[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

说明书

技术领域

本发明属于异常行为检测技术，尤其涉及一种室内异常行为检测方法。

背景技术

传统的异常行为检测研究中，人体行为信号的采集多采用可穿戴式传感器或图像传感器。基于可穿戴传感器的行为检测是利用佩戴在人体特定部位的便携式传感器终端采集人体运动信息，再使用相关技术实现目标人体的行为识别，数据直观，但易受到动作幅度和传感器性能等因素影响。基于视觉图像的行为检测采用摄像设备收集场景中的图像或图像序列，再使用图像或视频处理相关技术实现目标人体的检测和行为识别，无需穿戴，但易受到动作幅度和传感器性能等因素影响。存在的技术缺陷为：抗干扰性较差、实时性较差。

发明内容

为了克服现有的室内异常行为检测方式的抗干扰性较差、实时性较差的不足，本发明在对已有行为识别中关键技术进行深入探讨的基础上，提出一种抗干扰性较强、实时性较好的基于多传感信息融合的室内异常行为检测方法。

本发明解决其技术问题所采用的技术方案是：

一种基于多传感器信息融合的室内异常行为检测方法，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。

进一步，所述室内异常行为检测方法还包括以下步骤：

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。

再进一步，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。

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(PC机)。对于图像数据，由于本发明仅需要静态图像中人体姿态进行识别，所以只需要普通的成本较低的USB摄像头采集图像信息。然后通过Matlab的图像采集工具箱(MATLAB IMAGE Acquisition Toolbox)获取及保存图像。