隨著科技的發(fā)展和人們生活水平的提高，人口老齡化現(xiàn)象嚴(yán)重，老年人室內(nèi)安全監(jiān)護(hù)逐漸受到關(guān)注。

國(guó)內(nèi)外早期的跌倒檢測(cè)方法主要包括基于可穿戴設(shè)備的方案、基于視頻監(jiān)控的方案和基于聲學(xué)的方案?；诳纱┐髟O(shè)備的檢測(cè)方案，需要在身體各個(gè)部位佩戴加速度傳感器、陀螺儀等各種傳感器來(lái)采集使用者加速度或者身體傾角等狀態(tài)信息，并使用算法判斷是否發(fā)生跌倒，該方案要求被測(cè)試者必須穿戴設(shè)備，在使用上受到很大限制，且會(huì)造成老年人佩戴不舒適感。

基于視頻的監(jiān)控方案對(duì)使用者限制較少，但黑暗中無(wú)法正常使用且容易造成隱私泄露，在臥室、浴室、洗手間等私密場(chǎng)所不適合使用?；诼晫W(xué)的檢測(cè)方案，主要是通過(guò)跌倒時(shí)對(duì)地面的撞擊提取聲音或者振動(dòng)等特征，但由于其他外物經(jīng)常造成干擾，檢測(cè)準(zhǔn)確率較低。

為此，日本慶應(yīng)義塾大學(xué)Jihoon Hong和Tomoaki Ohtsuki等人提出使用松下Grid-eye的8×8紅外陣列傳感器設(shè)計(jì)的跌倒檢測(cè)系統(tǒng)，這種方案采用低分辨率的紅外陣列傳感器，可以獲得紅外輪廓，確保隱私不被泄露以及可在黑暗中正常使用；采用機(jī)器學(xué)習(xí)中K-近鄰算法進(jìn)行分類(lèi)，整個(gè)過(guò)程需要人工提取特征，且實(shí)驗(yàn)結(jié)果中坐下識(shí)別效果較差，容易造成誤判。上海大學(xué)的楊任兵等人提出基于同一款紅外傳感器采集紅外圖像多特征提取的跌倒檢測(cè)算法。

上述兩個(gè)基于紅外陣列傳感器的識(shí)別系統(tǒng)對(duì)于跌倒檢測(cè)具有較好的檢測(cè)效果，但未能實(shí)現(xiàn)坐下、行走等其他動(dòng)作的識(shí)別，且使用人工提取特征的過(guò)程繁瑣復(fù)雜。

身份識(shí)別方法一般分為傳統(tǒng)識(shí)別和生物特征識(shí)別兩種。又可將生物特征識(shí)別分為生理特征識(shí)別和行為特征識(shí)別。生理特征是指身體先天存在的特征，如指紋、虹膜、人臉等；行為特征是指后天形成的特征，如語(yǔ)音、步態(tài)、字跡等。

傳統(tǒng)識(shí)別方法一般通過(guò)物品標(biāo)識(shí)識(shí)別身份，但存在易丟失、易被盜的缺點(diǎn)。通過(guò)生理特征識(shí)別的方法對(duì)識(shí)別的角度有很高要求，且價(jià)格昂貴。近年來(lái)，國(guó)內(nèi)外著名大學(xué)相繼進(jìn)行身份識(shí)別方法研究。

• 2017年，李倩玉等人提出基于改進(jìn)深層網(wǎng)絡(luò)的人臉識(shí)別算法，可以提取出目標(biāo)的鑒別性特征，但當(dāng)面部出現(xiàn)遮擋或者側(cè)臉時(shí)識(shí)別準(zhǔn)確性較差。
• 2018年，陳虹旭等人提出基于深度學(xué)習(xí)的虹膜識(shí)別方法，通過(guò)提取虹膜特征利用深度學(xué)習(xí)進(jìn)行訓(xùn)練識(shí)別，但虹膜識(shí)別對(duì)識(shí)別距離有要求，不能遠(yuǎn)距離識(shí)別且需要正對(duì)人的眼睛，識(shí)別過(guò)程受到較大限制。
• 2018年，田光見(jiàn)等人提出基于連續(xù)隱馬爾可夫模型的步態(tài)識(shí)別，通過(guò)人走路姿勢(shì)實(shí)現(xiàn)對(duì)身份的識(shí)別，雖然獲得較高的識(shí)別率，但算法特征提取過(guò)程復(fù)雜。目前多采用常見(jiàn)模式識(shí)別分類(lèi)器，特征提取過(guò)程復(fù)雜且繁瑣。

針對(duì)以上動(dòng)作和身份識(shí)別方案中的問(wèn)題和缺點(diǎn)，本文提出一種基于低分辨率紅外陣列傳感器采集紅外熱圖像，運(yùn)用深度學(xué)習(xí)中的卷積神經(jīng)網(wǎng)絡(luò)算法自動(dòng)提取特征的方法，通過(guò)步態(tài)識(shí)別實(shí)現(xiàn)身份識(shí)別以及實(shí)現(xiàn)跌倒、坐下和行走動(dòng)作的識(shí)別。

該方法能夠較好地保護(hù)使用者的隱私，且避免了繁瑣的人工特征提取，又結(jié)合深度學(xué)習(xí)提高了系統(tǒng)的識(shí)別效果。該系統(tǒng)可以同時(shí)識(shí)別身份和動(dòng)作，對(duì)于室內(nèi)老年人安全監(jiān)護(hù)具有很高的應(yīng)用價(jià)值，在智能居家養(yǎng)老產(chǎn)品上也具有一定的經(jīng)濟(jì)意義。

1 系統(tǒng)構(gòu)成

人體動(dòng)作和身份識(shí)別系統(tǒng)整體結(jié)構(gòu)示意圖如圖1所示。系統(tǒng)主要由紅外陣列傳感器、基于樹(shù)莓派的溫度數(shù)據(jù)采集平臺(tái)和基于PC的動(dòng)作識(shí)別平臺(tái)構(gòu)成。紅外陣列傳感器分別垂直吊裝在天花板和側(cè)面墻壁上，由樹(shù)莓派通過(guò)I2C接口控制，實(shí)現(xiàn)探測(cè)區(qū)域溫度分布信息的采集；將采集到的溫度數(shù)據(jù)通過(guò)樹(shù)莓派內(nèi)置WiFi發(fā)送到PC端，PC端通過(guò)程序處理生成紅外熱圖像，將每一幀圖像保存成數(shù)據(jù)庫(kù)，使用卷積神經(jīng)網(wǎng)絡(luò)算法（convolutional neural network, CNN）進(jìn)行訓(xùn)練分類(lèi)，判斷對(duì)應(yīng)人體的動(dòng)作類(lèi)別和身份，進(jìn)而完成識(shí)別。

圖1 系統(tǒng)整體結(jié)構(gòu)示意圖

2 卷積神經(jīng)網(wǎng)絡(luò)分類(lèi)

動(dòng)作和身份識(shí)別算法流程如圖2所示。該算法分為3步，即發(fā)送溫度分布數(shù)據(jù)、保存每一幀熱紅外圖像和CNN分類(lèi)識(shí)別。

圖2 動(dòng)作和身份識(shí)別算法流程圖

2.1 卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

基于VGGNet搭建的卷積神經(jīng)網(wǎng)絡(luò)模型主要包括輸入層、5層卷積層和3層最大池化層以及1層全連接層和輸出層。其結(jié)構(gòu)模型如圖3所示。輸入的是預(yù)處理的圖像，尺寸為（96, 96, 3），分別代表了長(zhǎng)、寬和深度。

第1層卷積核的尺寸為（3, 3, 32），第2層卷積核的尺寸為（3, 3, 64），第3層卷積核的尺寸為（3, 3, 128）；采用最大池化方法，池化核尺寸為（3, 3）。為了保證卷積后的尺寸和輸入尺寸相同，模型使用padding操作。最大池化層長(zhǎng)寬步長(zhǎng)為2，深度步長(zhǎng)為1。

圖3 卷積神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)模型

1）卷積層

卷積層的目的是提取輸入的不同特征，卷積層的第一層可提取邊緣、線條和角等低級(jí)的特征，在疊加搭建更多層卷積層之后的網(wǎng)絡(luò)能將前期層中提取的低級(jí)特征迭代提取為更加復(fù)雜的特征。

假設(shè)進(jìn)行步長(zhǎng)為1的卷積操作，表示卷積核在輸入圖像矩陣上每次向右移動(dòng)一個(gè)像素。卷積核網(wǎng)格中都存在一個(gè)權(quán)重值，在卷積核移動(dòng)的過(guò)程中將輸入圖像矩陣中的每個(gè)像素和卷積核中對(duì)應(yīng)的每個(gè)權(quán)重值相乘，最后將所有乘積相加得到一個(gè)輸出結(jié)果。卷積計(jì)算過(guò)程如圖4所示。

圖4 卷積計(jì)算過(guò)程圖

為使得輸出尺寸與輸入尺寸相同，卷積層中使用padding操作；模型中使用目前主流的整流線性單元（rectified linear units, ReLU）作為神經(jīng)網(wǎng)絡(luò)的激活函數(shù)。

2）池化層

池化層的主要作用是對(duì)輸出篩選降維，篩選掉不重要的特征，提取主要特征，使得特征圖減小。池化方法包括平均值池化和最大池化。本文選擇最大池化方法，有學(xué)者已經(jīng)驗(yàn)證最大池化效果優(yōu)于平均值池化。第1層池化層的池化核為（3, 3），第2和3層池化層的池化核均為（2, 2）。池化過(guò)程如圖5所示。

圖5 池化過(guò)程圖

3）模型訓(xùn)練

本模型用于識(shí)別人體姿態(tài)動(dòng)作，用softmax作為輸出層函數(shù)，計(jì)算公式為

模型的優(yōu)化算法使用Adam進(jìn)行優(yōu)化，它是一種隨機(jī)梯度下降算法，可以加速訓(xùn)練過(guò)程。Adam算法優(yōu)化的不是在全部訓(xùn)練數(shù)據(jù)上的損失函數(shù)，而是在每一輪迭代中，隨機(jī)優(yōu)化某一條訓(xùn)練數(shù)據(jù)上的損失函數(shù)。為防止進(jìn)入局部最小值，模型的學(xué)習(xí)率為0.001。

訓(xùn)練數(shù)據(jù)按照32個(gè)批次從頭到尾讀取，載入到內(nèi)存進(jìn)行訓(xùn)練，一次迭代完成后，將訓(xùn)練數(shù)據(jù)重新隨機(jī)打亂，進(jìn)入數(shù)據(jù)的下一代訓(xùn)練，神經(jīng)網(wǎng)絡(luò)訓(xùn)練次數(shù)為100輪。

4）過(guò)擬合處理

為防止模型過(guò)度擬合，在模型的Softmax輸出層之前加入Dropout層。在模型進(jìn)行訓(xùn)練時(shí)，Dropout層通過(guò)設(shè)置不同的參數(shù)，使得某些隱藏的神經(jīng)元以一定的概率隨機(jī)失活，以防止模型發(fā)生過(guò)擬合狀況。

2.2 動(dòng)作識(shí)別

為防止室內(nèi)意外事故的出現(xiàn)，實(shí)現(xiàn)老年人安全監(jiān)護(hù)，現(xiàn)特對(duì)老年人行為動(dòng)作進(jìn)行采集識(shí)別。實(shí)驗(yàn)過(guò)程中的人體動(dòng)作識(shí)別方法是針對(duì)單人行為的。實(shí)驗(yàn)過(guò)程中讓被測(cè)試人員在檢測(cè)區(qū)域中模擬老人日常行為動(dòng)作，分別采集行走、跌倒、坐下3種動(dòng)作的紅外圖像建立數(shù)據(jù)庫(kù)，再通過(guò)卷積神經(jīng)網(wǎng)絡(luò)訓(xùn)練分類(lèi)識(shí)別，判斷出發(fā)生的動(dòng)作。

2.3 身份識(shí)別

為判斷出發(fā)生跌倒意外事故人員的身份，使用行為特征步態(tài)進(jìn)行識(shí)別。步態(tài)識(shí)別的識(shí)別過(guò)程是通過(guò)采集一段待檢測(cè)行人正常行走的視頻或者保存完成的圖像，與已經(jīng)存儲(chǔ)訓(xùn)練完成的視頻或者圖片數(shù)據(jù)庫(kù)進(jìn)行對(duì)比，進(jìn)而找出待檢測(cè)行人目標(biāo)的身份。

步態(tài)是一種復(fù)雜的行為特征，每個(gè)人的步態(tài)是不同的，它提供了大量的信息，但由于圖像序列的數(shù)據(jù)量較大，因此計(jì)算復(fù)雜性較高。步態(tài)識(shí)別具有數(shù)據(jù)采集容易、遠(yuǎn)距離無(wú)需接觸和難以偽裝等優(yōu)點(diǎn)。傳統(tǒng)步態(tài)識(shí)別是通過(guò)視頻提取人體節(jié)點(diǎn)特征，采用機(jī)器學(xué)習(xí)中的算法進(jìn)行分類(lèi)，人工提取特征復(fù)雜程度高，不易實(shí)現(xiàn)。本文采用CNN算法對(duì)每一幀連續(xù)圖像進(jìn)行訓(xùn)練，再與數(shù)據(jù)庫(kù)對(duì)比，從而判斷出被測(cè)人員的身份。

3 實(shí)驗(yàn)測(cè)試

1）實(shí)驗(yàn)裝置

實(shí)驗(yàn)裝置使用德國(guó)海曼公司HTPA32×32紅外陣列傳感器；樹(shù)莓派使用3B型號(hào)，其系統(tǒng)基于Linux，有SD/MicroSD卡內(nèi)存硬盤(pán)；主板上有USB接口、以太網(wǎng)接口、HDMI高清視頻輸出接口和GPIO接口；WiFi通信模塊。具體實(shí)驗(yàn)裝置實(shí)物如圖6（a）所示。

2）實(shí)驗(yàn)環(huán)境

本實(shí)驗(yàn)選擇室內(nèi)普通辦公房間，室溫在15℃左右。實(shí)驗(yàn)測(cè)試場(chǎng)景如圖6（b）所示。將一個(gè)傳感器垂直吊裝在天花板上，高度為2m；將另一個(gè)傳感器安裝在高度為1m的支架上（模擬垂直安裝在側(cè)面墻面），兩傳感器垂直距離為2.4m。被測(cè)實(shí)驗(yàn)人員需要根據(jù)要求完成正常行走、坐下和跌倒3種動(dòng)作。

圖6a 實(shí)驗(yàn)裝置實(shí)物圖

圖6b 實(shí)驗(yàn)測(cè)試場(chǎng)景

3）獲取實(shí)驗(yàn)數(shù)據(jù)

使用Keras和CNN構(gòu)建分類(lèi)器和CNN算法識(shí)別動(dòng)作實(shí)驗(yàn)，測(cè)試人員為6名（4男2女），共保存11420張圖片，其中訓(xùn)練集11120張，測(cè)試集300張。實(shí)驗(yàn)行為動(dòng)作模擬如圖7所示。

當(dāng)使用CNN算法識(shí)別身份實(shí)驗(yàn)時(shí)，采用步態(tài)方法進(jìn)行識(shí)別，測(cè)試人員5名（3女2男），共采集2888張圖片，其中訓(xùn)練集2858張，測(cè)試集30張。實(shí)驗(yàn)步態(tài)識(shí)別圖如圖8所示。

4 實(shí)驗(yàn)結(jié)果

當(dāng)使用卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行動(dòng)作識(shí)別時(shí)，系統(tǒng)平均準(zhǔn)確率為93.3%，行走準(zhǔn)確率高達(dá)100%，跌倒準(zhǔn)確率為90%，坐下準(zhǔn)確率為90%。步態(tài)識(shí)別的準(zhǔn)確率為96.7%。由CNN算法的實(shí)驗(yàn)分類(lèi)識(shí)別結(jié)果可知，整體識(shí)別準(zhǔn)確率較高。但動(dòng)作識(shí)別過(guò)程中由于坐在椅子上呈半躺狀態(tài)和跌倒時(shí)輪廓面積類(lèi)似，所以易造成錯(cuò)誤分類(lèi)。

圖7 實(shí)驗(yàn)行為動(dòng)作模擬圖

圖8 實(shí)驗(yàn)步態(tài)識(shí)別圖

結(jié)論

本文構(gòu)建了一種基于低分辨率紅外陣列傳感器的人體身份識(shí)別和動(dòng)作識(shí)別系統(tǒng)。通過(guò)提取監(jiān)測(cè)區(qū)域溫度分布信息的特征，使用CNN算法測(cè)得行走、坐下和跌倒的檢測(cè)準(zhǔn)確率分別為100%、90%和90%，3種人體行為的平均識(shí)別準(zhǔn)確率為93.3%；使用步態(tài)特征的身份識(shí)別準(zhǔn)確率為96.7%。該系統(tǒng)在老年人生命健康安全監(jiān)護(hù)領(lǐng)域具有很高的應(yīng)用價(jià)值。

未來(lái)，可測(cè)試在多人情況下識(shí)別人體發(fā)生的動(dòng)作，以期在系統(tǒng)檢測(cè)到異常行為動(dòng)作時(shí)做出更加準(zhǔn)確的處理方案。