شيوه اي نوين بر پايه نرخ تغييرات و زاويه افتادن در تشخيص حالت افتادن انسان در تصاوير دوربين هاي نظارتي

A New method Based on Rate of Change and Falling Angle for Detecting Human Fall in Images of Monitoring Cameras

با توجه به اينكه جمعيت مسن جهان به طور چشمگيري رو به افزايش است لزوم توسعه سيستم هاي پايش وضعيت سلامت و نمايش بروز رفتارهاي غير معمول براي اين افراد ضروري به نظر مي رسد. يكي از اتفاق هايي كه ممكن است براي سالمندان رخ دهد، افتادن مي باشد كه تشخيص به هنگام آن در دنباله ويديويي ضبط شده دوربين كنترل نظارتي حائز اهميت است. در اين پژوهش شيوه اي جديد مبتني بر دو پارامتر نرخ تغييرات و زاويه ي افتادن براي تحليل وضعيت فرد شامل سقوط يا عدم سقوط پيشنهاد مي گردد. مولفه نرخ تغييرات بيانگر تغييرات پيكسل هاي مربوط به سوژه در فريم هاي متوالي دنباله ويديويي بوده و تغييرات ناگهاني فرد منجر به بالارفتن اين نرخ خواهد شد. مولفه زاويه افتادن نيز از انطباق بيضي بر قامت فرد و محاسبه زاويه قطر بزرگ آن با افق حاصل مي شود. روش پيشنهادي در اين پژوهش روي دنباله هاي ويديويي شامل افتادن و ساير رويدادها اعمال و نتايج حاصله با معيار هاي استاندارد موجود در اين حوزه مورد بررسي قرار مي گيرد. اين نتايج نشان مي دهند كه روش پيشنهادي پتانسيل حصول بالاي 90 درصد تشخيص درست را به ازاي قريب به 30 درصد هشدار خطا دارا مي باشد.

As respect the worlds aged population is dramatically increasing, the need to develop health monitoring systems and display unusual behaviors for these people is indispensable. One of the events that may happen to the elderly is falling which detecting it in the sequence of a recorded video camera is vital. In this research a new method based on two parameters of the rate of changes and the angle of falling is for analyzing the mens situation, including falling or not falling suggested. Rate of changes refer to the subject pixel changes in the sequential frames of the video sequence and sudden changes in the men situation will result in rate rising. The angle of falling component also assess from the oval adaptation of the persons stature and the calculation of its large diameter angle with the horizon. The proposed method in this research is applied to video sequences including fall and other events and the results will be compared with benchmark standards in this field. These results show that the proposed method has a potential for obtaining more than 90% of the true positive rate whereas about 30% of the false positive rate.