NTIT

植基於多特徵分類之居家照護步態辨識

指導老師：吳憲珠 老師組員：林侑築、張庭榕、許凱迪1

目錄

動機與目的1

系統概觀2

實驗成效3

結論與未來展望4

2

動機與目的 (1/2)

高齡少子化社會成型 照護人力需求增加

使用傳統遠距居家照護 IT

病人發生緊急事故

通知醫護人員

派遣救護車或醫護人員

自動偵測

需要病人發生通知醫護人員才得知發生問題

＊利用影像技術自動辨識便通知醫護人員3

動機與目的 (2/2)

方便即刻救援爭取時間 減少人力長時間監控

4

系統概觀

攝影機擷取影像800X600

切割出物件300X100

擷取特徵Features:8

準確度分析SVM

5

擷取特徵 (1/5)

1. 影像透過縮排技術儲存對應位置2. 利用形態學方式補其缺口部分3. 以四大區塊分別透過鍊碼計算兩兩像素之間的距離向量並加總以及變異數

6

擷取特徵 (2/5)

透過縮排技術儲存對應位置取出人包含整個物件

加入外框並計算長、寬

使用縮排技術均分為10×16

有值的座標對應到10×16矩陣內

將兩矩陣值做疊合

A 1 2 3 … 14 15 16

左 35 35 8 … 34 34 58

右 78 75 85 … 90 80 75

B 1 2 3 … 8 9 10

上 60 55 50 … 10 60 70

下 180 210 265 … 300 300 210

7

擷取特徵 (3/5)

影像中人物動作過大時，再經過縮排後會有缺口產生 透過形態學中關閉 (Closing) 將缺口的地方填補完整 使用十字形的結構元素，有效地填補缺口

Structuring Element b

Image f bf Dilation8

擷取特徵 (4/5)

影像中人物動作過大時，再經過縮排後會有缺口產生 透過形態學中關閉 (Closing) 將缺口的地方填補完整 使用十字形的結構元素，有效地填補缺口

bf Dilation bbf Erosion

Structuring Element b

9

10

影像依照3:5:8 的比例區分頭、軀幹和腳

針對四大區塊分別做鍊

碼

計算每區塊像素間的距離向量加

總

針對每一個距離向量計算變異數30 25

20 1820 10

100 20

160

170

180

185

155

60 7080 77105 89110 99

120 160 121150 180 170 160

200 213 200 180220 230

65 11030 12020 13030 200

10 150 21020 100 170 220

30 102 190 21070 180

67

20

30

70

60

28

30

17

26

80

60

70

80

85

100

C0

C1

C2 C3

C4

C0= code 7 C1= code 1C2= code 0 C3= code 7

30 25

20 18

20 10100 20

1)( 2

2

n

xxs i

正常影像實驗成效 (1/3)

頭 頭變異數 左軀幹 左軀幹

變異數 右軀幹 右軀幹變異數 腳 腳

變異數圖一 154 154.1410 92 0 88.0868 4.0597 481.3253 204.6463

圖二 173.2268 386.7288 103 12.2500 73.1004 316.0278 512.6754 318.9736

圖三 131.0565 188.7131 90 1 116.4212 98.1757 438.2149 202.2699

圖四 234.4187 408.2013 159.9848 108.3137 122.6400 91.5604 579.0174 159.0341

圖一 圖二 圖三 圖四

11

異常影像實驗成效 (2/3)

圖一 圖二 圖三 圖四頭 頭

變異數 左軀幹 左軀幹變異數 右軀幹 右軀幹

變異數 腳 腳變異數圖一 201.8299 48.3855 104 0 107.1980 121.7154 636.1827 463.1945

圖二 158.1168 45.6976 89 406.9167 77 48.9167 417.8987 338.6951

圖三 99.0580 92.4912 100.8806 97.2585 123.3149 63.4214 461.8745 146.6119

圖四 195.5508 128.0122 85.1204 201.5426 130.3560 44.2753 683.2077 699.1768

12

實驗成效 (3/3)

正常影像 異常影像測試資料 9 9

訓練資料 8 20

13

結論與未來展望

結論• 特徵值為計算點與點之間的向量位移• 不會因為體型的不同而造成誤判

未來展望• 增加其他更有成效的特徵值來增加準確度• 廣泛應用步態辨識系統

14

NTIT

15