بخشی از مقاله
خلاصه
با توجه به اینکه جمعیت مسن جهان به طور چشمگیری رو به افزایش است لزوم توسعه سیستم های پایش وضعیت سلامت و نمایش بروز رفتارهای غیر معمول برای این افراد، ضروری به نظر می رسد. یکی از اتفاق هایی که ممکن است برای سالمندان رخ دهد، افتادن می باشد که تشخیص به هنگام آن در دنباله ویدیویی ضبط شده دوربین کنترل نظارتی حائز اهمیت است. در این پژوهش شیوه ای جدید مبتنی بر دو پارامتر نرخ تغییرات و زاویه ی افتادن، برای تحلیل وضعیت فرد شامل سقوط یا عدم سقوط پیشنهاد می گردد. مولفه نرخ تغییرات بیانگر تغییرات پیکسل های مربوط به سوژه در فریم های متوالی دنباله ویدیویی بوده و تغییرات ناگهانی فرد، منجر به بالارفتن این نرخ خواهد شد. مولفه زاویه افتادن نیز از انطباق بیضی بر قامت فرد و محاسبه زاویه قطر بزرگ آن با افق حاصل می شود. روش پیشنهادی در این پژوهش روی دنباله های ویدیویی شامل افتادن و سایر رویدادها اعمال و نتایج حاصله با معیار های استاندارد موجود در این حوزه، مورد بررسی قرار می گیرد. این نتایج نشان می دهند که روش پیشنهادی پتانسیل حصول بالای 90 درصد تشخیص درست را به ازای قریب به 30 درصد هشدار خطا، دارا می باشد.
کلمات کلیدی: سامانه پایش سلامت، تشخیص افتادن، تشخیص پس زمینه، زاویه افتادن، نرخ تغییرات
.1 مقدمه
باتوجه به آمارهای ارائه شده توسط مؤسسههای جهانی، کارشناسان بر این باورند که در سالهای آینده با توجه به پیشرفت علم پزشکی و رشد جمعیت جهان، تعداد بیشتری از مردم به 80 یا 90 سالگی خواهند رسید. با توجه به اینکه در کشورهای توسعهیافته این افراد اکثراً بهطور فردی زندگی میکنند و بعضاً از همراه داشتن تجهیزات پزشکی سیار یا مراقبت حضوری توسط پرستار، امتناع میکنند، لذا وجود یک سیستم نظارتی هوشمند که از پردازش تصاویر دوربینهای نظارتی برای تشخیص بروز رفتارهای غیرمعمول استفاده نماید، میتواند تا حدود زیادی مفید واقع گردد.[2-1] تشخیص حالات طبیعی افراد و همچنین تمایز قائل شدن میان حالتهای طبیعی و حالاتی که احتمال بروز موقعیتهای اورژانسی و خاص را تداعی میکند، برای کاربرد فوق بسیار حائز اهمیت میباشد.
یکی از این حالتها افتادن غیرارادی میباشد که با توجه به سرعت و حالت شخص، میتواند از روی تحلیل تصاویر فریمهای متوالی مورد ارزیابی قرار گیرد.[3] تاکنون روی موضوع تشخیص حالات بدن از روی پردازش تصویر کارهای متفاوتی صورت گرفته است که میتوان به کارهای صورت گرفته توسط مون وای لی و راو نواتیا در سال 2007 اشاره کرد که با استفاده از تحلیل جزء به جزء اجزای بدن به یک موقعیت دو بعدی و سه بعدی دست پیدا کرده است .[4] کار دیگری که در همین زمینه توسط سورال و همکاران در این حوزه انجام شد، به استفاده از مدلسازی مخلوط گوسی و استخراج ویژگیهایی از قبیل نسبت ابعاد، توزیع گرادیان افقی و عمودی بانضمام زاویه افتادن می پرداخته است .[5]
در پژوهش دیگری، تونیموتو و همکاران با استفاده از 11 نقطهای که در نقاط مختلف بدن انسان در تصویر تعریف کردند، به ارائه مدل مناسبی از موقعیت بدن انسان پرداختند که تحقیقات وی با درصد خطای میانگین بسیار پایین منجر به نتیجه شد ولی حجم محاسباتی به نسبت حالت قبلی افزایش پیدا کرد .[6] از جمله سایر کارهای انجام شده میتوان به کار انجام شده توسط هانگ و همکاران اشاره نمود که در آن با استفاده از شبکه عصبی برای استخراج ماتریس حرکت و نهایتاً از یک طبقهبندیکننده ماشین بردار پشتیبان برای مرحله نهایی تصمیمگیری استفاده می شود.[7] روش دیگر توسط فروقی و همکارانش ارایه شد که در آن با قراردادن بدن انسان در حالت های مختلف درون یک بیضی و تحلیل آن از قبیل تحلیل تصویر بافت نگار عمودی و افقی و موقعیت سر به معرفی
بردار ویژگی جدیدی پرداختند که عملکرد قابل قبولی از خود نشان داده است .[8] در دسته ای از مقالات با تحلیل روی موقعیت مرکز ثقل بدن به معرفی حالت بدن پرداخته شده و با توجه به کاهش زمان محاسبه، به درصد خطای قابل قبولی نیز دست یافته شده است .[9] در تحقیقات جدیدتر با تحلیل نواحی مربوط به حرکت در تصاویر فریمهای متوالی دوربین [10] و یا با اضافه کردن ویژگی چرخش نتایج مناسبی حاصل شده اند.[11]در این مقاله، رویکرد جدیدی در خانواده الگوریتمهای تحلیل نواحی مربوط به حرکت در تصاویر فریمهای متوالی دوربین جهت حصول دقت بیشتر در تشخیص افتادن فرد در تصاویر ویدیویی ارائه میشود. در روش پیشنهادی با استفاده از دو پارامتر نرخ تغییرات و زاویهی افتادن تحلیل وضعیت فرد صورت می گیرد.
نرخ تغییرات بر مبنای تغییرات پسزمینه در فریمهای متوالی مورد محاسبه قرار گرفته و از تحلیل تغییرات مساحت پیکسلهای در برگیرنده سوژه در فریم های متوالی تخمین زده می شود. به منظور تخمین زاویه نیز یک بیضی بر بدن فرد منطبق میگردد که مرکز آن روی مرکز ثقل بدن قرار گرفته است و با استفاده از تحلیل زاویه قطر بزرگ بیضی میتوان به موقعیت فرد پی برد.ساختار این مقاله به شرح زیر است. جزئیات طرح پیشنهادی در بخش 2 ارائه میشود. بخش 3، نتایج الگوریتم پیشنهادی را در رشته تصاویر ویدیویی ارائه میدهد. در این بخش، روش پیشنهادی بر روی یک بانک دادگان از فیلم های واقعی آزموده و نتایج آن با استفاده از معیارهای استاندارد، بررسی می گردد. آخرین بخش مقاله نیز به نتیجهگیری اختصاص دارد.
.2 روش پیشنهادی
در این بخش، شیوه پیشنهادی برای استخراج حالت افتادن در قالب گام به گام تشریح می شود. اولین گام در در این فرآیند، پیش پردازش میباشد. عمل پیش پردازش در روش پیشنهادی این مقاله، شامل بهبود کنتراست با استفاده از تعدیل هیستوگرام است. گام بعدی پس از ارتقاء تصویر استخراج پسزمینه میباشد که میتواند تأثیر شایانی در نتیجه نهایی کار داشته باشد. برای این منظور فرض میکنیم تصویر حاصله از تعدیل هیستوگرام را با رابطه 1 را داشته باشیم.که در رابطه فوق mو n به ابعاد تصویر اشاره دارد و fنیز بیانگر شماره فریم است و سطوح روشنایی برای تک تک پیکسلها با I مشخص میگردد. حال نوبت به استخراج پسزمینه میرسد و برای این کار تعداد k فریم از دنباله تصاویرویدیویی را در نظر گرفته و با محاسبه میانگین آنها تصویر پس زمینه با استفاده از رابطه 2 استخراج می گردد:
درگام بعدی پس از محاسبه پسزمینه نوبت به استخراج سوژه میرسد این کار با استفاده از تفاضل رابطه 3 صورت می-گیرد:
پس از استخراج سوژه نوبت به انجام پردازشهای مورد نیاز برای تحلیل موقعیت فرد مورد نظر میرسد که بهطور جامع در ادامه توضیح داده میشود. اولین پارامتری که مورد بررسی قرار میگیرد نرخ تغییرات میباشد که در آن با استفاده از تغییرات سوژه و پیکسلهای در برگیرنده سوژه در فریمهای متوالی و فاصله این پیکسلها میتوان به تخمین مناسبی از نرخ تغییرات دست یافت همانطور که انتظار میرود از افزایش ناگهانی نرخ تغییرات و سپس کم شدن آن میتواند دال بر اتفاقی با سرعت بالا داشته باشد. ویژگی دیگر، زاویه افتادن میباشد که مبنای آن وجود مرکز ثقلی در نواحی میانی بدن انسان است. حال اگر موقعیت بدن انسان را در نظر گرفته و به آن یک بیضی منطبق شود به-نحوی که قطر بزرگ بیضی در راستای قامت فرد باشد، با محاسبه زاویه بین قطر بزرگ بیضی و افق می توان زاویه را استخراج نمود. در شکل 1 شبه کد مربوط به الگوریتم پیشنهادی ملاحظه می شود.
