通过基于3D传感器的平台提供上下文感知AAL服务

抽象的

环境辅助生活解决方案的主要目标是在智能环境中提供辅助技术和服务，让老年人拥有高质量的生活。由于3D传感技术作为一种能够超越传统方法的监测解决方案正在受到越来越多的研究，在本工作中，提出了一种基于3D传感器的无创监测平台，提供了一种适用于多种辅助生活场景的广泛解决方案。探测器节点由低功耗的嵌入式pc管理，以处理3D流并提取与人的活动相关的姿势特征。为了节省带宽和计算资源，细节的特征级别将根据当前上下文进行调整。平台架构被认为是一个适合集成到第三方中间件中的模块化系统，以在几个场景中提供监视功能。通过使用在受控和真实家庭环境中收集的合成和真实数据集，验证了事件检测能力。结果表明，该解决方案能够正确检测到与四个相关AAL服务相关的事件，能够适应不同的应用需求。

1.介绍

在过去的几年里，科学界对智能环境的兴趣增长得非常快，特别是在欧洲环境辅助生活(AAL)计划中，其目标是提高老年人的独立生活和生活质量。AAL系统的设计通常基于智能环境提供的监控基础设施的使用。这些基础设施包括分布式数据处理资源和智能代理协调的ad hoc网络中的异构传感设备，提供信息分析和决策能力。人类活动监测是AAL系统的重要功能，特别是在检测关键情况(如跌倒和异常行为)或作为相关任务执行期间的支持(如日常生活活动和训练/康复练习)。一般来说，人类监控系统是基于可穿戴设备或环境设备。在第一种情况下，终端用户佩戴标记或运动传感器(如MEMS加速度计或陀螺仪)来检测身体运动。最近，Baek等人[1展示了一种嵌入三轴加速度计的项链，能够通过测量上半身到地面的角度来区分从常规ADL（日常生活活动）的陀螺患者。虽然可穿戴技术可能是准确的，并且即使在室外条件下也是合适的，但如果由于设备错误或未佩戴（在浴室或夜间之后），则它们的效率是受限制的，因为如果设备不正确或未磨损al。[2］．另一方面，环境装置通常基于某种视觉系统（单眼或立体声摄像机，红外摄像机，3D传感器等），用于追踪家居家具/设备（地板上的压力传感器）的人员跟踪或传感器/off switches, etc.) inferring the person’s activities. Rimminen et al. [3.已经建议通过使用近场成像（NFI）原理来检测落下的创新楼层传感器。但是，环境传感器通常需要临时设计或重新设计家庭环境。基于视觉的技术是由于收购数据的丰富性和不需要临时重新设计环境的安装可访问性导致的最实惠和最准确的解决方案。Foroughi等人[4.]已经提出了一种被动视觉(单目摄像机)方法来监测人类活动，尤其对跌倒检测问题感兴趣。最近，Edgcomb和Vahid [5.]试图检测到隐私增强的单目视频的堕落。On the other hand, the visions systems based on 3D sensors of new generation of both TOF (Time of Flight) and non-TOF (e.g., structured light) overcome typical issues affecting the passive vision systems such as the dependence on ambient conditions (e.g., brightness, shadows, and chromaticity and appearance of surfaces) and the poor preservation of the privacy. Indeed, 3D sensors enable a new visual monitoring modality based on the metric reconstruction of a scene by processing only distance maps (i.e., range images), guarantying person’s privacy. The use of range images simplifies both preprocessing and feature extraction steps, allowing the use of less computational expensive algorithms more suitable for embedded PCs typically installed in AAL contexts. The usage of cheaper (non-TOF) 3D sensors have been recently described by Mastorakis and Makris [6.用于检测老年人跌倒。然而，非tof传感器估计的距离，从失真的红外光模式投射到现场，因此其准确性和覆盖范围严重受限(距离达3-4米，4厘米精度)，Khoshelham报道[7.］．然而，这种传感器是专门为娱乐/游戏应用中的人体动作捕捉而设计的，然后优化为无遮挡的正面观看。TOF传感器采用所谓的激光成像探测和测距(LIDAR)技术，通过测量发射光和反射光之间的延迟更可靠和准确地估计距离，因此它们可以在更宽的视场(FOV)内达到更远的距离。基于不同类型传感器的混合方法也有可能，其中来自异构传感器的数据是相关的(数据融合)，以补偿误报，使解决方案更可靠。Grassi等人介绍了一种使用可穿戴加速度计和3D传感器的跌倒检测多传感器系统。[8.］．

正如Fuxreiter等人所观察到的，AAL系统提出了关于互操作性、模块化和硬件独立性的其他关键问题。9.];设备和应用程序通常是孤立的或专有的，这阻碍了有效的定制和重用，导致高昂的开发成本，并限制了服务的组合以适应用户的需求。在AAL系统中集成一个开放中间件，作为一个能够适应需求和场景的灵活中间层，这是一个新的趋势。Wolf等人已经描述了相关的面向al的中间件体系结构[10]，schäfer[11]和coronato等人。[12］．

本文介绍了基于3D传感器的新型监控平台，可在智能环境中提供AAL服务。所提出的解决方案能够处理由不同种类的3D传感器获取的数据，并且适合于集成在以AAL导向的中间件中，提供多个AAL应用中的监控功能。

2.材料和方法

通过集成几个检测器节点和一个协调节点，平台(架构)被认为是模块化、分布式和开放的(图)1)．它被设计成通过开放中间件集成到广泛的AAL系统中。定义了三个主要的逻辑层:数据处理资源、感知资源和AAL服务管理。数据处理资源层由两个检测器节点实现(图)1（a））和协调器节点（图1（b））。此外，检测器节点实现感测资源层。3D传感器网络具有分层拓扑结构，如图所示2（a），由...组成m检测器节点为来自检测器节点接收高级报告的每个和一个协调器节点管理多个3D传感器节点。两个3D传感器，如图所示2（b），以及实现协调器和探测器节点的嵌入式PC，如图所示2(c)是低功率、紧凑和无噪声的设备，以满足AAL环境的典型要求。

检测器节点可以处理重叠的3D视图(即由至少有一些共同点的不同3D传感器捕获的帧)或不重叠的视图，而由不同检测器节点管理的3D视图必须总是不重叠的。三维数据流在单个检测器节点级融合，而高级数据在检测器和协调节点级融合。检测器节点负责涉及单个视图或重叠视图的事件，使用数据融合来解决遮挡。相反，协调器处理涉及非重叠视图(视图间事件)的事件，并负责实现事件的全局图(例如，检测游荡状态，在卧室中有恢复的跌倒，在厨房中有未恢复的跌倒)。由于AAL系统通常用于帮助独居的老年人，因此面谈人员识别的问题没有得到解决(即假定每次只有一个人在家)。

协调层包括用于管理检测器节点(控制和数据收集)、高级数据融合、视图间事件检测和上下文管理的体系结构模块。系统管理器(图1（c））管理包括在此工作中呈现的监控平台的整个AAL系统作为功能组件。它激励到开放的AAL中间件大学[13，以实现全球AAL服务的目标。下面将详细描述前面提到的每一个架构层。

２.１.遥感资源

传感节点是连接到每个检测节点的3D传感器。数字3.在壁挂配置中示出了一个传感节点，其外在校准参数（θ.:倾斜角度,β:横摇角,H：相对于地板平面的高度）参考传感器参考系统．图中还显示了世界参考系固定在平面平面上。3D传感器管理模块专门从3D传感器读出数据流（三个笛卡尔矩阵那， 和在坐标）。预处理模块包括外部校准和人们在云中检测的功能。外部校准是完全自动化的（自校准），以简化传感器安装而不需要校准工具和用户干预。自校准程序基于Ransac底板检测，由Gallo等人建议。[14，以估计参考系统的变化来进行特征提取过程。为了在获取的数据中识别出一个人，我们根据前人的研究，采用了一系列众所周知的视觉处理步骤，即背景建模、分割和人跟踪[15］．高斯动态模型的混合，由Stauffer和Grimson提出[16，用于背景建模，因为它能够快速补偿场景中的小变化(例如，椅子的移动和门的开启/关闭)。对于人的检测和分割，定义了一个特定的贝叶斯公式，以便在非常杂乱的场景中过滤掉非人的物体。

Isard和Blake提出的利用条件密度传播超时的多重假设跟踪[17，用于有效地跟踪人，即使是在家庭环境中经常出现的大型半遮挡物体(如桌子和沙发)的情况下。考虑到一次只能有一个人在家中，由重叠的3D视图生成的距离数据通过基于三角的预对齐融合在一起，并采用Won-Seok等人提出的快速迭代最近点。[18］．最后，中间件模块将3D传感器插入到整个系统中，并提供3D数据的语义描述。该模块能够处理不同类型的3D传感器，包括TOF和非TOF，将特定的数据格式转换为系统中所有3D传感器通用的抽象数据格式。

2.2。数据处理资源

定义了两种不同类型的数据处理资源，即检测器和协调器，其中在本节中提供了详细信息。

2.2.1。探测器

探测器数据处理资源包括以下模块：特征提取，人的位置，姿势识别和视图内事件检测。通过使用具有不同细节水平和计算复杂度的两个身体描述符从3D数据中提取特征。通过使用体积描述符来提取粗粒特征，该容积符利用圆柱形坐标表示的3D点的空间分布分别对应于高度、半径和角度位置。旋转不变性是通过选择h-轴与身体的垂直中心轴相关，抑制角度维度θ.．相反，尺度不变性通过参考柱体的尺寸得到归一化，而平移不变性通过将柱体轴放置在物体的质心上得到保证m．因此，三维点被分组成环，正交于并以h-轴同时共享相同的高度和半径(图4.(a))，以高亮显示圆柱参考系统k环及其包含的三维点。对应的体积特征用图中柱状直方图表示4.(b)取每个环的箱值之和。细粒度特征是通过嵌入到三维点云中的身体信息的拓扑表示来实现的。利用Xiao等人提出的离散Reeb图(DRG)对一个通用形状(即通过TOF传感器捕获的人体扫描)的内在拓扑进行图形编码。[19］．为了提取DRG，测地线距离被用作不变莫尔斯函数[20.虽然它不仅是转换，缩放和旋转而且对等距变换不变，但是在姿势变化下的身体部位表示的高精度。通过使用两步过程来计算测地距图。首先，在3D点云上建立连接的网格（图4.（c））通过使用最近邻的规则。然后，假设m起始点(即物体的质心)，之间的测地线距离m通过使用Dijkstra算法的有效实现，将彼此网格节点作为网格上的最短路径计算为[21］．计算的测地图如图所示4.（d）错误颜色代表测距距离。通过在常规级别集合中细分测地图并基于邻接标准来提取DRG，如Diraco等人所述。[22提出了一种处理自我闭塞(即由于身体部位重叠导致的其他部位)的方法。基于drg的特性如图所示4.（e）并由包括DRG节点的拓扑描述符表示和相关角度．该人的立场是根据世界参考系统的3D坐标定义的在单个(非重叠)视图时，与3D传感器关联。

在重叠视图的情况下，通过三角测量估计3D位置（即，考虑到它们中的人的至少两个传感器视图和相对位置）并假设重叠视图之一作为参考视图。在活动监测和相关领域，身体姿势被认为是一个关键因素，因为典型的人类行为可以在很少有相关的关键姿势中分解，因为彼此显着不同，并且适合代表和推断活动和行为，如布伦德尔所指出的和todorovic [23Cucchiara等人[24),分别。为了尽可能广泛地涵盖AAL的应用，我们将主要姿态分为四个层次，并对其进行了详细的定义，如下所述。图中总结了考虑的水平5（a）．在第一级，提取四个基本姿势，静态（ST），弯曲（BE），坐姿（SI）和躺下（LY）。在第二级，考虑到楼层平面的人的质心高度，以便歧视例如从“躺在地板上”的“躺在床上”。第三级考虑了身体躯干的方向。第四个和最终级别描述了身体的四肢配置，提供了19个姿势的总量。每种姿势的样品TOF框架如图所示5（b）．鉴于如前所述提取的粗致细特征，基于Debnath等人描述的单反相反的一个策略，SVM（支持向量机）的多标和制定。[25用于姿势分类。由于使用径向基函数(RBF)核已经得到了有趣的结果[26，关键核参数(正则化常数和内核参数）根据全球网格搜索策略进行调整。

此外，检测器节点负责检测与非重叠视图和重叠视图相关的事件(例如完全发生在同一检测区域的跌倒或活动)。一般来说，人类的动作是通过考虑一段时间内连续的姿势来识别的。当某人将当前动作更改为另一个动作时，就会发生转换动作。因此，一个转换动作可能包括几个转换姿势。这种转移姿态通过使用向后搜索策略在检测器节点级识别，而转移动作由协调器识别。从当前的3D帧开始，之前的检查框架是否参考类似姿势。在这种情况下，识别出转换动作，否则向后搜索策略继续另一个3D帧。公认的转换姿势被发送到负责事件检测的协调员，以非传递的视图检测。如果过渡姿势产生有意义的事件（例如，跌倒）它也被发送到协调员。最后，通过中间件模块作为数据处理资源插入检测器数据处理，能够处理来自3D传感器资源的数据并与协调器通信。

2.2.2。协调器

协调器数据处理资源包括检测节点管理、数据融合、视点间事件检测、上下文管理等功能模块。协调器收集的关于检测器节点的信息包括节点在家中的位置(例如，客厅和卧室)和节点视图的邻接关系(例如，是否可以直接访问两个不重叠的视图，或者是否可以通过第三个视图访问它们)。此外，在当前应用程序上下文的基础上，检测器节点根据最适当的细节级别和感兴趣的事件进行配置。探测器的位置和时间戳将探测器采集到的数据报告融合在一起。通过使用与前面小节中描述的类似的向后搜索策略检测面试事件，但是识别转换动作而不是转换姿势。转换动作被合并在一起，形成单个原子动作，而全局事件则通过使用专门为每个应用场景设计的动态贝叶斯网络(dbn)来识别，该方法与Park和Kautz提出的方法类似[27］．设计的dbn具有层次结构，包括活动、交互和传感器三个节点层。活动层位于层次结构的顶端，并包含用于建模高级活动(如adl、行为等)的隐藏节点。交互层也是一个隐藏层，它致力于模拟家庭内部交互的证据状态(例如，电器和家具的位置，以及人的位置)。传感器层位于层次的底部，从探测器传感器(位置和姿势)收集数据。因此，每个DBN被分解到多个隐马尔可夫模型(hmm)中，包括交互层和传感器层，并根据Jensen和Nielsen所描述的Viterbi算法进行训练[28］．

2.3。系统经理

系统管理者指的是整个AAL系统管理，通过定义和执行对感兴趣的情况作出反应的程序和工作流。虽然这些情况由负责协调器的上下文管理器确定，但系统管理器通过过程管理器根据系统需要作出反应(例如，发送警报消息)来处理工作流。此外，过程管理器以抽象的方式概述服务目标，而编写器负责组合可用的AAL服务来实现这些目标。

3。结果与讨论

根据Gond等人的建议，使用真实的合成姿态来评估所建议的粗细特征的不变性和识别性能。[29］．在不同的角度下产生约6840个样品的大约6840个样品的大型姿势数据集（在45°阶段为0°至180°）和距离（低：2米，MED：6米，高：9米）。李等人建议的4象限技术。[30.]来模拟类似于家庭环境中通常存在的半遮挡。每个特征级别、角度和距离的具体识别率报告在表中1．

在第1和2级，体积描述符表现出良好的识别率，没有半瘢痕平均值等于96％（在所有角度和距离上采取的平均值），在半过型存在下降至93％。拓扑描述符（水平1和2）在没有半闭塞的情况下表现出分别等于95％和94％，分别与半循环分别降低至84％和83％。结果表明，体积描述符比拓扑结构更强大。在第3级，体积描述符平均显示可接受的分类率，平均92％用半闭塞降低至87％。在这个级别，拓扑描述符分别给出了91％和82％的平均分类率，分别没有和半过滤。在4级，这两个描述符表现出主要的差异。实际上，体积描述符实现了非常差的分类速率，而拓扑描述符能够区分良好的高级姿势在没有半闭塞的情况下实现良好的高级姿势，并且在低距离处平均为96％，并且在所有距离处为89％（高达10米）），在半闭塞的存在下减少到83％。虽然体积分类速率在角度和距离上几乎均匀，但是拓扑倾向于随距离的距离和对应于90°（横向位置）的观点角度来减小，自咬合最重。

事件检测性能通过涉及十个健康的科目，5名男性和5名女性，具有不同的物理特征：年龄年,身高 cm, and weight kg. Figure6（a）显示收集的数据集的16个样本3D帧。典型的公寓如图所示6 (b)使用操作执行的位置(从1到11)。实验中使用的传感器网络包括三个传感器节点，S1在卧室，S2和S3在客厅，视野重叠。每个传感节点由MESA SwissRanger SR-4000表示[31]如图所示1（b），即，最先进的TOF 3D传感器，具有紧凑的尺寸（65×65×68mm），无噪声功能（0 dB噪声），QCIF分辨率（176×144像素），长距离范围（最多10米），宽（69°×56°）FOV（视野）。由于SR-4000传感器由制造商本身校准，因此校准程序必须仅估计外部校准参数。3D传感器由两个逻辑检测器节点管理：一个用于S1的一个，另一个用于S2和S3。两个逻辑检测器和协调器被实施到与图中所示的基于英特尔Atom 1.6 GHz处理器的嵌入式PC相同的物理节点1(c)考虑了四项相关的人工智能服务，即跌倒检测、徘徊检测、人工智能识别和训练练习识别。为每个服务收集一个数据集，并根据遮挡、距离、角度和特征级别的不同组合进行特征描述，如表中所示2从2列到8列。

表中的最后两列2根据真正的负率（TNR）和真正的阳性率（TPR）措施报告所取得的检测性能，如下所示： 其中TP，TN，FP和FN分别代表真正的正，真正的负，假阳性和假阴性。

关于跌倒检测场景，不同的跌倒（图2,3,4和图中的位置）6 (b))和非落(图中的位置1和116 (b)）在没有闭塞物体的情况下进行操作，以便评估歧视性能。甚至在半闭塞存在下，该系统能够分别在半闭塞的情况下正确落下，分别达到97.5％和83％的TNR和TPR。由于在检测器节点（视图内）的水平下检测到秋季事件，诸如跌倒在非传递视图之间（例如，图中的位置4之间的情况下的模糊情况6 (b))导致了“假阴性”。相反，游动状态是在协调器级别检测到的，因为它通常涉及几个不重叠的视图。一般来说，检测一种漫游状态并不简单，因为它不仅仅是一种漫无目的的运动。相反，正如Ellelt所说，这是“由认知受损和迷失方向的人发起的一种有目的的行为，其特征是过度走动”[32］．在此基础上，流浪状态的TNR和TPR分别为92.7%和81.6%。在跌落检测中，所涉及的特征细节级别几乎都是前两个普遍采用体积表示的特征，而在徘徊检测中，第三个特征级别也涉及适度的拓扑表示。本研究采用睡眠、起床、吃饭、做饭、家务、坐着看电视和体育锻炼等7种活动来评估adl识别能力。在本例中，虽然第四个特征级别的发生率较低(5%)，但所有四个特征级别都涉及。TNR和TPR分别为98.3%和96.4%。在家政活动中观察到中度错误分类，因为它们偶尔被错误地认为是游荡状态。对于训练练习场景，开发了一个虚拟教练，指导参与者遵循一个身体活动计划，并正确地执行推荐的练习。推荐的体育锻炼有以下几种:肱二头肌弯曲、下蹲、躯干弯曲等。涉及的特性级别，对于大多数来说，是后两个(分别为40%和50%)，普遍使用基于拓扑的特性。 The performed exercises were correctly recognized achieving 99.2% and 95.6% of TNR and TPR, respectively. The detection results reported in Table2表明系统能够在所有场景中选择最合适的功能详细信息。最具计算昂贵的步骤是预处理，特征提取和姿势分类。它们在处理时间恒定的处理时间来评估，用于预处理和分类，分别在每帧20毫秒和15 ms中。体积描述符已经占用约20ms的平均处理时间，对应于约18个fps（每秒帧）。另一方面，拓扑方法需要在分层水平之间从平均值略微增加，由于自闭锁的增量发生，从平均值为44 ms到44 ms之间的分层级别。

与相关研究的比较．为了比较讨论的结果，我们考虑了基于可穿戴设备和环境设备的不同研究。所有报道的研究都是通过在真实或接近真实的条件下检测正常人类活动(如ADLs和体育锻炼)中的异常行为(如跌倒和游荡)进行的。基于三维传感器的研究尚未见报道;据笔者所知，在文献中没有关于异常行为检测的综合性著作。相关研究结果见表3.．

4.结论

该工作的主要贡献是设计和评估对不同上下文感知AAL服务的基于3D传感器的内部监控统一解决方案。已经提出了模块化平台，可以对大量姿势进行分类并检测感兴趣的事件，适应简单的壁挂式传感器安装。该平台进行了优化和验证，以满足典型的AAL家庭需求，例如低功耗，无噪声和紧凑性。实验结果表明，该系统能够有效地适应四种不同重要的AAL场景，利用上下文感知的多级特征提取。该过程保证了可靠地检测相关事件，克服了影响基于传统视觉监测系统的知名问题，以隐私保存方式。正在进行的工作涉及系统的现场验证，该系统将在老年公寓中部署，以支持有关检测危险事件和异常行为的两种不同的AAL情景。

承认

本工作已在由意大利教育部，大学和研究（Miur）资助的Baitah项目中进行。

参考

1. W.S.Baek，D. M.Kim，F.Bashir和J. Y.Pyun，“基于无线体积网络的现实生活适用的秋季检测系统”IEEE消费者通信和网络会议的诉讼程序（CCNC '13），pp。62-67,2013。查看在：出版商的网站|谷歌学者
2. B. J. A. Kröse, T. J. M. Oosterhout，和T. L. M. Kasteren，“卫生保健中的活动监测系统”人类行为的计算机分析，A. A. Salah和T. GEVERS，EDS。，PP。325-346，Springer，伦敦，英国，2011年。查看在：谷歌学者
3. H. riminen, J. Lindström, M. Linnavuo，和R. Sepponen，“利用近电场的地板传感器检测老年人摔倒”，IEEE生物医学信息技术汇刊第14卷第2期6, pp. 1475-1476, 2010。查看在：出版商的网站|谷歌学者
4. H. Foroughi, B. S. Aski，和H. Pourreza，“用于监测家庭环境中老年人跌倒检测的智能视频监控”，在第11届计算机与信息技术会议的诉讼程序（ICCIT '08），第219.224号，孟加拉国肯纳，2008年12月。查看在：出版商的网站|谷歌学者
5. A. EDGCOMB和F. Vahid，“自动崩溃对隐私增强型视频的检测”IEEE医学与生物学工程学会第34届国际年会论文集(EMBC’12)，pp.252-255，圣地亚哥，加利福尼亚州，美国，2012年。查看在：谷歌学者
6. G. Mastorakis和D. Makris，“使用Kinect红外传感器的秋季检测系统”实时图像处理杂志，2012年。查看在：出版商的网站|谷歌学者
7. K.Hhoshelham，“Kinect深度数据的准确性分析”激光扫描isprs研讨会的诉讼程序，卡尔加里，加拿大，2011年8月。查看在：谷歌学者
8. M. Grassi, A. Lombardi, G. Rescio等人，“基于3D ToF相机和无线加速计的数据融合功能的跌倒检测集成系统”第九届IEEE传感器会议论文集(sensor’10)，pp.1016-1019，威卡罗，夏威夷，2010年11月。查看在：出版商的网站|谷歌学者
9. T.Fuxreiter，C. Mayer，S. Hanke，M.Gira，M. Sili和J. Kropf，“智能家园中的活动识别的模块化平台”第12届IEEE电子医疗网络、应用和服务国际会议论文集(Healthcom’10)，2010年7月。查看在：出版商的网站|谷歌学者
10. P. Wolf，A. Schmidt，J.Carada Otte等，“OpenAal-环境辅助生活（AAL）的开源中间件，”安大卢式会议的诉讼程序，马拉加，西班牙，2010年。查看在：谷歌学者
11. J. Schäfer，“自组织分布式环境辅助生活应用的中间件”Workshepop Selbstorganisierende，Adaptive，KontextSistive Verteilte Systeme的诉讼程序（SAKS '10）, 2010年。查看在：谷歌学者
12. A. Coronato，G. de Pietro和G. Sannino，“普遍存器监测老年人和智能环境中的人民的中间件服务”第七届新一代信息技术国际会议论文集(ITNG’10)，页810-815，拉斯维加斯，内华达州，美国。, 2010年4月。查看在：出版商的网站|谷歌学者
13. UniversAAL项目2012个,http://www.universaal.org/．
14. O. Gallo, R. Manduchi，和A. Rafii，“CC-RANSAC:在距离数据中存在多个表面的拟合飞机”，模式识别的字母，第32卷，第2期3，第403-410页，2011。查看在：出版商的网站|谷歌学者
15. a . Leone, G. Diraco，和P. Siciliano，“在环境辅助生活应用中使用3D距离相机检测跌倒:一项初步研究，”医学工程与物理学，卷。33，不。6，PP。770-781，2011。查看在：出版商的网站|谷歌学者
16. C. Stauffer和W.E.L. Grimson，“实时跟踪的自适应背景混合模型”1999年IEEE计算机愿景和模式识别会议1999年的诉讼程序（CVPR '99），PP。1999年6月246-252。查看在：谷歌学者
17. M. isard和A. Blake，“视觉跟踪的凝结条件密度传播”，国际计算机愿景，第29卷，第2期1，第5-28页，1998。查看在：谷歌学者
18. C. Won-Seok，K. yang-shin，O. Se-Young，以及L. Jeihun，“3D LIDAR数据中的快速迭代最接近点框架，在智能车辆中”IEEE智能汽车研讨会论文集(IV’12)， pp. 1029-1034, 2012。查看在：谷歌学者
19. Y. Xiao，P. Siebert和N.Werghi，“基于测地距的各种姿势的离散人体形状的拓扑分割，”第十七届国际模式识别会议论文集(ICPR '04)，pp.131-135，2004年8月。查看在：谷歌学者
20. S. Balocht, H. Krim, I. Kogan，和D. Zenkov，“使用莫尔斯理论的二维和三维物体的旋转不变拓扑编码”，在2005年IEEE国际图像处理国际会议的诉讼程序（ICIP '05），页796-799,2005年9月。查看在：出版商的网站|谷歌学者
21. A. Verroust和F. Lazarus，《从三维分散数据中提取骨骼曲线》，计算机视觉，卷。16，不。1，pp。15-25,2000。查看在：谷歌学者
22. G. Diraco, a . Leone，和P. Siciliano，“通过使用单个3D TOF相机进行基于测地的人体姿势分析”IEEE工业电子国际国际研讨会的诉讼程序（ISIE'11）， pp. 1329-1334, 2011。查看在：谷歌学者
23. W.Brendel和S. Todorovic，“活动作为人类姿势的时间序列”，计算机科学课堂讲稿，第6312卷，第6312号2，页721-734,2010。查看在：出版商的网站|谷歌学者
24. R. Cucchiara, C. Grana, A. Prati，和R. Vezzani，《人类行为分析的概率姿势分类》，IEEE在系统，人和控制论上的交易，部分第35期1，页42-54,2005。查看在：出版商的网站|谷歌学者
25. R. Debnath, N. Takahide, H. Takahashi，“基于一对一方法的多类支持向量机决策”，模式分析与应用，第7卷，第5期2，页164 - 175,2004。查看在：谷歌学者
26. F. Buccolieri, C. distance, and A. Leone，“利用活动轮廓和径向基函数神经网络的人体姿势识别”，发表于高级视频和基于信号监视的IEEE会议的诉讼程序（AVSS '05），pp。2005年9月213-218。查看在：出版商的网站|谷歌学者
27. S. Park和H. Kautz，“隐私保留在多视图剪影和基于RFID培训中的日常生活中的活动的认可”AAAI秋季研讨会论文集，pp.70-77，阿灵顿，VA，2008年11月。查看在：谷歌学者
28. F. V.Jensen和T.D.Nielsen，“贝叶斯网络和决策图”信息科学与统计， M. Jordan, J. Kleinberg和B. Schölkopf, Eds。那Springer Science Business Media, New York, NY USA, 2007.查看在：谷歌学者
29. L. Gond, P. Sayd, T. Chateau，和M. Dhome，“一种基于回归的方法从体素数据恢复人体姿势”，在IEEE第12届国际计算机视觉研讨会论文集(ICCV workshop’09)，pp。1012-1019，2009年10月。查看在：出版商的网站|谷歌学者
30. 李伟，张泽，刘泽，《基于3D点袋的动作识别》IEEE计算机学会计算机视觉与模式识别研讨会论文集(CVPRW’10)，pp。2010年6月9日至14日。查看在：出版商的网站|谷歌学者
31. MESA Imaging AG，”SR4000 Data Sheet Rev.5.1。, 2011,http://www.mesa -imaging.ch.．查看在：谷歌学者
32. A. Ellelt，“保持痴呆症居民安全，”辅助生活咨询，第3卷，第2期。5，页19-41,2007。查看在：谷歌学者

版权

版权所有©2013 Alessandro Leone等人。这是一篇发布在创意公共归因许可证，允许在任何媒介上不受限制地使用、传播和复制，但必须正确引用原作。