基于视觉识别的人体跌倒检测研究

吉承文，马 超，张铁钢，冯世杰

（海南电网有限责任公司信息通信分公司，海口 570203）

0 引言

为工作人员的安全提供保障，电场工作场所都通过制定一些行为准则和电场安全防护措施。尽力在防护方面做出努力，但危险事故依旧存在，及时发现危险和为工作人员提供救助非常重要。因此，研究工作人员的人体跌倒状态有着重要的意义。

1 跌倒检测技术

人体的基本活动可以分为日常活动和跌倒，跌倒包括：前向跌倒、后向跌倒、侧向跌倒。跌倒检测的主要内容就是准确区分日常活动和跌倒。本文研究基于视频图像的跌倒检测方法。

基于图像的跌倒检测主要是通过摄像头拍摄视频或拍照获取图片。跌倒检测有以下分类：基于图像静态特征的跌倒检测和基于人体动作图像的跌倒检测。基于图片静态特征的跌倒检测系统，是利用人跌倒后的跌倒状态特征进行检测的。基于人体动作图像的跌倒检测系统，根据日常活动到跌倒的变化过程检测跌倒。基于图像的跌倒检测系统，优点是检测精度高，缺点是成本高，计算量大，隐私保护弱，只能对安装视频监控设备的场所进行跌倒检测。

2 基于视觉的跌倒检测方法

电力工作人员的人身安全是智能监控的重要部分，可以根据不同的工作人员提供不同的跌倒检测系统。本文采用基于视频图像的跌倒检测，在工作场合区域安装摄像头，拍摄视频图像检测人员跌倒，为电力工作人员提供安全保障。

目前的跌倒检测系统，在检测场所、检测时间、检测成本上不能全部尽如人意，但他们都有着各自的优点，在不同的场合使用不同的跌倒检测系统，将多个跌倒检测系统结合使用预测可以得到不错的效果。随着计算机视觉领域开始使用卷积神经网络，目标检测领域取得了较大的发展，YOLO[1，2]算法检测速度很快，得到广泛的研究和应用。

本文基于YOLO系列算法，提出一种基于视觉的跌倒检测方法，应用于电力场合下的智能监控系统。

2.1 跌倒检测的评估标准

衡量一个跌倒检测方法的整体检测效果，已经有了许多的技术指标。比较常见的跌倒检测性能指标有灵敏度、特异度和准确度等，准确度是将灵敏度和特异度两个性能指标进行合并得到的，可以衡量方法整体的检测效果。

根据已有的跌倒检测综述，跌倒检测的结果一般是分为四种[3]：将跌倒预测为跌倒：真阳性（TP）；将日常活动预测为跌倒：假阳性（FP）；将日常活动预测为非跌倒：真阴性（TN）；将跌倒预测为非跌倒：假阴性（FN）。

假 阳 性 率（false positive rate，FPR）/误 警 率（false alarm rate，FAR）：检测为跌倒的数据中非跌倒数据所占的比例。公式定义如下：FPR=FAR =FP/（TP + FP）。

假 阴 性 率（false negative rate，FNR）/漏 警 率（missing alarm rate，MAR）：检测为非跌倒的数据中跌倒数据所占的比例。公式定义如下：FNR=MAR=FN/（FN+TN）。

灵敏度（Sensitivity）[4]/查全率（Recall）：跌倒数据集中被正确检测为跌倒的数据比例。公式定义如下：Se=Re=TP/（TP +FN）。

特异度（Specificity）[5]：非跌倒数据集中被正确检测为非跌倒数据的比例。公式定义：Sp=TN/（TN + FP）。

精度（Accuracy）/准确度：正确检测的数据占总数据的比例。公式定义如下：Ac =（TP + TN）/（TP + FP + TN + FN）。

2.2 基于YOLO的人体跌倒检测流程

本文对电力系统智能监控的人身安全的人体姿态进行识别，提出基于目标识别的跌倒检测模型，通过采集大量的跌倒图片，进行训练得到权重文件，对运动人体目标进行检测、分析和判断人体姿态，可以直接检测人体跌倒事件，以检测到当工作人员跌倒时准确报警。本文实现了跌倒检测，能够有效提高在电力系统视频监控的人体姿态判断的准确性和实时性。对电力场所的人体目标跌倒特征进行检测，本文提出的基于视觉的跌倒检测方案，主要使用YOLO v3算法实现跌倒检测，检测流程如图1所示。

图1 人体目标跌倒检测流程

直接检测单一人体的目标特征时，误判率和漏检率都较高。本文将对人体目标的多种人体特征检测，采用YOLO算法判定当前行为状态，构造人体目标特征的权重。在损失函数稳定后得到权重文件，测试权重文件选定理想的权重文件，有效提高在电力监控视频的人体姿态判断的准确性。

2.3 基于视觉的人体跌倒检测系统流程

对电力场所的人体目标跌倒特征进行检测，本文提出的基于YOLO v3算法实现跌倒检测的目标识别方案，检测流程如图2所示。

图2 基于YOLO模型的人体跌倒检测系统流程

在系统中，YOLO v3训练数据集，在损失函数稳定后得到权重文件，测试权重文件选定理想的权重文件；最后，使用得到的权重文件（模型）对视频进行跌倒检测，分析判断是否发生跌倒行为。

人体行为识别受到算法判断特征的影响，本文采用基于YOLO v3的算法可以有效区分人体的跌倒行为和行走、坐卧等正常行为。根据人体目标行为特征，设置跌倒报警阀值。用YOLO权重模型，系统对待识别的人体目标行为进行分析，判断人体跌倒达到阈值时发出警报。

3 实验训练与测试分析

3.1 数据集

在进行视频检测时，使用运行内存为6G的GPU检测速度约为29FPS，满足了实时跌倒检测的要求。实验采集跌倒和日常活动的图片4 000张，使用YOLO Marks标记后得到训练所需的数据集。

3.2 训练和测试

本文对4 000张图片组成的数据集进行训练，在迭代2 000次后，损失函数下降到0.1，并基本稳定之后我们停止了训练。为了在训练结束后获取最佳的权重文件，在训练过程中，我们选择每迭代

1 000 次就获取一个权重文件。训练结束后，共获得10个权重文件。为了测试结果的准确性，我们重新采集了1 000张图片做成测试集，对所有的权重文件进行测试，测试结果如图2所示，横坐标为迭代对应次数得到的权重文件，纵坐标为对权重文件测试得到的mAP值。在迭代2 000次后得到的权重文件，进行测试的mAP值约为0.9，基本趋于稳定。很明显，我们得到的权重文件是理想的，达到了预期的要求，我们选迭代4 000次时得到的权重文件对跌倒事件进行检测。

3.3 跌倒检测

为了进一步验证权重文件的可用性，我们对多张跌倒和非跌倒的目标图片进行了测试，之后还对视频中的人体目标进行了检测。在对目标图片进行测试时，我们分别对跌倒和非跌倒的人进行检测，如图3所示，图片中一个意外跌倒的小孩和两个抱头躺在地上的人都检测为fall（跌倒），而一个正在跑步的人和一个坐在凳子上的人都检测为nonfall（非跌倒），对跌倒和非跌倒事件进行检测全部得到了预期的结果。

4 结束语

跌倒检测可以为触电跌倒人员及时提供救助，增加安全保障。本文利用YOLO v3实现监控场景下的跌倒检测，证明了仅利用一定的数据集训练后，就可以得到不错的跌倒检测效果，无论是准确性，还是实时性均取得了不错的成绩。本文方案代替传统的跌倒检测方案有十分重要的意义。但在视频场景下，对相似的卧起与跌倒等行为特征识别率较低，有待后续研究和改进。需要根据当前算法方案，进行多特征融合识别等优化处理，提高部分遮挡人体目标情况下的跌倒行为识别精度和鲁棒性，降低人体目标检测过程中的计算成本，提高整体的识别率。