的方法来减少图像背景运动噪声和错误跟踪所带来的影响。基于局部描述子的特征提取方法主要包括以下中间处理过程：即目标特征点的检测，局部描述子的表示，码书量化和词包表示。对于特征点或者显著区域的检测，目前很多方法已经被提出。Laptev和Lindeberg[6]在行为表示时，把二维的特征点检测扩展到检测三维时空特征点。检测到的局部特征虽然能够保留旋转不变性，但是由于获得的特征点过于稀疏，因而无法保留充分的信息。Dollar et al. [7]提出了一种检测器，即使用一系列的时空滤波器以便获得大量特征点。Lee和Chen[8]提出了基于直方图信息的特征点检测器，依据是这些直方图所代表的信息能够捕捉有差别的纹理模式和大尺度结构。

此外，为了描述局部特征点和区域，大量的视觉描述器被提出。Laptev和Lindeberg[9]提出了一系列的描述器、光流直方图和一阶导数直方图，并进行了评估。他们指出光流直方图和时空梯度直方图要好于其他的描述器。Laptev et al. [10]提出用光流直方图和梯度方向直方图来表示目标局部的运动和被检测特征点的时空邻域。Scovanner et al. [11]把SIFT（尺度不变特征变换）描述器扩展到了三维，因此通过子直方图对时空信息进行编码。最近，Savarese et al. [12]提出把较长的具有时间相关性的信息利用时空相关图编码成局部运动特征。Ryoo和Aggarwal提出在进行人行为识别时利用时空关系匹配方法，例如推和握手等[13]。目前的特征分析技术大多是线性的，对非线性的处理就会产生错误的结果。针对这一问题，本文提出了一种新的特征提取方法，即使用慢特征提取方法对老年人跌倒行为进行检测。

2 慢特征（SFA） 分析简介

2.1 算法描述

皮质神经领域的相关理论表明，视网膜接受体会在“拉长”的时间区域内对一段瞬时的视觉信号的反应趋于缓慢。在这种原理的启发下，慢特征分析原理最早是由Laurenz Wiskott等人在2002年提出的[14]，可以提取出输入信号中隐含变化缓慢的部分。慢特征分析（SFA）是一种学习算法，是为了从变化快速的时序输入信号中提取出慢特征而提出的，并且已经在很多方面取得了广泛的应用。数学描述如下：

2.2 慢特征分析算法在检测领域的应用

慢特征分析是从向量输入信号中学习不变或缓慢变化的特征的一种新方法，对于分类和识别非常有用。2002年，慢特征分析首先由L.Wiskott and T. Sejnowski[14]提出并做了详细的描述。该文介绍了慢特征分析的定义、算法以及慢特征分析的等级网络，并通过几个例子详细地阐述了慢特征学习算法的特性。2005年，Berkes and Wiskott[15]研究了慢特征分析在接收领域的应用。找到了慢特征分析在图像序列上训练得到的慢特征函数和主要视觉皮层中复杂细胞在质和量上的匹配，证明了该学习原则能够产生视觉皮层接收领域复杂细胞所具有的一些特性，学习函数显示出很多在复杂细胞中发现的属性。2008年，夏奇等人[16]充分利用慢特征分析的优势，提出了一种基于慢特征的水印算法。该算法首先使用慢特征分析获取一系列统计独立源，然后用慢特征分析进行水印特征的提取，该算法具有较好的不可视性，对不同类型的攻击具有很好的鲁棒性。同年，高建斌等人[17]把慢特征分析用于人臉识别。首先提取人脸的Gabor特征，然后使用慢特征分析获取缓慢变化的特征，用于后续的识别。实验结果表明该算法是有效的，并且具有竞争力。2009年，Yaping Huang等人[18]将有差别的慢特征分析用于手写数字的识别，该算法很有吸引力，但是该算法随着输入维数的增加，非线性特征空间迅速变大，将会导致维数灾难。2010年，Kuijun Ma 等人提出了一种新的基于慢特征分析的非线性盲源分离方法，该方法使用随机傅里叶特征获得非线性变换数据，执行慢特征分析，然后使用新提出的选择步骤去恢复源信号。该算法能够在短的时间内获取显著的效果，能有效处理多种类型混合的情况。2011年，Tobias Kuhnl等人[19]将慢特征分析用于单目照相机的道路分割，然后用慢特征分析从快速变化的非道路分离出缓慢变化的道路。该方法能有效地分割出道路的边界，减少了在分割中出现的边界错误。2012年，Xiaogang Deng 等人[20]将慢特征分析用于错误诊断。该文首先由慢特征分析从正常输入信息中获取缓慢变化的去相关的特征，构建正常操作模型，然后进行在线监测，对新来的数据进行慢特征分析，通过某种度量实现错误诊断。该方法比传统的PCA和KPCA方法表现要好很多。Wangkai Ye等人[21]使用慢特征分析对暴力视频进行检测。首先从视频中提取密集轨迹，基于密集轨迹利用慢特征分析学习慢特征函数，然后提取累积平方导数特征来表示视频并作为支持向量机的输入向量进行训练，用于分类。该方法能很好地对暴力视频进行检测和识别。2014年，何会会等人[22]用慢特征分析算法实现了水声信号的盲分离，提取出来的信号与源信号高度相似。Zhang Zhang等人[23]第一次把慢特征分析用于人体行为识别。该文介绍了基于慢特征分析的人体行为识别的步骤，包括训练立方体的收集，慢特征函数的学习，行为特征表示和分类识别，并在相关的不同类型的数据库中做了实验。实验结果表明慢特征分析的方法比现有的研究识别率要高。

3 基于慢特征分析算法的老人跌倒行為检测

日常生活中，人的活动主要有两种：一种是正常的行为活动，比如走、跑、跳等；另一种是异常行为活动，比如跌倒，打架，推搡等。本文主要对老年人的跌倒行为进行研究。首先获取视频序列，然后使用帧差法进行运动目标的检测，检测到目标后，利用慢特征分析法提取出老人行为的慢特征，通过阈值判断老人是否跌倒，如果跌倒，则进行预警，及时进行救助。整个检测过程的流程图如图1所示。

4 实验结果及分析

4.1 数据集构建

本文的数据集训练和测试所需要的图像主要来源于互联网爬取。收集到的数据包括不同场景、不同分辨率下的老人跌倒和非跌倒两种类型的图片，对采集到的图片进行整理，得到数据样本，如图2所示为部分数据集。

4.2 实验结果及分析

本文提出的慢特征分析算法在自建数据集上进行了验证实验，部分实验结果如图3所示，跌倒行为用矩形框进行标记。

从实验结果可以看出，在不同场景、不同分辨率的情况下，使用慢特征分析法都可以很好地检测出老人跌倒行为。

为了进一步评估本算法的有效性，使用正确分类比PCC（Percentage of Correct Classification）作为评估指标，验证老人跌倒行为检测的效果，其数值越大，说明检测效果越好，其计算公式如下：

其中，TP表示跌倒行为被正确检测的个数，FP表示非跌倒行为被检测为跌倒行为的个数，TN表示非跌倒行为被正确检测的个数，FN表示非跌倒行为被检测为跌倒行为的个数。

本文方法在自建数据集上进行实验，共检测样本图片500张，正确分类比达到91.2%，检测效果较好，进一步验证了本文方法的有效性。

5 结论

我国人口老龄化日趋加剧，老人跌倒成为社会关注的热点问题。本文提出了一种基于慢特征分析的老人跌倒行为检测算法，能够有效地检测到老人跌倒行为，为老人跌倒后的及时救治提供了有利的条件。在以后的研究工作中，将进一步对老人跌倒的行为检测的实时性进行研究。

参考文献：

[1] 黄明安，陈钰.中国人口老龄化的现状及建议[J].经济研究导刊，2018（10）：54-58，66.

[2] 陈艳玫，刘子锋，李贤德，等.2015—2050年中国人口老龄化趋势与老年人口预测[J].中国社会医学杂志，2018，35（5）：480-483.

[3] 蔡长青，王鹏.老人跌倒姿态检测研究[J].长春工程学院学报（自然科学版），2019，20（4）：29-34.

[4] 马敬奇，雷欢，陈敏翼.基于AlphaPose优化模型的老人跌倒行为检测算法[J].计算机应用， 计算机应用，2022，42（01）：294-301.

[5] 刘非非.基于视频监控的室内跌倒行为的检测与识别研究[D].济南：山东大学，2016.

[6] Wang L，Suter D.Informative shape representations for human action recognition[C]//Proceedings of the 18th International Conference on Pattern Recognition - Volume 02.New York：ACM，2006：1266-1269.

[7] Dollar P，Rabaud V，Cottrell G，et al.Behavior recognition via sparse spatio-temporal features[C]//Beijing，China：2005 IEEE International Workshop on Visual Surveillance and Performance Evaluation of Tracking and Surveillance.IEEE，2005：65-72.

[8] Lee W T，Chen H T.Histogram-based interest point detectors[C]//Miami，FL，USA：2009 IEEE Conference on Computer Vision and Pattern Recognition.IEEE，2009：1590-1596.

[9] Laptev I，Lindeberg T.Local descriptors for spatio-temporal recognition[M]//Spatial Coherence for Visual Motion Analysis.Berlin，Heidelberg：Springer Berlin Heidelberg，2006：91-103.

[10] Laptev I，Marszalek M，Schmid C，et al.Learning realistic human actions from movies[C]// .Anchorage，AK，USA：2008 IEEE Conference on Computer Vision and Pattern Recognition.IEEE，2008：1-8.

[11] Scovanner P，Ali S，Shah M.A 3-dimensional sift descriptor and its application to action recognition[C]// Augsburg，Germany：Proceedings of the 15th ACM international conference on Multimedia.New York：ACM，2007：357-360.

[12] Savarese S，DelPozo A，Niebles J C，et al.Spatial-Temporal correlatons for unsupervised action classification[C]// Copper Mountain，CO，USA：2008 IEEE Workshop on Motion and video Computing.IEEE，2008：1-8.

[13] Ryoo M S，Aggarwal J K.Spatio-temporal relationship match：video structure comparison for recognition of complex human activities[C]//Kyoto，Japan：2009 IEEE 12th International Conference on Computer Vision.IEEE，2009：1593-1600.

[14] Wiskott L，Sejnowski T J.Slow feature analysis：unsupervised learning of invariances[J].Neural Computation，2002，14（4）：715-770.

[15] Berkes P，Wiskott L.Slow feature analysis yields a rich repertoire of complex cell properties[J].Journal of Vision，2005，5（6）：9.

[16] Xia Q，Gao J B，Xu C X.A new watermarking algorithm based on slowly feature analysis[C]// Chengdu，China：2008 International Conference on Apperceiving Computing and Intelligence Analysis.IEEE，2008：70-72.

[17] Gao J B，Li J P，Xia Q.Slowly feature analysis of Gabor feature for face recognition[C]// Chengdu，China：2008 International Conference on Apperceiving Computing and Intelligence Analysis.IEEE，2008：177-180.

[18] Huang Y P，Zhao J L，Tian M，et al.Slow Feature Discriminant Analysis and its application on handwritten digit recognition[C]// Atlanta，GA，USA：2009 International Joint Conference on Neural Networks. IEEE，2009：1294-1297.

[19] Ma K J，Tao Q，Wang J.Nonlinear blind source separation using slow feature analysis with random features[C]// Istanbul，Turkey：2010 20th International Conference on Pattern Recognition. IEEE，2010：830-833.

[20] Kühnl T，Kummert F，Fritsch J.Monocular road segmentation using slow feature analysis[C]// Baden-Baden，Germany：2011 IEEE Intelligent Vehicles Symposium.IEEE，2011：800-806.

[21] Deng X G，Tian X M，Hu X Y.Nonlinear process fault diagnosis based on slow feature analysis[C]//Beijing，China：Proceedings of the 10th World Congress on Intelligent Control and Automation.IEEE，2012：3152-3156.

[22] 何会会，李钢虎，要庆生，等.用慢特征分析算法实现水声信号盲分离[J].声学技术，2014，33（3）：270-274.

[23] Wang K Y，Zhang Z，Wang L.Violence video detection by discriminative slow feature analysis[M]//Communications in Computer and Information Science.Berlin，Heidelberg：Springer Berlin Heidelberg，2012：137-144.

【通聯编辑：唐一东】