CN111079560A - 一种摔倒监测方法、装置及终端设备 - Google Patents

Abstract

本申请适用于风险监测技术领域，提供了一种摔倒监测方法，包括：获取目标影像数据，并识别目标影像数据中的目标对象，然后获取目标影像数据中目标对象的候选窗口，计算预设时间段内目标对象的候选窗口的长宽比和对角线交点的高度差，若候选窗口中对角线交点的高度差的绝对值大于第一预设阈值且长宽比小于第二预设阈值，则判定目标对象摔倒。本申请通过识别目标影像数据中的目标对象，并获取目标对象的矩形窗口，通过矩形窗口的特征进行监测，判定目标对象是否摔倒，提高了判断待监测目标是否摔倒的速率和准确率。

Description

一种摔倒监测方法、装置及终端设备

技术领域

本申请属于风险监测技术领域，尤其涉及一种摔倒监测方法、装置及终端设备。

背景技术

近年来，独孤老人的数量越来越大，老年人的生活品质和健康问题成为了社会关注的重点话题。

然而，由于独孤老人的身体健康程度不如青年，一旦独孤老人摔倒，则有可能导致其受到重伤，若未能及时救助，还可能造成生命危险。

现有技术中提出了一种判断老年人是否摔倒的诊断方法，主要通过椭圆拟合人体的运动信息，并将运动特征串联，形成图像序列，以判断老年人是否摔倒，然而，上述方法容易受到其他因素的影响，如拾捡物品、坐、卧等动作，因此，准确率不高。

发明内容

本申请实施例提供了一种摔倒监测方法、装置及终端设备，可以解决现有技术容易受到其他因素的影响，导致准确率不高的问题。

第一方面，本申请实施例提供了一种摔倒监测方法，包括：

获取目标影像数据；

识别所述目标影像数据中的目标对象；

获取所述目标影像数据中目标对象的候选窗口；

计算预设时间段内目标对象的候选窗口的长宽比和对角线交点的高度差；

若所述高度差的绝对值大于第一预设阈值且所述长宽比小于第二预设阈值，则判定所述目标对象摔倒。

第二方面，本申请实施例提供了一种摔倒监测装置，包括：

第一获取模块，用于获取目标影像数据；

第一识别模块，用于识别所述目标影像数据中的目标对象；

第二获取模块，用于获取所述目标影像数据中目标对象的候选窗口；

计算模块，用于计算预设时间段内目标对象的候选窗口的长宽比和对角线交点的高度差；

判断模块，用于若所述高度差的绝对值大于第一预设阈值且所述长宽比小于第二预设阈值，则判定所述目标对象摔倒。

第三方面，本申请实施例提供了一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上述第一方面中任一项所述的摔倒监测方法。

第四方面，本申请实施例提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如上述第一方面中任一项所述的摔倒监测方法。

第五方面，本申请实施例提供了一种计算机程序产品，当计算机程序产品在终端设备上运行时，使得终端设备执行上述第一方面中任一项所述的摔倒监测方法。

可以理解的是，上述第二方面至第五方面的有益效果可以参见上述第一方面中的相关描述，在此不再赘述。

本申请实施例通过识别目标影像数据中的目标对象，并获取目标对象的矩形窗口，通过矩形窗口的特征进行监测，判定目标对象是否摔倒，提高了判断待监测目标是否摔倒的速率和准确率。

附图说明

为了更清楚地说明本申请实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1是本申请一实施例提供的摔倒监测方法的流程示意图；

图2是本申请一实施例提供的基于摔倒监测方法的应用场景示意图；

图3是本申请一实施例提供的基于回归方法的深度学习目标监测模型获得目标影像数据中目标对象的候选窗口的应用场景示意图；

图4是本申请一实施例提供的摔倒监测装置的结构示意图；

图5是本申请实施例提供的终端设备的结构示意图。

具体实施方式

以下描述中，为了说明而不是为了限定，提出了诸如特定***结构、技术之类的具体细节，以便透彻理解本申请实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中，省略对众所周知的***、装置、电路以及方法的详细说明，以免不必要的细节妨碍本申请的描述。

应当理解，当在本申请说明书和所附权利要求书中使用时，术语“包括”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。

还应当理解，在本申请说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。

如在本申请说明书和所附权利要求书中所使用的那样，术语“如果”可以依据上下文被解释为“当...时”或“一旦”或“响应于确定”或“响应于检测到”。类似地，短语“如果确定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述条件或事件]”或“响应于检测到[所描述条件或事件]”。

另外，在本申请说明书和所附权利要求书的描述中，术语“第一”、“第二”、“第三”等仅用于区分描述，而不能理解为指示或暗示相对重要性。

在本申请说明书中描述的参考“一个实施例”或“一些实施例”等意味着在本申请的一个或多个实施例中包括结合该实施例描述的特定特征、结构或特点。由此，在本说明书中的不同之处出现的语句“在一个实施例中”、“在一些实施例中”、“在其他一些实施例中”、“在另外一些实施例中”等不是必然都参考相同的实施例，而是意味着“一个或多个但不是所有的实施例”，除非是以其他方式另外特别强调。术语“包括”、“包含”、“具有”及它们的变形都意味着“包括但不限于”，除非是以其他方式另外特别强调。

本申请实施例提供的摔倒监测方法可以应用于手机、平板电脑、车载设备、笔记本电脑、超级移动个人计算机(Ultra-mobile Personal Computer，UMPC)、上网本、个人数字助理(Personal Digital Assistant，PDA)等终端设备上，本申请实施例对终端设备的具体类型不作任何限制。

图1示出了本申请提供的摔倒监测方法的示意性流程图，作为示例而非限定，该方法可以应用于上述任一终端设备中。

S101、获取目标影像数据。

在具体应用中，目标影像数据包括但不限于包括待监测目标对象的视频和图片中的任意一种。

S102、识别所述目标影像数据中的目标对象。

在具体应用中，可通过人脸识别算法、人体识别算法或其他用于人物识别的算法识别目标影像数据中的目标对象。目标对象可以是需要他人照顾的老年人、残疾人或儿童。

S103、获取所述目标影像数据中目标对象的候选窗口。

在具体应用中，通过训练后的基于回归方法的深度学习目标监测模型对目标影像数据进行处理，获得目标影像数据中目标对象的候选窗口。候选窗口为从目标影像数据中剪切出的包括目标对象的预设形状的窗口。预设形状可以是矩形或菱形。

S104、计算预设时间段内目标对象的候选窗口的长宽比和对角线交点的高度差。

在具体应用中，预设时间段可根据实际情况进行具体设定，例如，设定预设时间段为2s，则高度差具体为i秒目标对象的候选窗口中对角线交点的高度与i-2秒目标对象的候选窗口中对角线交点的高度之间的差。长宽比为候选窗口的长度与宽度的商。

S105、若所述高度差的绝对值大于第一预设阈值且所述长宽比小于第二预设阈值，则判定所述目标对象摔倒。

在具体应用中，第一预设阈值和第二预设阈值可根据实际情况进行具体设定。其中，第一预设阈值为大于0的自然数，第二预设阈值为非0的自然数。例如，设定第一预设阈值为1.1，第二预设阈值为0.46，则当高度差的绝对值为2且长宽比为0.3时，可判定目标对象摔倒。

在一个实施例中，步骤S105之后，包括：

获取目标对象的身份信息和救助信息；其中，救助信息包括位置信息和医疗信息中的至少一种；

将所述身份信息和所述救助信息发送至与身份信息绑定的终端设备。

在具体应用中，其中，身份信息包括但不限于姓名、性别、年龄、身份证号码。医疗信息包括但不限于目标对象的身体健康程度、所患的疾病名称、用药情况和过敏情况中的至少一种。

通过将身份信息和救助信息发送至与身份信息绑定的终端设备，能够帮助目标对象的家人、朋友以及其他救助人员能够及时发现目标对象摔倒的事实并施以救助，保证目标对象的安全。

图2示例性的示出了通过摔倒监测方法判断目标对象是否摔倒的应用场景示意图。图中，X表示候选窗口的宽，Y表示候选窗口的长，h表示在预设时间段内变化的目标对象的候选窗口中对角线交点的高度。

在一个实施例中，步骤S102之后，还包括：

若所述目标影像数据中目标对象的数量不为1，则返回识别所述目标影像数据中的目标对象，直至所述标影像数据中目标对象的数量为1。

在具体应用中，若目标影像数据中的目标对象的数据量大于1，则判定当任一目标对象摔倒时，可获得其他目标对象的救助，并持续识别目标影像数据中的目标对象，直至目标影像数据中目标对象的数量为1，防止出现目标对象落单摔倒而未被发现的情况。

若目标影像数据中不存在目标对象，则可继续识别，直至标影像数据中目标对象的数量为1。

在一个实施例中，步骤S103之前，还包括：

识别所述目标对象的状态；

若所述目标对象处于非站立状态，则返回识别所述目标对象的状态，直至所述目标对象处于站立状态。

在具体应用中，根据候选窗口中目标对象的背景、场所、目标对象的高度与目标对象身高的对比，识别目标对象的状态；若识别到的目标对象的状态、(或者直接获取到的目标对象的状态)为坐、卧或躺等非站立状态，则返回识别目标对象的状态，直至目标对象处于站立状态，获取目标影像数据中目标对象的候选窗口，以判断目标对象是否摔倒。

在一个实施例中，步骤S103，包括：

S1031、通过训练后的基于回归方法的深度学习目标监测模型获得所述目标影像数据中目标对象的候选窗口；其中，基于回归方法的深度学习目标监测模型包括单发多框监测模型和单次目标监测模型中的至少一种。

在具体应用中，基于回归方法的深度学习目标监测模型包括但不限于单发多框监测模型(Single Shot MultiBox Detector，SSD)和单次目标监测模型(YouOnly LookOnce，YOLO)中的至少一种。

图3示例性的示出了通过基于回归方法的深度学习目标监测模型获得目标影像数据中目标对象的候选窗口的应用场景示意图。

在一个实施例中，步骤S1031，包括：

将所述目标影像数据划分为N*N个网格；其中，N为正整数；

预测每个网格对应的M个边框，获得N*N*M个目标窗口；其中，M为正整数且M不等于N；

去除所有目标窗口中的误差窗口，获得目标影像数据中目标对象的候选窗口。

在具体应用中，将目标影像数据划分为多个网格，可对每个网格单独进行边框预测。其中，N为正整数，N可根据实际情况进行具体设定，例如，在YOLO算法中，N默认设置为7，即可将目标影像数据划分为7*7个网格。M为正整数且M不等于N，M可根据实际情况进行具体设定，例如，设定M为2，则可获得获得7*7*2个目标窗口。

在一个实施例中，去除所有目标窗口中的误差窗口，获得目标影像数据中目标对象的候选窗口，包括：

计算获得每个候选窗口内包括目标对象的置信度以及每个候选窗口在多个类别上的概率，以去除置信度低于预设置信度的候选窗口，或者去除概率低于预设概率的候选窗口；

还可通过非极大值抑制(Non-Maximum Suppression，NMS)去除冗余的候选窗口。

在一个实施例中，步骤S1031，还包括：

获取所述目标影像数据的多尺度特征图；

基于卷积核对所述多尺度特征图进行预测，获得所述目标影像数据中目标对象的候选窗口。

在具体应用中，通过SSD算法对目标影像数据进行处理，获得目标影像数据的多尺度特征图，并通过卷积预测器(Convolutional Predictors For Detection)的卷积核作为基础预测元素进行预测，获得目标影像数据的默认候选框，以获得目标对象的候选窗口。

在一个实施例中，步骤S103之前，包括：

获取预训练数据；

通过所述预训练数据对所述基于回归方法的深度学习目标监测模型进行预训练，获得训练后的基于回归方法的深度学习目标监测模型。

在具体应用中，获取包括不同物品种类、大小以位置信息的预训练数据，并对基于回归方法的深度学习目标监测模型进行预训练，使得训练后的基于回归方法的深度学习目标监测模型能够识别预训练数据中是否包括目标对象(在本实施例中，目标对象为是需要他人照顾的人类)以及获取预训练数据中目标对象的数量、位置信息以及目标对象的状态信息等。

本实施例通过识别目标影像数据中的目标对象，并获取目标对象的矩形窗口，通过矩形窗口的特征进行监测，判定目标对象是否摔倒，提高了判断待监测目标是否摔倒的速率和准确率。

应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本申请实施例的实施过程构成任何限定。

对应于上文实施例所述的摔倒监测方法，图4示出了本申请实施例提供的摔倒监测装置的结构框图，为了便于说明，仅示出了与本申请实施例相关的部分。

参照图4，该摔倒监测装置200包括：

第一获取模块101，用于获取目标影像数据；

第一识别模块102，用于识别所述目标影像数据中的目标对象；

第二获取模块103，用于获取所述目标影像数据中目标对象的候选窗口；

计算模块104，用于计算预设时间段内目标对象的候选窗口的长宽比和对角线交点的高度差；

判断模块105，用于若所述高度差的绝对值大于第一预设阈值且所述长宽比小于第二预设阈值，则判定所述目标对象摔倒。

在一个实施例中，摔倒监测装置200，还包括：

第一循环模块，用于若所述目标影像数据中目标对象的数量不为1，则返回识别所述目标影像数据中的目标对象，直至所述标影像数据中目标对象的数量为1。

在一个实施例中，摔倒监测装置200，还包括：

第二识别模块，用于识别所述目标对象的状态；

第二循环模块，用于若所述目标对象处于非站立状态，则返回识别所述目标对象的状态，直至所述目标对象处于站立状态。

在一个实施例中，所述摔倒监测装置200，还包括：

第三获取模块，用于获取预训练数据；

预训练模块，用于通过所述预训练数据对所述基于回归方法的深度学习目标监测模型进行预训练，获得训练后的基于回归方法的深度学习目标监测模型。

本实施例通过识别目标影像数据中的目标对象，并获取目标对象的矩形窗口，通过矩形窗口的特征进行监测，判定目标对象是否摔倒，提高了判断待监测目标是否摔倒的速率和准确率。

需要说明的是，上述装置/单元之间的信息交互、执行过程等内容，由于与本申请方法实施例基于同一构思，其具体功能及带来的技术效果，具体可参见方法实施例部分，此处不再赘述。

图5为本实施例提供的终端设备的结构示意图。如图5所示，该实施例的终端设备5包括：至少一个处理器50(图5中仅示出一个)处理器、存储器51以及存储在所述存储器51中并可在所述至少一个处理器50上运行的计算机程序52，所述处理器50执行所述计算机程序52时实现上述任意各个摔倒监测方法实施例中的步骤。

所述终端设备5可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。该终端设备可包括，但不仅限于，处理器50、存储器51。本领域技术人员可以理解，图5仅仅是终端设备5的举例，并不构成对终端设备5的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如还可以包括输入输出设备、网络接入设备等。

所称处理器50可以是中央处理单元(Central Processing Unit，CPU)，该处理器50还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。

所述存储器51在一些实施例中可以是所述终端设备5的内部存储单元，例如终端设备5的硬盘或内存。所述存储器51在另一些实施例中也可以是所述终端设备5的外部存储设备，例如所述终端设备5上配备的插接式硬盘，智能存储卡(Smart Media Card，SMC)，安全数字(Secure Digital，SD)卡，闪存卡(Flash Card)等。进一步地，所述存储器51还可以既包括所述终端设备5的内部存储单元也包括外部存储设备。所述存储器51用于存储操作***、应用程序、引导装载程序(BootLoader)、数据以及其他程序等，例如所述计算机程序的程序代码等。所述存储器51还可以用于暂时地存储已经输出或者将要输出的数据。

所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述***中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

本申请实施例还提供了一种终端设备，该终端设备包括：至少一个处理器、存储器以及存储在所述存储器中并可在所述至少一个处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述任意各个方法实施例中的步骤。

本申请实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现可实现上述各个方法实施例中的步骤。

本申请实施例提供了一种计算机程序产品，当计算机程序产品在移动终端上运行时，使得移动终端执行时实现可实现上述各个方法实施例中的步骤。

所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请实现上述实施例方法中的全部或部分流程，可以通过计算机程序指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质至少可以包括：能够将计算机程序代码携带到拍照装置/终端设备的任何实体或装置、记录介质、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random AccessMemory)、电载波信号、电信信号以及软件分发介质。例如U盘、移动硬盘、磁碟或者光盘等。在某些司法管辖区，根据立法和专利实践，计算机可读介质不可以是电载波信号和电信信号。

在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。

本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。

在本申请所提供的实施例中，应该理解到，所揭露的装置/网络设备和方法，可以通过其它的方式实现。例如，以上所描述的装置/网络设备实施例仅仅是示意性的，例如，所述模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个***，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。

所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

以上所述实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围，均应包含在本申请的保护范围之内。

Claims (10)

1.一种摔倒监测方法，其特征在于，包括：

获取目标影像数据；

识别所述目标影像数据中的目标对象；

获取所述目标影像数据中目标对象的候选窗口；

计算预设时间段内目标对象的候选窗口的长宽比和对角线交点的高度差；

若所述高度差的绝对值大于第一预设阈值且所述长宽比小于第二预设阈值，则判定所述目标对象摔倒。

2.如权利要求1所述的摔倒监测方法，其特征在于，所述识别所述目标影像数据中的目标对象之后，还包括：

若所述目标影像数据中目标对象的数量不为1，则返回识别所述目标影像数据中的目标对象，直至所述标影像数据中目标对象的数量为1。

3.如权利要求1所述的摔倒监测方法，其特征在于，所述获取所述目标影像数据中目标对象的候选窗口之前，还包括：

识别所述目标对象的状态；

若所述目标对象处于非站立状态，则返回识别所述目标对象的状态，直至所述目标对象处于站立状态。

4.如权利要求1所述的摔倒监测方法，其特征在于，所述获取所述目标影像数据中目标对象的候选窗口，包括：

通过训练后的基于回归方法的深度学习目标监测模型获得所述目标影像数据中目标对象的候选窗口；其中，基于回归方法的深度学习目标监测模型包括单发多框监测模型和单次目标监测模型中的至少一种。

5.如权利要求4所述的摔倒监测方法，其特征在于，所述通过训练后的基于回归方法的深度学习目标监测模型获得所述目标影像数据中目标对象的候选窗口，包括：

将所述目标影像数据划分为N*N个网格；其中，N为正整数；

预测每个网格对应的M个边框，获得N*N*M个目标窗口；其中，M为正整数且M不等于N；

去除所有目标窗口中的误差窗口，获得目标影像数据中目标对象的候选窗口。

6.如权利要求4所述的摔倒监测方法，其特征在于，所述通过训练后的基于回归方法的深度学习目标监测模型获得所述目标影像数据中目标对象的候选窗口，还包括：

获取所述目标影像数据的多尺度特征图；

基于卷积核对所述多尺度特征图进行预测，获得所述目标影像数据中目标对象的候选窗口。

7.如权利要求4所述的摔倒监测方法，其特征在于，所述获取所述目标影像数据中目标对象的候选窗口之前，包括：

获取预训练数据；

通过所述预训练数据对所述基于回归方法的深度学习目标监测模型进行预训练，获得训练后的基于回归方法的深度学习目标监测模型。

8.一种摔倒监测装置，其特征在于，包括：

第一获取模块，用于获取目标影像数据；

第一识别模块，用于识别所述目标影像数据中的目标对象；

第二获取模块，用于获取所述目标影像数据中目标对象的候选窗口；

计算模块，用于计算预设时间段内目标对象的候选窗口的长宽比和对角线交点的高度差；

判断模块，用于若所述高度差的绝对值大于第一预设阈值且所述长宽比小于第二预设阈值，则判定所述目标对象摔倒。

9.一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至7任一项所述的方法。

10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述的方法。

Images