[发明专利]基于多传感器信息融合的室内异常行为检测方法

权利要求书

1.一种基于多传感器信息融合的室内异常行为检测方法，其特征在于，包括以下步骤：

1)数据采集

数据采集模块负责利用多种传感器采集人体行为原始数据，多种传感器包括加速传感器和图像传感器；

2)传感器数据预处理

传感器数据的预处理是行为检测的准备阶段，过程如下：(2.1)原始数据去噪；(2.2)滑动窗划分；(2.3)幅度计算；(2.4)姿态角的求解；

3)基于加速度的异常行为检测，过程如下：

(3.1)基于双阈值的摔倒检测算法

采用上升阈值UFT和下降阈值LFT，分别为判断躯干是否发生摔倒状态的三轴加速度阈值M和当前行为之后的短暂时间内的躯干姿态，过程如下：

Step1：获取胸部及脚踝加速度数据，划分窗口并求幅度M；

Step2：检测窗口中M的峰值是否满足阈值摔倒条件，如果满足则继续进行Step3，进行第二阈值判断，否则依据数据处理链路进入下一识别阶段；

Step3：检测人体250ms后躯干的姿态，如果躯干为卧姿，则判断发生摔倒行为，如果躯干为立姿，则判断未发生摔倒行为，并依据数据处理链路进入下一识别阶段；

(3.2)基于多特征的运动检测算法

对于非静止行为，使用运动检测器模块检测人体的运动类型；检测的运动类型包括行走和跑步，针对这两种运动类型的检测通常采用检测步频的方法来区分；如果计算出的步频在正常识别区间，则输出判定结果；如果步频属模糊区间，则需要检测未滤波前合加速度幅度是否大于1.8g，如果是，则判定为跑步，否则判定为行走；

(3.3)基于姿态角的姿态检测算法

对于静止行为，使用姿态检测器模块识别人体的姿态，使用加速度坐标系的x轴与水平面的角度表示人体躯干的方向，因此通过计算x轴在空间坐标系中的角度即可确认人体上半身和下半身的姿态。

4)基于视觉图像的人体静止姿态检测

用于对基于加速度算法无法检测的行为进行补充检测，过程如下：

(4.1)人体图像分割，采用静态背景减除的方法进行人体图像的分割，依据背景模型和当前静态图像的对比，找到有差异的像素归类为前景图像，没有差异的像素归类为背景图像，从当前图像中减除背景图像即可得到将要被分割的前景图像；

(4.2)Canny边缘检测，采用文Canny边缘检测方法，对边缘点进行检查，以出待测试区域和背景区域的分割线；

(4.3)KNN姿态检测，针对人体图像分割的结果，使用人体图像的宽高比作为姿态识别的特征值，通过计算已分割图像中人体的宽度和高度进行站立和坐的区分。

2.如权利要求1或2所述的一种基于多传感器信息融合的室内异常行为检测方法，其特征在于，所述步骤1)中，加速度数据利用佩戴在人体胸部及脚踝的加速度传感器采集，通过无线传输方式发送到处理器；图像传感器部署在设定位置对空间范围内的人体行为数据进行采集，通过有线传输方式传送到处理器。

3.如权利要求3所述的一种基于多传感器信息融合的室内异常行为检测方法，其特征在于，采用基于惯性传感器、电子罗盘和图像传感器的数据采集终端，采集终端由六轴微惯性感测单元MPU6050，三轴磁力计AK8975和CC2541蓝牙4.0微处理器组成，九轴数据通过无线蓝牙传输到数据处理端；通过USB摄像头采集图像信息，然后通过Matlab的图像采集工具箱获取及保存图像。

4.如权利要求1或2所述的一种基于多传感器信息融合的室内异常行为检测方法，其特征在于，所述步骤(2.1)中，传感器自身去噪是通过参数标定实现的，传感器的测量参数与输出值之间存在线性关系，即Y_ADC＝S*T+B，其中，Y_ADC代表传感器原始的输出，S代表标定因子，即传感器灵敏度，可通过设置传感器改变灵敏度，T代表被测物理真实值，B代表零偏移量，参数标定的目标就是计算参数B，从而求出传感器的真实值。

5.如权利要求1或2所述的一种基于多传感器信息融合的室内异常行为检测方法，其特征在于，所述步骤(2.2)中，将人体运动过程的连续过程通过滑动窗口分割为若干个小的时间片段，其中每一个时间片段就是一个滑动窗口。

6.如权利要求1或2所述的一种基于多传感器信息融合的室内异常行为检测方法，其特征在于，所述步骤(2.3)中，合加速度幅度计算如公式M表示合加速度幅度值。

7.如权利要求1或2所述的一种基于多传感器信息融合的室内异常行为检测方法，其特征在于，所述步骤(2.4)中，人体姿态角是指人体坐标系相对参考坐标系的空间转动，选取地理坐标系为参考坐标系，人体坐标系相对于地理坐标系在空间上的位置就是人体的姿态角。