本发明涉及一种基于多特征分析和场景学习的老人摔倒检测方法，加入人体姿态变化、人体中心位置和有效面积比三个判断条件对其进行修正。并实时的学习场景，区别休息区，从而可以检测不同监控场景下的摔倒事件。本发明所提出的算法也对已有的摔倒检测算法中的一些误判情况提供了相应的解决办法。该方法复杂度低、计算量小并且检测率较高。

1.一种基于多特征分析和场景学习的老人摔倒检测方法，其特征在于步骤如下：步骤1：通过摄像头采集图像数据，将当前图像第k帧中坐标为(x,y)的点的像素值Ck(x,y)与背景图像中相应点的像素值Bk(x,y)相减，得到差值图像Dk(x,y)，将差值图像Dk(x,y)与设定的阈值T作比较，得到二值化图像Rk(x,y)：Dk(x,y)＝Ck(x,y)-Bk(x,y),（x=0,...,width-1,y＝0,...height-1)式中x的范围为[0，width-1]，y的范围为[0，height-1]，width及height分别表示图像的宽度和高度；在背景减法中Bk(x,y)采用了背景更新方法：Bk(x,y)＝(1-α)Bk-1(x,y)+αCk(x,y),（x=0,...,width-1,y＝0,...height-1)式中α表示调节更新速率；步骤2：采用数学形态学上的膨胀和腐蚀算子对二值化图像Rk(x,y)进行处理得到图像Ek(x,y)；步骤3：通过对人体高度比、人体中心位置和有效面积比进行判断来检测老人是否摔倒：a）在图像Ek(x,y)中，以最小外接矩形框提取人体的目标，当人体的高宽比大于阈值Th时，确定人体为站立状态；当人体的高宽比小于该阈值Th，计算当前帧的人体高宽比相对于前一帧的人体高宽比的变化比值K：K＝r(n-1)/r(n),(n＝1,2,3...)其中n表示是第几帧，r(n)表示当前帧的人体高宽比，r(n-1)表示前一帧的人体高宽比；当K>1.5时，人体可能发生摔倒，设置姿态变化标志down=1，当人体的高宽比再次大于阈值Th时，将down赋值为0；b）若人体高宽比小于阈值Th并且down=1时，通过Ek(x,y)计算人体的中心位置M(xc,yc)：将当前帧的人体中心位置与其往前第20帧的人体中心位置进行比较：如果两个中心点的距离之差大于距离阈值d，则认为在当前帧人体处于运动状态；如果两个中心点的距离之差小于距离阈值d，则认为在当前帧人体处于静止状态，转入对人体有效面积比的判断；c）计算人体的有效面积比EA-Ratio：其中，S人表示运动人体的面积，而S矩形表示人体最小外接矩形的面积，EA-Ratio的范围为[0,1]；将当前帧的有效面积比与其往前第20帧的有效面积比进行比较，若两者的差值处于[-0.05,0.05]之间，则认为有效面积比不变，人体处于静止状态；若差值在该范围之外，则认为有效面积比变化，人体在不断运动；步骤4：当步骤3检测到老人静止状态时，获取人体的中心位置，将该中心位置与“休息区”作比对，如果该中心位置不在“休息区”，检测为老人摔倒同时相关设备向老人的家人发出报警信息。

2.根据权利要求1所述的一种基于多特征分析和场景学习的老人摔倒检测方法，其特征在于所述的“休息区”记录方法为：当老年人在某一位置静止，超过检测时间，记老年人此时的中心点为S(x,y)，记录该中心点S(x,y)到“可能是休息区”的队列中，其周围某一大小区域也被标记为“可能是休息区”；如果老人在该标记区域静止超过四次，每次的静止时间都超过检测时间，则将S(x,y)记录到“休息区”队列中，其周围某一大小区域也被标记为“休息区”。

3.根据权利要求1所述的一种基于多特征分析和场景学习的老人摔倒检测方法，其特征在于所述的阈值T的取值范围为[40,100]。

4.根据权利要求1所述的一种基于多特征分析和场景学习的老人摔倒检测方法，其特征在于所述的调节更新速率α的取值范围为[0,1]。

5.根据权利要求1所述的一种基于多特征分析和场景学习的老人摔倒检测方法，其特征在于所述的阈值Th的取值范围为[1.5,2]。

6.根据权利要求1所述的一种基于多特征分析和场景学习的老人摔倒检测方法，其特征在于所述的距离阈值d的取值范围为[0,50]。