CN110738154A - 一种基于人体姿态估计的行人摔倒检测方法 - Google Patents
一种基于人体姿态估计的行人摔倒检测方法 Download PDFInfo
- Publication number
- CN110738154A CN110738154A CN201910948618.3A CN201910948618A CN110738154A CN 110738154 A CN110738154 A CN 110738154A CN 201910948618 A CN201910948618 A CN 201910948618A CN 110738154 A CN110738154 A CN 110738154A
- Authority
- CN
- China
- Prior art keywords
- pedestrian
- human body
- hard
- detection method
- method based
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 22
- 238000013528 artificial neural network Methods 0.000 claims abstract description 9
- 238000000034 method Methods 0.000 claims description 12
- 238000012549 training Methods 0.000 claims description 10
- 210000003423 ankle Anatomy 0.000 claims description 6
- 244000309466 calf Species 0.000 claims description 6
- 210000000689 upper leg Anatomy 0.000 claims description 6
- HPTJABJPZMULFH-UHFFFAOYSA-N 12-[(Cyclohexylcarbamoyl)amino]dodecanoic acid Chemical compound OC(=O)CCCCCCCCCCCNC(=O)NC1CCCCC1 HPTJABJPZMULFH-UHFFFAOYSA-N 0.000 claims description 5
- 238000012545 processing Methods 0.000 claims description 5
- 210000001015 abdomen Anatomy 0.000 claims description 3
- 238000005452 bending Methods 0.000 claims 1
- 238000000354 decomposition reaction Methods 0.000 claims 1
- 238000012544 monitoring process Methods 0.000 description 8
- 230000036544 posture Effects 0.000 description 6
- 230000008859 change Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000001133 acceleration Effects 0.000 description 2
- 238000005034 decoration Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 210000003414 extremity Anatomy 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 210000000323 shoulder joint Anatomy 0.000 description 1
- 239000013598 vector Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/20—Movements or behaviour, e.g. gesture recognition
- G06V40/23—Recognition of whole body movements, e.g. for sport training
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Psychiatry (AREA)
- Social Psychology (AREA)
- Human Computer Interaction (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于姿态估计的行人摔倒检测方法,该方法包括:(1)从网络摄像头获取RTSP流并利用GPU硬解成视频帧图像;(2)利用openpose框架进行人体关节点检测,得到行人身体的18个关节点;(3)利用跟踪算法跟踪人体目标,获取同一个人体目标连续多帧的关节点坐标信息;(4)将连续多个关节点坐标信息数据输入到训练后的LSTM神经网络,得到分类结果,判断行人是否摔倒。本发明对于各种角度和场景的监控视频实现高准确率的摔倒检测,具有很高的实际应用价值,准确率高,误报率低,且本发明基于监控摄像头的视频流数据,安装方便且不影响监控环境。
Description
技术领域
本发明涉及深度计算机视觉及智能监控领域,具体涉及一种基于人体姿态估计的行人摔倒检测方法。
背景技术
在智能视频监控技术领域中,对于行人摔倒的检测是本领域技术人员关注的难点问题。在监控场景中,及时发现行人的摔倒并提醒相关工作人员处理能够有效减轻行人的意外摔倒带来的后果,也能够提高相关场所,如商场、地铁,中的服务质量,更好地保护行人的出行安全,最大程度地降低突发事件所带来的危害。
目前,行人摔倒的方法主要有以下几种:
(1)基于辅助装置的摔倒检测:通过对可穿戴设备内置的加速度传感器、陀螺仪等电子设备的传感信号进行实时检测,通过信号的变化趋势判断穿戴者是否摔倒。此类方法要求配备可穿戴设备,适用于家用陪护场景,无法用于大范围监控场景下的突发摔倒事件检测。
(2)基于Kinect深度图像的人体摔倒检测方法:分析Kinect摄像头拍摄的视频的每一帧深度图像,确定当前深度图像中的人体的骨骼中心点、肩关节中心点和腰部中心点,通过关键节点的变化特征来判断摔倒行为。这种检测方法依赖于Kinect深度摄像头,应用场景受限,不适用于监控场景。
(3)基于视频分析技术的人体摔倒检测方法:通过图像处理和分割,对人体目标进行检测,同时通过神经网络或者机器学习的方法检测人体关节点,然后预设一定的规则,当关节点变化符合设定的规则时,判断为摔倒。这种图像分割方式的人体关节点检测不够准确,同时摔倒规则大部分依据经验得出,无法适应各种角度的监控摄像头下的摔倒现象,场景适应能力较弱。
发明内容
发明目的:为了克服现有技术的不足,本发明提供一种基于人体姿态估计的行人摔倒检测方法,该方法可以解决现有技术方案中的摔倒检测准确率低的问题。
技术方案:本发明所述的基于姿态估计的行人摔倒检测方法,该方法包括:
(1)从网络摄像头获取RTSP流并利用GPU硬解成视频帧图像;
(2)利用openpose框架进行人体关节点检测,得到行人身体的18个关节点;
(3)利用跟踪算法跟踪人体目标,获取同一个人体目标连续多帧的关节点坐标信息;
(4)将连续多个关节点坐标信息数据输入到训练后的LSTM神经网络,得到分类结果,判断行人是否摔倒。
进一步地,包括:
所述步骤(1)中,利用GPU硬解成视频帧图像具体包括:
(11)初始化CUVID硬解模块,使用FFmpeg读取RTSP数据;
(12)将所述RTSP数据发送给GPU硬解模块,判断是否硬解成功,
(13)若硬解成功,则使用CUDA框架将YUV图像格式转化为RGB格式,并调整图像分辨率,得到硬解后的图象帧
(14)若硬解不成功,则返回到步骤(11)。
进一步地,包括:
所述步骤(2)中,18个关节点包括头部、左肩部、右肩部、左下手臂、右下手臂、左上手臂、右上手臂、胸部、腰部、腹部、左大腿、右大腿、左小腿、右小腿、左脚踝、右脚踝、左脚掌和右脚掌。
进一步地,包括:
所述步骤(3)中,所述跟踪算法采用openpose中的关节图关联法。
进一步地,包括:
所述步骤(4)中,所述训练后的LSTM神经网络的训练样本包括负样本和正样本,所述正样本为摔倒,所述负样本为正常行走、下蹲、弯腰和平躺,所述摔倒样本的采集包括对同一个目标ID,设定一定视频帧率,每N帧保存一次关节点信息,采集一定时间内的各个关节点信息。
有益效果:与现有技术相比,本发明对于各种角度和场景的监控视频实现高准确率的摔倒检测,具有很高的实际应用价值,准确率高,误报率低,且本发明基于监控摄像头的视频流数据,安装方便且不影响监控环境。
附图说明
图1是本发明的流程示意图;
图2是本发明所述的视频硬解流程图;
图3是LSTM模型训练过程示意图。
具体实施方式
图1为行人摔倒检测方法的基本流程,本实例中基于姿态估计的行人摔倒检测方法,首先读取RTSP视频流使用GPU解码,得到视频帧图像,然后使用openpose进行人体目标关节点检测,持续追踪人体目标,提取20帧图像中人体的关节点信息,将20组关节点信息作为一组数据输入LSTM神经网络进行预测,得到分类结果。具体流程如下:
步骤1:从网络摄像头获取RTSP流并采用GPU硬解成视频帧图像。
从网络摄像头获取RTSP流,将其解析成可用的视频帧图像,传统方法采用CPU软件,为了减轻CPU的压力,本发明通过CUDA框架利用GPU硬解,能够有效降低CPU 压力,同时支持解码更多路数的视频流。
CUDA,Compute Unified Device Architecture的简称,是由NVIDIA公司创立的基于他们公司生产的图形处理器GPUs(Graphics Processing Units,可以通俗的理解为显卡) 的一个并行计算平台和编程模型.
如图2所示,利用GPU硬解成视频帧图像具体包括:
(11)初始化CUVID硬解模块,使用FFmpeg读取RTSP数据;
(12)将所述RTSP数据发送给GPU硬解模块,判断是否硬解成功,
(13)若硬解成功,则使用CUDA框架将YUV图像格式转化为RGB格式,并调整图像分辨率,得到硬解后的图象帧
(14)若硬解不成功,则返回到步骤(11)。
步骤2:利用openpose框架进行人体关节点检测,得到行人身体的关节点。
所用的深度框架采用caffe,采用基于开源软件openpose开发的人体姿态识别模块对人体目标的多个关节点进行检测,输入为图像,输出为图中行人的关节点坐标信息,包括x和 y两个轴的坐标值,一个目标可得到一组共计18个关节点坐标值,一组关节点坐标信息为: (x0,y0)(x1,y1)(x2,y2)(x3,y3)(x4,y4)(x5,y5)(x6,y6)(x7,y7)(x8,y8)(x9,y9)(x10,y10)(x1,y11)(x12,y12)(x13,y13)(x14, y14)(x15,y16)(x17,y17)。
采用开源的openpose框架对人体目标的头部、左肩部、右肩部、左下手臂、右下手臂、左上手臂、右上手臂、胸部、腰部、腹部、左大腿、右大腿、左小腿、右小腿、左脚踝、右脚踝、左脚掌和右脚掌等部位共计18个躯干关节点进行检测。
步骤3:利用openpose中的关联算法跟踪人体目标,获取同一个人体目标连续多帧的关节点数据。
利用openpose中的关节图关联法,计算部分区域亲和PAF(Part AffinityFields),在图像域编码着四肢位置和方向的2D矢量。同时,使用CMP(Part DetectionConfidence Maps)标记每一个关键点的置信度。通过这两个分支,联合学习关键点位置和他们之间的联系。同时推断这些自下而上的检测和关联的方式,利用贪婪分析算法(Greedyparsing Algorithm),对每个人的关节点进行关联和追踪。由此可以获取同一个ID的人体的连续多帧的关键点信息,用于后续观测关节点变化情况。
步骤4:将连续多个关节点数据输入LSTM神经网络,得到分类结果。
如图3所示,训练样本包括各种角度和监控场景下的弯腰、下蹲、正常行走、摔倒等姿态的视频数据,训练的二分类网络输出的预测值为0和1,0代表正常,1代表摔倒,训练工具采用tensorflow,收集正负训练样本,构造LSTM神经网络模型,模型结构为输入层、LSTM层、全连接层。其中LSTM层的节点数量设置为128,损失函数采用交叉熵,优化算法采用Adam,训练过程中使用英伟达RTX2080Ti显卡进行加速,当训练的loss不再下降且训练结果不再优化时,保存训练好的模型文件,训练结束。
摔倒样本的采集包括对同一个目标ID,设定一定视频帧率,每N帧保存一次关节点信息,采集一定时间内的各个关节点信息。
在本发明的具体实施例中,对于同一个目标ID,由于人体摔倒一般在1-2秒,视频帧率为25,每5帧保存一次关节点信息,一秒钟可取5组关节点信息,当保存的关节点信息达到20组时,输入到LSTM神经网络中,得到预测结果,0代表正常,1代表摔倒。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明实质内容上所作的任何修改、等同替换和简单改进等,均应包含在本发明的保护范围之内。
本发明说明书中未作详细描述的内容属于本领域专业技术人员公知的现有技术。
所有上述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视作本发明的保护范围。
Claims (5)
1.一种基于姿态估计的行人摔倒检测方法,其特征在于,该方法包括:
(1)从网络摄像头获取RTSP流并利用GPU硬解成视频帧图像;
(2)利用openpose框架进行人体关节点检测,得到行人身体的18个关节点;
(3)利用跟踪算法跟踪人体目标,获取同一个人体目标连续多帧的关节点坐标信息;
(4)将连续多个关节点坐标信息数据输入到训练后的LSTM神经网络,得到分类结果,判断行人是否摔倒。
2.根据权利要求1所述的基于姿态估计的行人摔倒检测方法,其特征在于,所述步骤(1)中,利用GPU硬解成视频帧图像具体包括:
(11)初始化CUVID硬解模块,使用FFmpeg读取RTSP数据;
(12)将所述RTSP数据发送给GPU硬解模块,判断是否硬解成功,
(13)若硬解成功,则使用CUDA框架将YUV图像格式转化为RGB格式,并调整图像分辨率,得到硬解后的图象帧
(14)若硬解不成功,则返回到步骤(11)。
3.根据权利要求1所述的基于姿态估计的行人摔倒检测方法,其特征在于,所述步骤(2)中,18个关节点包括头部、左肩部、右肩部、左下手臂、右下手臂、左上手臂、右上手臂、胸部、腰部、腹部、左大腿、右大腿、左小腿、右小腿、左脚踝、右脚踝、左脚掌和右脚掌。
4.根据权利要求1所述的基于姿态估计的行人摔倒检测方法,其特征在于,所述步骤(3)中,所述跟踪算法采用openpose中的关节图关联法。
5.根据权利要求1所述的基于姿态估计的行人摔倒检测方法,其特征在于,所述步骤(4)中,所述训练后的LSTM神经网络的训练样本包括负样本和正样本,所述正样本为摔倒,所述负样本为正常行走、下蹲、弯腰和平躺,所述摔倒样本的采集包括对同一个目标ID,设定一定视频帧率,每N帧保存一次关节点信息,采集一定时间内的各个关节点信息。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910948618.3A CN110738154A (zh) | 2019-10-08 | 2019-10-08 | 一种基于人体姿态估计的行人摔倒检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910948618.3A CN110738154A (zh) | 2019-10-08 | 2019-10-08 | 一种基于人体姿态估计的行人摔倒检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110738154A true CN110738154A (zh) | 2020-01-31 |
Family
ID=69268514
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910948618.3A Pending CN110738154A (zh) | 2019-10-08 | 2019-10-08 | 一种基于人体姿态估计的行人摔倒检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110738154A (zh) |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111582158A (zh) * | 2020-05-07 | 2020-08-25 | 济南浪潮高新科技投资发展有限公司 | 一种基于人体姿态估计的摔倒检测方法 |
CN111738075A (zh) * | 2020-05-18 | 2020-10-02 | 深圳奥比中光科技有限公司 | 一种基于行人检测的关节点跟踪方法及*** |
CN111783702A (zh) * | 2020-07-20 | 2020-10-16 | 杭州叙简科技股份有限公司 | 一种基于图像增强算法和人体关键点定位的高效行人摔倒检测方法 |
CN112131985A (zh) * | 2020-09-11 | 2020-12-25 | 同济人工智能研究院(苏州)有限公司 | 一种基于OpenPose改进的实时轻量人体姿态估计方法 |
CN112180359A (zh) * | 2020-11-03 | 2021-01-05 | 常州百芝龙智慧科技有限公司 | 一种基于fmcw的人体摔倒的检测方法 |
CN112329527A (zh) * | 2020-09-29 | 2021-02-05 | 深圳大学 | 一种姿态估计方法、装置、电子设备及存储介质 |
CN112464898A (zh) * | 2020-12-15 | 2021-03-09 | 北京市商汤科技开发有限公司 | 事件检测方法及装置、电子设备和存储介质 |
CN112545496A (zh) * | 2020-11-09 | 2021-03-26 | 金茂智慧科技(广州)有限公司 | 一种探测人体摔倒的无线技术识别方法 |
CN112906548A (zh) * | 2021-02-07 | 2021-06-04 | 广东省科学院智能制造研究所 | 一种基于边缘计算的跌倒检测方法及*** |
CN113221924A (zh) * | 2021-06-02 | 2021-08-06 | 福州大学 | 一种基于OpenPose的人像拍摄***及方法 |
WO2023082882A1 (zh) * | 2021-11-15 | 2023-05-19 | 河南理工大学 | 一种基于姿态估计的行人摔倒动作识别方法及设备 |
GB2616733A (en) * | 2021-11-15 | 2023-09-20 | Univ Henan Polytechnic | Pose estimation-based pedestrian fall action recognition method and device |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108960056A (zh) * | 2018-05-30 | 2018-12-07 | 西南交通大学 | 一种基于姿态分析和支持向量数据描述的跌倒检测方法 |
CN109274973A (zh) * | 2018-09-26 | 2019-01-25 | 江苏航天大为科技股份有限公司 | 嵌入式arm平台上的快速视频解码方法 |
CN109389041A (zh) * | 2018-09-07 | 2019-02-26 | 南京航空航天大学 | 一种基于关节点特征的跌倒检测方法 |
CN110287825A (zh) * | 2019-06-11 | 2019-09-27 | 沈阳航空航天大学 | 一种基于关键骨骼点轨迹分析的摔倒动作检测方法 |
-
2019
- 2019-10-08 CN CN201910948618.3A patent/CN110738154A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108960056A (zh) * | 2018-05-30 | 2018-12-07 | 西南交通大学 | 一种基于姿态分析和支持向量数据描述的跌倒检测方法 |
CN109389041A (zh) * | 2018-09-07 | 2019-02-26 | 南京航空航天大学 | 一种基于关节点特征的跌倒检测方法 |
CN109274973A (zh) * | 2018-09-26 | 2019-01-25 | 江苏航天大为科技股份有限公司 | 嵌入式arm平台上的快速视频解码方法 |
CN110287825A (zh) * | 2019-06-11 | 2019-09-27 | 沈阳航空航天大学 | 一种基于关键骨骼点轨迹分析的摔倒动作检测方法 |
Cited By (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111582158A (zh) * | 2020-05-07 | 2020-08-25 | 济南浪潮高新科技投资发展有限公司 | 一种基于人体姿态估计的摔倒检测方法 |
CN111738075A (zh) * | 2020-05-18 | 2020-10-02 | 深圳奥比中光科技有限公司 | 一种基于行人检测的关节点跟踪方法及*** |
CN111783702A (zh) * | 2020-07-20 | 2020-10-16 | 杭州叙简科技股份有限公司 | 一种基于图像增强算法和人体关键点定位的高效行人摔倒检测方法 |
CN112131985A (zh) * | 2020-09-11 | 2020-12-25 | 同济人工智能研究院(苏州)有限公司 | 一种基于OpenPose改进的实时轻量人体姿态估计方法 |
CN112131985B (zh) * | 2020-09-11 | 2024-01-09 | 同济人工智能研究院(苏州)有限公司 | 一种基于OpenPose改进的实时轻量人体姿态估计方法 |
CN112329527B (zh) * | 2020-09-29 | 2023-12-08 | 深圳大学 | 一种姿态估计方法、装置、电子设备及存储介质 |
CN112329527A (zh) * | 2020-09-29 | 2021-02-05 | 深圳大学 | 一种姿态估计方法、装置、电子设备及存储介质 |
CN112180359A (zh) * | 2020-11-03 | 2021-01-05 | 常州百芝龙智慧科技有限公司 | 一种基于fmcw的人体摔倒的检测方法 |
CN112180359B (zh) * | 2020-11-03 | 2024-04-05 | 常州百芝龙智慧科技有限公司 | 一种基于fmcw的人体摔倒的检测方法 |
CN112545496A (zh) * | 2020-11-09 | 2021-03-26 | 金茂智慧科技(广州)有限公司 | 一种探测人体摔倒的无线技术识别方法 |
CN112464898A (zh) * | 2020-12-15 | 2021-03-09 | 北京市商汤科技开发有限公司 | 事件检测方法及装置、电子设备和存储介质 |
CN112906548A (zh) * | 2021-02-07 | 2021-06-04 | 广东省科学院智能制造研究所 | 一种基于边缘计算的跌倒检测方法及*** |
CN112906548B (zh) * | 2021-02-07 | 2024-05-28 | 广东省科学院智能制造研究所 | 一种基于边缘计算的跌倒检测方法及*** |
CN113221924A (zh) * | 2021-06-02 | 2021-08-06 | 福州大学 | 一种基于OpenPose的人像拍摄***及方法 |
WO2023082882A1 (zh) * | 2021-11-15 | 2023-05-19 | 河南理工大学 | 一种基于姿态估计的行人摔倒动作识别方法及设备 |
GB2616733A (en) * | 2021-11-15 | 2023-09-20 | Univ Henan Polytechnic | Pose estimation-based pedestrian fall action recognition method and device |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110738154A (zh) | 一种基于人体姿态估计的行人摔倒检测方法 | |
CN107301370B (zh) | 一种基于Kinect三维骨架模型的肢体动作识别方法 | |
Jalal et al. | Depth maps-based human segmentation and action recognition using full-body plus body color cues via recognizer engine | |
US11270461B2 (en) | System and method for posture sequence on video from mobile terminals | |
CN104038738B (zh) | 一种提取人体关节点坐标的智能监控***及方法 | |
WO2013015528A1 (en) | Apparatus, method, and medium detecting object pose | |
CN110490109B (zh) | 一种基于单目视觉的在线人体康复动作识别方法 | |
CN112215185B (zh) | 一种从监控视频中检测跌倒行为的***及方法 | |
CN109758756B (zh) | 基于3d相机的体操视频分析方法及*** | |
Hasan et al. | Robust pose-based human fall detection using recurrent neural network | |
CN108898108B (zh) | 一种基于扫地机器人的用户异常行为监测***及方法 | |
Chang et al. | A pose estimation-based fall detection methodology using artificial intelligence edge computing | |
CN113111767A (zh) | 一种基于深度学习3d姿态评估的跌倒检测方法 | |
CN111582158A (zh) | 一种基于人体姿态估计的摔倒检测方法 | |
CN111914643A (zh) | 一种基于骨骼关键点检测的人体动作识别方法 | |
CN104794446B (zh) | 基于合成描述子的人体动作识别方法及*** | |
CN106815855A (zh) | 基于产生式和判别式结合的人体运动跟踪方法 | |
CN114550027A (zh) | 基于视觉的运动视频精细分析方法和装置 | |
CN109902550A (zh) | 行人属性的识别方法和装置 | |
CN117671738B (zh) | 基于人工智能的人体姿态识别*** | |
CN113378649A (zh) | 身份、位置和动作识别方法、***、电子设备及存储介质 | |
CN115346272A (zh) | 基于深度图像序列的实时摔倒检测方法 | |
Zhang et al. | Human deep squat detection method based on MediaPipe combined with Yolov5 network | |
CN110910426A (zh) | 动作过程和动作趋势识别方法、存储介质和电子装置 | |
CN114639168B (zh) | 一种用于跑步姿态识别的方法和*** |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200131 |