在过去的几年,科学界的兴趣在智能环境变得非常快尤其是在欧洲环境辅助生活(AAL)计划,目的是增加独立生活和老年人的生活质量。AAL系统的设计通常是基于使用监控基础设施所提供的智能环境。这些基础设施包括异构传感装置在ad hoc网络与分布式数据处理资源和协调智能代理,提供信息分析和决策能力。人类活动监控是一个至关重要的AAL功能系统,特别是在关键情况下的检测(如瀑布和异常行为)或执行期间支持相关的任务(例如,日常生活活动和培训/康复练习)。一般来说,人类监测系统是基于可穿戴设备或环境设备。在第一种情况下,标记或运动传感器(例如,MEMS加速度计和陀螺仪)所穿的最终用户身体的运动检测。最近门敏et al。 1)提出了一条项链嵌入一个三轴加速度计和陀螺仪能够区分从常规ADLs(日常生活活动)通过测量的角度上半身在地上。尽管可穿戴技术可以准确、合适的即使在户外条件下,其效率是有限的由于假警报事件如果装置不正确穿或不穿(洗澡后或在夜间),所述的悄无声息et al。 2]。另一方面,环境设备通常是基于某种视觉系统(单眼或立体摄像机,红外摄像机,3 d传感器,等等)的人跟踪或传感器安装在家庭家具/家电(压力传感器在地板上,开/关开关,等等)推断人的活动。Rimminen et al。 3)已经提出一个创新的地板使用近场成像传感器能够检测下降(NFI)原则。然而,环境传感器通常需要一个特别的家庭环境的设计或者重新设计。应用技术是最负担得起的和准确的解决方案由于获得数据的丰富性和安装的可访问性,而不需要一个特别设计的环境。这位设计师等。 4)已经提出了一个被动视觉(单眼相机)方法监测人类活动与特定兴趣下降的问题检测。最近,Edgcomb和瓦希德( 5)试图发现落在privacy-enhanced单眼视频。另一方面,基于3 d视觉系统传感器的新一代的TOF(飞行时间)和non-TOF(例如,结构光)克服影响被动视觉系统的典型问题,如依赖环境条件(如亮度、阴影和色度和外观表面)和穷人的保护隐私。的确,3 d传感器启用一个新的视觉监控模式基于度量重建场景的处理(即只距离地图。范围的图像),保障人的隐私。范围的使用简化了图像预处理和特征提取步骤,允许使用更少的昂贵计算算法更适合嵌入式pc通常安装在光芒四射的上下文中。便宜的使用(non-TOF) 3 d传感器最近被Mastorakis和Makris 6]在老年人跌倒的检测。然而non-TOF传感器估计距离红外线的变形模式投射在现场,所以其准确性和覆盖范围受到严重限制(3 - 4米的距离4厘米精度)据Khoshelham [ 7]。然而,这样的传感器是专门为人类动作捕捉娱乐/游戏应用程序,然后优化nonoccluded额观看。TOF传感器,采用所谓的激光成像探测和测距(激光雷达)技术,估计距离更可靠、准确地通过测量发射和反射的光之间的延迟,所以他们可以达到更远的距离在一个宽视场(FOV)。混合方法基于不同的传感器也有可能,从异构传感器数据关联(数据融合)补偿假警报,使更可靠的解决方案。秋季多传感器系统检测使用可穿戴式加速度计和三维传感器被描述Grassi et al。 8]。

AAL系统存在其他关键问题互操作性,模块化、硬件独立,观察到Fuxreiter et al。 9];设备和应用程序通常是孤立的或专有的,防止有效的定制和重用导致高开发成本和限制的组合服务,以适应用户的需求。新趋势是解决集成开放中间件在光芒四射的系统中,作为一个灵活的中间层能够适应需求和场景。有关AAL-oriented中间件架构描述了狼et al。 10),谢弗( 11],Coronato et al。 12]。

本文提出一种新颖的基于三维传感器的监测平台AAL服务交付在智能环境中。建议的解决方案是能够处理数据通过不同的3 d传感器和适用于集成在AAL-oriented中间件提供监测在几个AAL功能的应用程序。

平台(架构)是模块化的,分布式的,和开放,通过整合几个探测器节点和协调器节点(图 1)。它的目的是被集成到宽AAL系统通过开放中间件。定义了三个主要的逻辑层:数据处理资源,传感资源和AAL服务管理。数据处理资源层是由两个探测器实现节点(图 1(一))和协调者节点(图 1(b))。此外,探测器节点实现传感资源层。三维传感器网络的分层拓扑如图 2(一)组成的 米探测器节点管理几个3 d为每个传感器节点和一个协调器节点接收从探测器节点高层报告。这两个三维传感器,如图 2(b),嵌入式PC实现协调器和探测器节点,如图 2(c),低功耗,紧凑,无噪声的设备,为了满足典型AAL上下文的要求。

一个探测器节点可以处理重叠(即3 d视图。,frames captured by distinct 3D sensors having at least a few common points) or nonoverlapping ones, whereas 3D views managed by distinct detector nodes must be always nonoverlapped. 3D data streams are fused at level of single detector node, whereas high-level data are fused at both detector and coordinator nodes. The detector nodes are responsible for events involving either single view or overlapping views, using data fusion to resolve occlusions. Instead, the coordinator handles events involving nonoverlapping views (inter-view events) and it is responsible for achieving a global picture of the events (e.g., the detection of a wandering state with a recovered fall in the bedroom and an unrecovered fall in the kitchen). Since AAL systems are typically implemented to assist elderly people living alone, the issue of inter-view people identification has not been addressed (i.e., only one person at a time is assumed present in the home).

协调层包括探测器节点的体系结构管理模块(控制和数据采集)、高级数据融合,视图间事件检测和上下文管理。系统管理器(图 1(c))管理整个AAL系统包括监控平台提出了作为一个功能组件。灵感是开放AAL中间件UniversAAL [ 13),为了实现全球AAL服务的目标。每个上述架构层将在下面详细描述。

不变性特性和识别性能的建议而且特性评估通过现实生成合成姿势所显示贡德人et al。 29日]。姿态数据集很大,约6840个样本,没有semiocclusions,生成在不同的角度(从0°- 180°和45°步骤)和距离(低:2 m,地中海:6米,高:9米)。李建议的四象限法等。 30.]采用模拟semiocclusions类似通常出现在家庭环境中。每个特征的识别率达到详细级别,角度,距离报道在表 1。

水平1和2,体积描述符表现出一个好的识别率,没有semiocclusions平均等于96%(平均接管所有角度和距离),减少到93% semiocclusions的存在。拓扑描述符(水平1和2)表现出一个分类率没有semiocclusions平均等于95%和94%,分别下调至84%和83%,分别与semiocclusions。结果表明,体积描述符是比拓扑semiocclusions更健壮。在三级体积描述符显示一个可接受的分类率平均92%和semiocclusions降级到87%。在这个层次的拓扑描述符给分类平均利率91%和82%的没有和semiocclusions,分别。在四级两个描述符展出的主要差异。事实上,体积描述符实现非常贫穷的分类率,而拓扑描述符能够区分高层姿势实现没有semiocclusions和低距离平均为96%,和89%的距离(10米),减少到83% semiocclusions的存在。而容积分类率几乎是统一的角度和距离,拓扑的一个倾向于减少与通信距离和角度角度90°(侧卧位)的遮挡是最沉重的。

真正的家环境中的事件检测性能是评价涉及十个健康受试者,5雄性,雌性和5,有不同的物理特征:年龄 31日 ± 6 年,身高 173年 ± 20. 厘米,和重量 75年 ± 22 公斤。图 6(一)显示16个样本收集的数据集的3 d帧。典型的公寓如图 6 (b)的位置(从1到11)已执行的操作。实验中使用的传感器网络包括三个传感器节点,S1在卧室里,和S2和S3在客厅里重叠视图。每个传感节点所代表的台面SwissRanger sr - 4000 ( 31日)如图 1(b),最先进的3 d TOF传感器和紧凑的尺寸(65×65×68毫米),无声的功能(0分贝噪音),QCIF分辨率(176×144像素),长距离范围(10米),宽(69°×56°)视场(场)。由于sr - 4000传感器本质上是由制造商校准,校准过程估计只有外在校准参数。3 d传感器由两个逻辑探测器节点:一个用于S1和S2和S3的另一个。两个逻辑探测器和协调实施相同的物理节点是一个英特尔Atom 1.6 GHz处理器的嵌入式PC如图 1(c),四个相关AAL服务被认为是即检测,徘徊检测,ADLs识别,识别和训练演习。为每个服务一个数据集收集并以不同组合的遮挡,距离,角度,报道在表和功能水平 2从2到8列。

最后两列在表 2报告达到检测性能的真阴性率(TNR)和真阳性率(TPR)指标定义如下: (1) TNR = TN TN + 《外交政策》 , TPR = TP TP + FN , TP、TN、FP和FN代表真阳性,真正的负面,假阳性和假阴性。

关于秋天检测场景中,不同的下降(位置2,3,4,5图 6 (b))和nonfall(位置1和11在图 6 (b))操作进行,没有阻碍物体的存在,为了评估性能的歧视。系统能够正确区分下降甚至在semiocclusions, TNR和TPR,分别达到97.5%和83%。因为秋天事件在水平检测器检测到节点(intra-view),模棱两可的情况比如下降的位置不重叠的视图之间(例如,位置在图4 6 (b)引起假阴性。流浪的状态,相反,被发现在协调水平,因为它通常涉及到几个不重叠的观点。一般来说,并不是简单的发现流浪的状态,因为它不仅仅是一个漫无目的的运动。相反,它是一种“有目的的行为由认知受损并迷失方向的个人特点是过度移动”由Ellelt(如上所述 32]。这样的特性的基础上,从ADLs漫游国家歧视TNR和TPR, 92.7%和81.6%。而秋季检测相关特性的细节水平几乎普遍采用的前两个体积表示,在徘徊检测同样水平的第三个特点是参与一个温和的拓扑表示。以下7种活动进行以评估ADLs识别能力:睡觉、起床、吃饭、做饭,家务,坐着看电视,体育锻炼。在这种情况下,所有四个功能水平,尽管第四级别较低的发病率(5%)。ADLs TNR和TPR认出了98.3%和96.4%,分别。观察一个温和的误分类为家务活动因为他们有时被错误地认为是漫游状态。对于训练场景,开发一个虚拟教练指导参与者遵循体育活动计划和执行推荐的正确练习。推荐的体育锻炼有以下几种:肱二头肌卷发,蹲,躯干弯曲,等等。涉及功能水平,对于大多数人来说,过去的两(40%和50%,分别地。),普遍使用的架构特性。 The performed exercises were correctly recognized achieving 99.2% and 95.6% of TNR and TPR, respectively. The detection results reported in Table 2表明,该系统能够选择最适当级别的细节特点几乎在所有场景。最昂贵的步骤是计算预处理,特征提取,姿态分类。他们评估的处理时间常数预处理和分类结果,分别在20 ms和15 ms每帧。体积描述符已经平均处理时间大约20 ms,对应于18帧(帧/秒)。拓扑方法,另一方面,需要稍微增加处理时间之间的层级从平均价值40至44岁女士的女士由于增量发生遮挡,实现13 fps。

与相关研究。不同的研究基于便携式外界设备都被认为是为了比较讨论的结果。所有报告的研究已经进行了通过检测异常行为(例如,瀑布和漫游)在正常的人类活动(例如,ADLs和体育锻炼)在真实或接近于现实条件。研究基于三维传感器尚未报道;从作者的知识,全面的工作异常行为检测中不能找到文学。相关研究的结果被发表在表 3。

工作的主要贡献是一个统一的设计和评估解决方案3 d传感器家庭监测不同的上下文感知AAL服务。模块化平台提出了,就是能把一个大的姿势和检测感兴趣的事件,容纳简单壁挂式传感器安装。嵌入式处理平台进行优化和验证以满足典型AAL家庭需求,如低功率消耗、安静和密实度。实验结果表明,该系统能够有效地适应四个不同的重要的光芒四射的场景利用上下文感知多层次特征提取。相关事件的过程保证了可靠的检测克服知名影响传统的监测系统建立在一个隐私保护的问题。持续的工作关系到球场上的验证系统将部署在老年公寓的支持两个不同的光芒四射的场景有关危险事件的检测和异常行为。