基于OpenMv的跌倒检测算法设计与实现

摘  要

现如今，社会上老年人的数量正在持续增长，而伴随着的也是日益增多的老年人的安全问题，例如跌倒、突发疾病、失智等一系列对老年人生命产生威胁的问题，本文就其中的跌倒问题提出了一种基于OpenMv的跌倒检测算法，主要通过对OpenMv摄像头捕捉到的画面进行图像运算得到老年人的跌倒状态。本文提出的跌倒检测主要通过OpenMv自带的函数库以及三帧差分算法来实现，然后通过调整老年人身体中心坐标的波动范围来判断老年人是否已经跌倒。

关键词

老年人，摄像头，跌倒检测，三帧间差分算法

1. 引言

如今，迎着这个大时代的一个大问题之一便是人口老龄化，伴随着国家的进步和社会的发展，现在人们对于自己家中老人的安全愈来愈重视，只有时刻知道自己家中的老人是否安全，子女才能在外面安心工作。而在老人独自在家面对的众多安全问题中，跌倒无疑是最为严重的之一，因为跌倒后不及时进行救治容易引起老人身体中隐藏的其他疾病，例如，高血压、心脏病、心肌梗塞等容易对人的生命安全产生威胁的疾病，因此社会上出现了许多对老人的跌倒状态进行自动检测的系统，总体分为两大类：基于穿戴式设备的自动跌倒识别系统和基于环境的自动跌倒识别系统[1]。

基于穿戴式设备的自动跌倒识别系统，即将检测设备穿戴或佩戴在身上，例如利用智能手机内的加速度传感器来设计动作识别系统、可连接穿戴设备的老人摔倒远程智能手机监护客户端，这一类设备拥有简单，错误率低的特点，但同时基于穿戴式设备的自动跌倒识别系统要将检测设备置于人体部位，传感器容易受到干扰，导致传感器不能将数据及时的上传，并且老人并不喜欢在身上附加一些物品等，这些问题也是基于穿戴式设备的自动跌倒识别系统所面临的问题。

基于上面的情况，基于环境的自动跌倒识别系统也成为了当今社会的潮流，其中，基于机器视觉的自动跌倒识别系统便是其中最为突出的一个分支。而本文提出了一种改进过的基于日常生活经验的检测方案。目前，社会上比较先进的基于机器视觉的自动跌倒识别系统利用 kinect 的骨骼追踪技术，实时记录人的 6 个关节点的三维坐标，通过计算来获得人体的运动状态，准确率可达到 93% [2]，这种系统的算法复杂，对于硬件的要求非常高，如果产生了环境噪声对于判断结果会有部分影响，因此，本文提出了以三帧差分算法为基础并对运动物体中心坐标波动阈值和上顶点到下顶点的高度差进行检测的方案，本文致力于解决硬件要求高和环境噪声对判断结果影响的问题。

1. 硬件参数及程序总体框图

本文所提出的设计中，摄像头所采用的芯片为 STM32H743VI，主频为 400 MHz，内存为 1 MB，帧缓冲区为 2 MB，支持 5 V 输入和 3.3 V 输出。另外，OpenMV4 H7 默认配置的 OV7725 感光元件处理 640

× 480 8-bit 灰度图或者 640 × 480 16-bit RGB565 彩色图像可以达到 60 FPS；当分辨率低于 320 × 240 可以

达到 120 FPS。大多数简单的算法可以运行 60 FPS 以上。

本文所提出的设计，致力于在硬件配置较低的情况下实现对老人跌倒状态的准确判断，因此，本文所提出的跌倒算法相对与传统的跌倒算法做出了改进，系统的总体工作流程如图 1 所示。

1. 色彩模式的选择以及相机环境参数的设置

OpenMv 中提供了多种色彩模式，例如 RGB565、GRAYSCALE、BAYER，由于本文提出的设计需要能够高效、准确的处理图像，所以本文提出的设计采用 GRAYSCALE (灰度图)模式，因为灰度图像素点的变化只在 0~255 阶灰度范围内，在进行图像处理的过程中，只需要少部分的内存空间，大大节省对摄像头内部的帧缓冲区的资源消耗。

在目前的设计阶段，为了方便进行图像运算以及测试，分辨率选择的是 320 × 240，同时为了保证图像运算的可靠性，在本设计中关闭了摄像头自动的白平衡与自动增益，下面是色彩模式的选择与相机环境参数设置的部分代码：

sensor.reset () #将摄像头的所有属性重置。