CN111899470A - 人体跌倒检测方法、装置、设备及存储介质 - Google Patents

人体跌倒检测方法、装置、设备及存储介质 Download PDF

Info

Publication number
CN111899470A
CN111899470A CN202010867487.9A CN202010867487A CN111899470A CN 111899470 A CN111899470 A CN 111899470A CN 202010867487 A CN202010867487 A CN 202010867487A CN 111899470 A CN111899470 A CN 111899470A
Authority
CN
China
Prior art keywords
human body
falling
fall
detected
image
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.)
Granted
Application number
CN202010867487.9A
Other languages
English (en)
Other versions
CN111899470B (zh
Inventor
夏钦展
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Goertek Techology Co Ltd
Original Assignee
Goertek Techology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Goertek Techology Co Ltd filed Critical Goertek Techology Co Ltd
Priority to CN202010867487.9A priority Critical patent/CN111899470B/zh
Publication of CN111899470A publication Critical patent/CN111899470A/zh
Priority to PCT/CN2020/127346 priority patent/WO2022041484A1/zh
Application granted granted Critical
Publication of CN111899470B publication Critical patent/CN111899470B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G08—SIGNALLING
    • G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
    • G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
    • G08B21/02—Alarms for ensuring the safety of persons
    • G08B21/04—Alarms for ensuring the safety of persons responsive to non-activity, e.g. of elderly persons
    • G08B21/0407—Alarms for ensuring the safety of persons responsive to non-activity, e.g. of elderly persons based on behaviour analysis
    • G08B21/043—Alarms for ensuring the safety of persons responsive to non-activity, e.g. of elderly persons based on behaviour analysis detecting an emergency event, e.g. a fall

Landscapes

  • Health & Medical Sciences (AREA)
  • Psychiatry (AREA)
  • Psychology (AREA)
  • Social Psychology (AREA)
  • General Health & Medical Sciences (AREA)
  • Gerontology & Geriatric Medicine (AREA)
  • Business, Economics & Management (AREA)
  • Emergency Management (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Image Analysis (AREA)
  • Alarm Systems (AREA)

Abstract

本发明公开了一种人体跌倒检测方法、装置、设备及存储介质，属于安防监控技术领域。本发明对待检测人体进行拍摄，以获得所述待检测人体的人体活动图像集；基于预先构建的跌倒检测模型，对所述人体活动图像集中各人体活动图像进行运动状态分类，以获得各人体活动图像对应的运动状态类型；根据所述运动状态类型对所述待检测人体进行跌倒检测，通过预先构建的跌倒检测模型对待检测人体的人体活动图像集进行运动状态分类，根据各个人体活动图像对应的运动状态类型对待检测人体进行跌倒检测，能够依据多个不同运动状态类型的人体活动图像准确的对人体进行跌倒检测，克服了检测准确度较低的问题，从而提高了人体跌倒检测的准确度。

Description

人体跌倒检测方法、装置、设备及存储介质
技术领域
本发明涉及安防监控技术领域，尤其涉及一种人体跌倒检测方法、装置、设备及存储介质。
背景技术
随着经济技术的发展和人们生活水平的提高，智能家居技术也得到了长足的发展。家居环境下人体健康监测的需求日益迫切，老人看护是智能家居领域一个重点方向。尤其对独居老年人而言，跌倒是其室内活动中主要的健康威胁。因此，跌倒检测的研究越来越引起人们的关注，现有的老人看护***有基于多传感器的，有基于轮廓检测的，这些跌倒检测方法算法简单，但是检测结果准确度较低，实际应用中误报率高。
上述内容仅用于辅助理解本发明的技术方案，并不代表承认上述内容是现有技术。
发明内容
本发明的主要目的在于提供一种人体跌倒检测方法、装置、设备及存储介质，旨在解决现有技术检测准确度较低，误报率较高的技术问题。
为实现上述目的，本发明提供了一种人体跌倒检测方法，所述方法包括以下步骤：
对待检测人体进行拍摄，以获得所述待检测人体的人体活动图像集；
基于预先构建的跌倒检测模型，对所述人体活动图像集中各人体活动图像进行运动状态分类，以获得各人体活动图像对应的运动状态类型；
根据所述运动状态类型对所述待检测人体进行跌倒检测。
可选地，所述根据所述运动状态类型对所述待检测人体进行跌倒检测的步骤包括：
从所述运动状态类型中筛选出符合第一预设类型的运动状态类型；
获取所述符合第一预设类型的运动状态类型对应的类型数量；
根据所述类型数量确定所述待检测人体对应的跌倒置信度；
根据所述跌倒置信度对所述待检测人体进行跌倒检测。
可选地，所述根据所述跌倒置信度对所述待检测人体进行跌倒检测的步骤包括：
将所述跌倒置信度与预设置信度进行比较；
若所述跌倒置信度未超过所述预设置信度，则判定所述待检测人体不存在跌倒风险；
若所述跌倒置信度超过所述预设置信度，则判定所述待检测人体存在跌倒风险。
可选地，所述若所述跌倒置信度超过所述预设置信度，则判定所述待检测人体存在跌倒风险的步骤之后，还包括：
在所述待检测人体存在跌倒风险时，获取预设时间内所述待检测人体的跌倒倾势图像集；
基于所述预先构建的跌倒检测模型，对所述跌倒倾势图像集中各跌倒倾势图像进行跌倒倾势状态分类，以获得各跌倒倾势图像对应的跌倒倾势状态类型；
从所述跌倒倾势状态类型中筛选出符合第二预设类型的跌倒倾势状态类型；
获取所述符合第二预设类型的跌倒倾势状态类型对应的类型数量；
在所述类型数量达到数量阈值时，判定所述待检测人体发生跌倒事件，并输出跌倒告警提示。
可选地，所述基于预先构建的跌倒检测模型，对所述人体活动图像集中各人体活动图像进行运动状态分类，以获得各人体活动图像对应的运动状态类型的步骤之前，还包括：
获取所述待检测人体的样本跌倒录像，以及所述样本跌倒录像对应的样本跌倒时间；
根据所述样本跌倒时间和所述样本跌倒录像生成样本跌倒图像队列；
对所述样本跌倒图像队列中的各个跌倒图像进行处理，以获得目标样本跌倒图像队列；
对所述目标样本跌倒图像队列进行训练，以获得跌倒检测模型。
可选地，所述根据所述样本跌倒时间和所述样本跌倒录像生成样本跌倒图像队列的步骤包括：
根据所述样本跌倒时间对应的时间顺序将所述样本跌倒录像依次划分成若干个跌倒录像片段；
截取各个跌倒录像片段的起始帧图像和最后一个跌倒录像片段的终点帧图像；
根据所述各个跌倒录像片段的起始帧图像和所述终点帧图像生成样本跌倒图像队列。
可选地，所述对所述样本跌倒图像队列中的各个跌倒图像进行处理，以获得目标样本跌倒图像队列的步骤包括：
根据人体运动特征对所述样本跌倒图像队列中的各个跌倒图像进行去噪处理，得到多个人体跌倒图像；
根据所述样本跌倒时间对应的时间顺序对多个所述人体跌倒图像依次进行分类；
为各个分类后的人体跌倒图像设置相应的类别标识，以获得目标样本跌倒图像。
此外，为实现上述目的，本发明还提出一种人体跌倒检测装置，所述装置包括：
采集模块，用于对待检测人体进行拍摄，以获得所述待检测人体的人体活动图像集；
分类模块，用于基于预先构建的跌倒检测模型，对所述人体活动图像集中各人体活动图像进行运动状态分类，以获得各人体活动图像对应的运动状态类型；
判断模块，用于根据所述运动状态类型对所述待检测人体进行跌倒检测。
此外，为实现上述目的，本发明还提出一种人体跌倒检测设备，所述人体跌倒检测设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的人体跌倒检测程序，所述人体跌倒检测程序配置为实现如上文所述的人体跌倒检测方法的步骤。
此外，为实现上述目的，本发明还提出一种存储介质，所述存储介质上存储有人体跌倒检测程序，所述人体跌倒检测程序被处理器执行时实现如上文所述的人体跌倒检测方法的步骤。
本发明中对待检测人体进行拍摄，以获得所述待检测人体的人体活动图像集；基于预先构建的跌倒检测模型，对所述人体活动图像集中各人体活动图像进行运动状态分类，以获得各人体活动图像对应的运动状态类型；根据所述运动状态类型对所述待检测人体进行跌倒检测，通过预先构建的跌倒检测模型对待检测人体的人体活动图像集进行运动状态分类，根据各个人体活动图像对应的运动状态类型对待检测人体进行跌倒检测，能够依据多个不同运动状态类型的人体活动图像准确的对人体进行跌倒检测，从而提高了人体跌倒检测的准确度。
附图说明
图1是本发明实施例方案涉及的硬件运行环境的人体跌倒检测设备的结构示意图；
图2为本发明人体跌倒检测方法第一实施例的流程示意图；
图3为本发明人体跌倒检测方法第二实施例的流程示意图；
图4为本发明人体跌倒检测方法第三实施例的流程示意图；
图5为本发明人体跌倒检测方法人体跌倒拍摄示意图；
图6为本发明人体跌倒检测装置第一实施例的结构框图。
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。
参照图1，图1为本发明实施例方案涉及的硬件运行环境的人体跌倒检测设备结构示意图。
如图1所示，该人体跌倒检测设备可以包括：处理器1001，例如中央处理器(Central Processing Unit，CPU)，通信总线1002、用户接口1003，网络接口1004，存储器1005。其中，通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏(Display)、输入单元比如键盘(Keyboard)，可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如无线保真(WIreless-FIdelity，WI-FI)接口)。存储器1005可以是高速的随机存取存储器(RandomAccess Memory，RAM)存储器，也可以是稳定的非易失性存储器(Non-Volatile Memory，NVM)，例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。
本领域技术人员可以理解，图1中示出的结构并不构成对人体跌倒检测设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
如图1所示，作为一种存储介质的存储器1005中可以包括操作***、网络通信模块、用户接口模块以及人体跌倒检测程序。
在图1所示的人体跌倒检测设备中，网络接口1004主要用于与网络服务器进行数据通信；用户接口1003主要用于与用户进行数据交互；本发明人体跌倒检测设备中的处理器1001、存储器1005可以设置在人体跌倒检测设备中，所述人体跌倒检测设备通过处理器1001调用存储器1005中存储的人体跌倒检测程序，并执行本发明实施例提供的人体跌倒检测方法。
本发明实施例提供了一种人体跌倒检测方法，参照图2，图2为本发明一种人体跌倒检测方法第一实施例的流程示意图。
本实施例中，所述人体跌倒检测方法包括以下步骤：
步骤S10：对待检测人体进行拍摄，以获得所述待检测人体的人体活动图像集。
需要说明的是，本实施例的执行主体可以为一种图像数据处理设备，用于对物体进行拍摄，以获得物体运动图像，以及对物体运动图像进行分析处理，还可为一种具有采集图像数据与图像数据处理功能的终端设备，本实施例中不加以限制。
在本实施例中，通过摄像头对待检测人体进行拍摄，摄像头包括模拟摄像头、数字摄像头、高清摄像头、电荷耦合器件(charge coupled device，CCD)摄像头以及球形摄像头等，本实施例中对摄像头的传输信号、分辨率、传感器型号以及外形均不加以限制，可以根据实际情况采用合适的摄像头。此外，摄像头在采集待检测人体的人体活动图像时可以按照每秒24帧的速度进行采集，也可以按照其他速度进行采集。
需要说明的是，摄像头在对待检测人体进行拍摄时，所采集的图像实际为待检测人体所在运动区域的区域图像，区域图像可能存在其他运动物体，因此人体活动图像实质是对区域图像进行处理后得到的，本实施例中是根据人体运动特征对区域图像进行去噪处理，将不符合人体运动特征的运动物体从区域图像中去除，剩下只包括人体的区域图像即为人体活动图像，从而可以得到待检测人体的人体活动图像集。
步骤S20：基于预先构建的跌倒检测模型，对所述人体活动图像集中各人体活动图像进行运动状态分类，以获得各人体活动图像对应的运动状态类型。
需要说明的是，人体活动图像集中的各个人体活动图像中包含有待检测人体的运动状态，不同的运动状态都有相应的运动状态类型，运动状态类型实质上反应的是人体跌倒过程中对应的不同运动状态，通过将人体从站立到跌倒的整个过程划分成多个不同阶段，并为每个阶段人体的运动状态定义对应的运动状态类型，例如将人体整个跌倒过程划分成站立状态、倾倒状态A、倾倒状态B、倾倒状态C以及跌倒状态，定义站立状态对应的运动状态类型为1，倾倒状态A对应的运动状态类型为2，倾倒状态B对应的运动状态类型为3，倾倒状态C对应的运动状态类型为4，跌倒状态对应的运动状态类型为5，本实施例中运动状态对应的运动状态类型可以根据实际情况进行设置本实施例中不加以限制。
在具体实施中，通过跌倒检测模型对各个人体活动图像进行运动状态分类，得到各个人体活动图像对应的运动状态类型，跌倒检测模型是基于人体的样本跌倒图像预先构建的。
步骤S30：根据所述运动状态类型对所述待检测人体进行跌倒检测。
易于理解的是，在得到各个人体活动图像对应的运动状态类型之后，可以根据各个人体活动图像对应的运动状态类型对待检测人体进行跌倒检测，例如站立状态对应的运动状态类型为1，则可以根据运动状态类型1判定待检测人体未发生跌倒事件，又假设运动状态对应的运动状态类型为2，则可以根据运动状态类型2判定待检测人体发生跌倒事件。
本实施例通过对待检测人体进行拍摄，以获得所述待检测人体的人体活动图像集；基于预先构建的跌倒检测模型，对所述人体活动图像集中各人体活动图像进行运动状态分类，以获得各人体活动图像对应的运动状态类型；根据所述运动状态类型对所述待检测人体进行跌倒检测，通过预先构建的跌倒检测模型对待检测人体的人体活动图像集进行运动状态分类，根据各个人体活动图像对应的运动状态类型对待检测人体进行跌倒检测，能够依据多个不同运动状态类型的人体活动图像准确的对人体进行跌倒检测，从而提高了人体跌倒检测的准确度。
参考图3，图3为本发明一种人体跌倒检测方法第二实施例的流程示意图。
基于上述第一实施例，在本实施例中，所述步骤S30包括：
步骤S301：从所述运动状态类型中筛选出符合第一预设类型的运动状态类型。
在本实施例中，根据运动状态类型对待检测人体进行跌倒检测需要先从运动状态类型中筛选出符合第一预设类型的运动状态类型，第一预设类型为还未发生跌倒事件但是存在跌倒风险的运动状态类型，例如将人体整个跌倒过程划分成站立状态、倾倒状态A、倾倒状态B、倾倒状态C以及跌倒状态，定义站立状态对应的运动状态类型为1，倾倒状态A对应的运动状态类型为2，倾倒状态B对应的运动状态类型为3，倾倒状态C对应的运动状态类型为4，跌倒状态对应的运动状态类型为5，可以将第一预设类型设置为1、2或1、2以及3等。
步骤S302：获取所述符合第一预设类型的运动状态类型对应的类型数量。
在具体实施中，在筛选出符合第一预设类型的运动状态类型之后，需要获取对应的类型数量，类型数量表示不同运动状态类型的数量，例如假设第一预设类型为1、2、3，基于预先构建的跌倒检测模型得到人体活动图像X对应的运动状态类型为1，人体活动图像Y对应的运动状态类型为2，人体活动图像Z对应的运动状态类型为3，则符合第一预设类型的运动状态类型对应的类型数量为3，若人体活动图像Z对应的运动状态类型为4，则符合第一预设类型的运动状态类型对应的类型数量为2，若人体活动图像Y对应的运动状态类型和人体活动图像Z对应的运动状态类型均为2，则符合第一预设类型的运动状态类型对应的类型数量为2。
步骤S303：根据所述类型数量确定所述待检测人体对应的跌倒置信度。
需要说明的是，符合第一预设类型的运动状态表示待检测人体的跌倒可能即将发生，符合第一预设类型的运动状态类型的类型数量越多，表示待检测人体即将发生跌倒的可能性也就越大，本实施例中通过跌倒置信度表征待检测人体即将发生跌倒的可能性，并且跌倒置信度越大，对应的待检测人体即将发生跌倒的可能性也就越大，因此可以根据获取到的运动状态类型的类型数量可以确定待检测人体对应的跌倒置信度，例如在获取到类型数量为1时，可以确定待检测人体对应的跌倒置信度为50％，在获取到类型数量为2时，可以确定待检测人体对应的跌倒置信度为85％，类型数量与跌倒置信度大小对应关系可以根据实际情况进行设定，本实施例中不加以限制。
步骤S304：根据所述跌倒置信度对所述待检测人体进行跌倒检测。
在具体实施中，根据跌倒置信度可以确定待检测人体的跌倒状态，从而实现对待检测人体的跌倒检测，本实施例中根据所述跌倒置信度对所述待检测人体进行跌倒检测的步骤包括：将所述跌倒置信度与预设置信度进行比较；若所述跌倒置信度未超过所述预设置信度，则判定所述待检测人体不存在跌倒风险；若所述跌倒置信度超过所述预设置信度，则判定所述待检测人体存在跌倒风险。
需要说明的是，跌倒置信度越大对应待检测人体即将发生跌倒的可能性越大，预设置信度表示可以确定待检测人体即将发生跌倒，本实施例中将跌倒置信度与预设置信度进行比较，若跌倒置信度未超过预设置信度，说明待检测人体即将发生跌倒的可能性较低，则可以判定待检测人体不存在跌倒风险，若跌倒置信度超过预设置信度，说明待检测人体即将发生跌倒的可能性非常大，则可以判定待检测人体存在跌倒风险。
进一步地，在确定待检测人体存在跌倒风险后，继续对待检测人体进行检测，可以确定待检测人体最终是否发生了跌倒事件，本实施中在所述步骤S304之后还包括：在所述待检测人体存在跌倒风险时，获取预设时间内所述待检测人体的跌倒倾势图像集；基于所述预先构建的跌倒检测模型，对所述跌倒倾势图像集中各跌倒倾势图像进行跌倒倾势状态分类，以获得各跌倒倾势图像对应的跌倒倾势状态类型；从所述跌倒倾势状态类型中筛选出符合第二预设类型的跌倒倾势状态类型；获取所述符合第二预设类型的跌倒倾势状态类型对应的类型数量；在所述类型数量达到数量阈值时，判定所述待检测人体发生跌倒事件，并输出跌倒告警提示。
需要说明的是，从判定待检测人体存在跌倒风险时起，获取预设时间内待检测人体的跌倒倾势图像集，预设时间为跌倒检测模型中的标准跌倒时间，在得到跌倒倾势图像集之后，仍然需要对跌倒倾势图像集中的各个跌倒倾势图像进行分类，分类过程类似于对人体活动图像集中各人体活动图像进行运动状态分类的过程，也是基于预先构建的跌倒检测模型进行分类，得到各跌倒倾势图像对应的跌倒倾势状态类型，然后筛选出符合第二预设类型的跌倒倾势状态类型，第二预设类型为属于人体跌倒过程的跌倒倾势状态类型，符合第二预设类型的跌倒倾势状态类型的类型数量越多，表示待检测人体发生跌倒事件的可能性也就越大，因此可以根据跌倒倾势状态类型的类型数量判断待检测人体是否发生了跌倒事件。
需要说明的是，第二预设类型与第一预设类型关系为第二预设类型包含第一预设类型，例如第一预设类型为1、2、3、4以及5，第二预设类型为1、2、3、4、5、…、20，其中，第一预设类型用于判断待检测人体是否存在跌倒风险，第二预设类型用于在判断待检测人体存在跌倒风险之后，判断待检测人体最终是否发生了跌倒事件，本实施例中在跌倒倾势状态类型对应的类型数量达到数量阈值时，判定待检测人体发生跌倒事件，并输出跌倒告警提示。例如，定义第一预设类型为1、2、3、4以及5，第二预设类型为1、2、3、4、5、…、20，预设置信度为85％且数量阈值为10，假设待检测人体A的人体活动图像对应的运动状态类型为1和3，得到待检测人体A对应的跌倒置信度为90％，可以判定待检测人体A存在跌倒风险，然后继续获取预设时间内待检测人体A的跌倒倾势图像集，对跌倒倾势图像集中各跌倒倾势图像进行分类得到的分类结果为跌倒倾势状态类型1、3、6、7、8、10、12、14、16、17、18，可以得到跌倒倾势状态类型对应的类型数量为11，可以判定待检测人体A发生跌倒事件。
本实施例通过从所述运动状态类型中筛选出符合第一预设类型的运动状态类型；获取所述符合第一预设类型的运动状态类型对应的类型数量；根据所述类型数量确定所述待检测人体对应的跌倒置信度；根据所述跌倒置信度对所述待检测人体进行跌倒检测，根据人体活动图像的运动状态类型对应的类型数量以及类型数量对应的跌倒置信度进行跌倒检测，同时在待检测人体存在跌倒风险时，基于第二预设类型确定跌倒倾势图像的跌倒倾势状态类型，进一步地判断是否发生跌倒事件，通过跌倒风险判断以及是否发生跌倒事件结合的方式，使得人体跌倒检测更加准确。
参考图4，图4为本发明一种人体跌倒检测方法第三实施例的流程示意图。
基于上述第一实施例或第二实施例，提出本发明一种人体跌倒检测方法第三实施例。
以基于上述第一实施例为例进行说明，在本实施例中，所述步骤S20之前还包括：
步骤S201：获取所述待检测人体的样本跌倒录像，以及所述样本跌倒录像对应的样本跌倒时间。
容易理解的是，在基于跌倒检测模型对人体活动图像或跌倒倾势图像进行分类之前，需要预先对跌倒检测模型进行构建。
在本实施例中，获取待检测人体的样本跌倒录像以及样本跌倒录像对应的样本跌倒时间，跌倒录像中包含人体从开始跌倒直至跌倒不动的整个跌倒过程，样本跌倒时间则是人体开始跌倒时刻至最后跌倒不动时刻之间的总持续时间。
还需要说明的是，跌倒检测模型中的标准跌倒时间为T，T＝Le±σ，其中Le为所有跌倒时间的平均值，σ为跌倒时间的标准差，σ可以根据实际需求自行定义，本实施例中不加以限制，Le＝(L1+L2+L3+…+_Ln)/n，其中，L1、L2、L3、…、Ln表示每个跌倒录像对应的样本跌倒时间，n为跌倒录像的个数，例如图5所示，N个人准备M种跌倒方式通过8个摄像头进行拍摄，可以得到8*M*N，L1、L2、L3、…、Ln表示8*M*N中每个跌倒录像对应的样本跌倒时间，8*M*N为跌倒录像的个数。
步骤S202：根据所述样本跌倒时间和所述样本跌倒录像生成样本跌倒图像队列。
在具体实施中，按照样本跌倒时间的时间顺序将跌倒录像进行划分，截取每份跌倒录像中的跌倒图像，可以生成样本跌倒图像队列，本实施例中所述步骤S202包括：根据所述样本跌倒时间对应的时间顺序将所述样本跌倒录像依次划分成若干个跌倒录像片段；截取各个跌倒录像片段的起始帧图像和最后一个跌倒录像片段的终点帧图像；根据所述各个跌倒录像片段的起始帧图像和所述终点帧图像生成样本跌倒图像队列。
需要说明的是，按照样本跌倒时间对应的时间顺序(开始跌倒到最终跌倒不动的顺序)将样本跌倒录像依次划分成若干个跌倒录像片段，例如将样本跌倒录像V划分成V1、V2以及V3三个跌倒录像片段，在得到跌倒录像片段之后，截取各个跌倒录像片段的起始帧图像和最后一个跌倒录像片段的终点帧图像，例如在将样本跌倒录像V划分成V1、V2以及V3三个跌倒录像片段之后，截取V1、V2以及V3的起始帧图像P1、P2以及P3，以及最后一个跌倒录像V3的终点帧图像P3'，起始帧图像P1、P2、P3以及终点帧图像P3'即可构建样本图像队列。此外，还需要说明的是，截取跌倒录像片段的起始帧与终点图像实质是将人体整个跌倒过程进行分解，可以得到人体在跌倒过程中不同阶段的人体状态，人体状态包括人体活动状态和跌倒倾势状态。
步骤S203：对所述样本跌倒图像队列中的各个跌倒图像进行处理，以获得目标样本跌倒图像队列。
在具体实施中，需要对样本跌倒图像队列中各个样本跌倒图像进行去噪与分类处理，得到目标样本跌倒图像队列，本实施例中所述步骤S203包括：根据人体运动特征对所述样本跌倒图像队列中的各个跌倒图像进行去噪处理，得到多个人体跌倒图像；根据所述样本跌倒时间对应的时间顺序对多个所述人体跌倒图像依次进行分类；为各个分类后的人体跌倒图像设置相应的类别标识，以获得目标样本跌倒图像队列。
需要说明的是，跌倒图像中可能存在其他运动物体对跌倒检测造成影响，因此需要根据人体运动特征对各个跌倒图像进行去噪，得到只包含人体的人体跌倒图像。然后按照样本跌倒时间的时间顺序对人体跌倒图像依次进行分类，每个人体跌倒图像对应一个人体状态，为分类后的每个人体跌倒图像设置相应的类别标识，例如设置人体跌倒图像X的类别标识为1，人体跌倒图像Y的类别标识为2，完成去噪与分类后的多个人体跌倒图像即可构成目标样本跌倒图像队列。
步骤S204：对所述目标样本跌倒图像队列进行训练，以获得跌倒检测模型。
在本实施例中，对目标样本跌倒图像队列进行训练可以将完成去噪与分类后的目标样本跌倒图像队列输入至预设神经网络模型中，可以得到跌倒检测模型，预设神经网络模型包括BP神经网络、Hopfield网络、ART网络以及Kohonen网络等。
本实施例通过获取所述待检测人体的样本跌倒录像，以及所述样本跌倒录像对应的样本跌倒时间；根据所述样本跌倒时间和所述样本跌倒录像生成样本跌倒图像队列；对所述样本跌倒图像队列中的各个跌倒图像进行处理，以获得目标样本跌倒图像队列；对所述目标样本跌倒图像队列进行训练，以获得跌倒检测模型，通过对样本跌倒图像队列进行去噪得到人体跌倒图像，并对人体跌倒图像进行分类得到目标样本跌倒图像队列，基于目标样本图像队列训练得到跌倒检测模型，使得预先构建的跌倒检测模型更加准确，进一步提高了人体跌倒检测的准确度。
此外，本发明实施例还提出一种存储介质，所述存储介质上存储有人体跌倒检测程序，所述人体跌倒检测程序被处理器执行时实现如上文所述的人体跌倒检测方法的步骤。
参照图6，图6为本发明人体跌倒检测装置第一实施例的结构框图。
如图6所示，本发明实施例提出的人体跌倒检测装置包括：
采集模块10，用于对待检测人体进行拍摄，以获得所述待检测人体的人体活动图像集。
在本实施例中，人体跌倒检测装置可以对物体的运动图像进行采集以及对物体运动图像进行分析处理，人体跌倒检测装置设有摄像头，通过摄像头对待检测人体进行拍摄，摄像头包括模拟摄像头、数字摄像头、高清摄像头、电荷耦合器件CCD摄像头以及球形摄像头等，本实施例中对摄像头的传输信号、分辨率、传感器型号以及外形均不加以限制，可以根据实际情况采用合适的摄像头。此外，摄像头在采集待检测人体的人体活动图像时可以按照每秒24帧的速度进行采集，也可以按照其他速度进行采集。
需要说明的是，摄像头在对待检测人体进行拍摄时，所采集的图像实际为待检测人体所在运动区域的区域图像，区域图像可能存在其他运动物体，因此人体活动图像实质是对区域图像进行处理后得到的，本实施例中是根据人体运动特征对区域图像进行去噪处理，将不符合人体运动特征的运动物体从区域图像中去除，剩下只包括人体的区域图像即为人体活动图像，从而可以得到待检测人体的人体活动图像集。
分类模块20，用于基于预先构建的跌倒检测模型，对所述人体活动图像集中各人体活动图像进行运动状态分类，以获得各人体活动图像对应的运动状态类型。
需要说明的是，人体活动图像集中的各个人体活动图像中包含有待检测人体的运动状态，不同的运动状态都有相应的运动状态类型，运动状态类型实质上反应的是人体跌倒过程中对应的不同运动状态，通过将人体从站立到跌倒的整个过程划分成多个不同阶段，并为每个阶段人体的运动状态定义对应的运动状态类型，例如将人体整个跌倒过程划分成站立状态、倾倒状态A、倾倒状态B、倾倒状态C以及跌倒状态，定义站立状态对应的运动状态类型为1，倾倒状态A对应的运动状态类型为2，倾倒状态B对应的运动状态类型为3，倾倒状态C对应的运动状态类型为4，跌倒状态对应的运动状态类型为5，本实施例中运动状态对应的运动状态类型可以根据实际情况进行设置本实施例中不加以限制。
在具体实施中，通过跌倒检测模型对各个人体活动图像进行运动状态分类，得到各个人体活动图像对应的运动状态类型，跌倒检测模型是基于待检测人体的样本图像预先构建的。
判断模块30，用于根据所述运动状态类型对所述待检测人体进行跌倒检测。
易于理解的是，在得到各个人体活动图像对应的运动状态类型之后，可以根据各个人体活动图像对应的运动状态类型对待检测人体进行跌倒检测，例如站立状态对应的运动状态类型为1，则可以根据运动状态类型1判定待检测人体未发生跌倒事件，又假设跌倒状态对应的运动状态类型为2，则可以根据运动状态类型2判定待检测人体发生跌倒事件。
本实施例通过对待检测人体进行拍摄，以获得所述待检测人体的人体活动图像集；基于预先构建的跌倒检测模型，对所述人体活动图像集中各人体活动图像进行运动状态分类，以获得各人体活动图像对应的运动状态类型；根据所述运动状态类型对所述待检测人体进行跌倒检测，通过预先构建的跌倒检测模型对待检测人体的人体活动图像集进行运动状态分类，根据各个人体活动图像对应的运动状态类型对待检测人体进行跌倒检测，能够依据多个不同运动状态类型的人体活动图像准确的对人体进行跌倒检测，从而提高了人体跌倒检测的准确度。
在一实施例中，所述判断模块30，还用于从所述运动状态类型中筛选出符合第一预设类型的运动状态类型；获取所述符合第一预设类型的运动状态类型对应的类型数量；根据所述类型数量确定所述待检测人体对应的跌倒置信度；根据所述跌倒置信度对所述待检测人体进行跌倒检测。
在一实施例中，所述判断模块30，还用于将所述跌倒置信度与预设置信度进行比较；若所述跌倒置信度未超过所述预设置信度，则判定所述待检测人体不存在跌倒风险；若所述跌倒置信度超过所述预设置信度，则判定所述待检测人体存在跌倒风险。
在一实施例中，所述判断模块30，还用于在所述待检测人体存在跌倒风险时，获取预设时间内所述待检测人体的跌倒倾势图像集；基于所述预先构建的跌倒检测模型，对所述跌倒倾势图像集中各跌倒倾势图像进行跌倒倾势状态分类，以获得各跌倒倾势图像对应的跌倒倾势状态类型；从所述跌倒倾势状态类型中筛选出符合第二预设类型的跌倒倾势状态类型；获取所述符合第二预设类型的跌倒倾势状态类型对应的类型数量；在所述类型数量达到数量阈值时，判定所述待检测人体发生跌倒事件，并输出跌倒告警提示。
在一实施例中，所述人体跌倒检测装置还包括：构建模块；
所述构建模块，用于获取所述待检测人体的样本跌倒录像，以及所述样本跌倒录像对应的样本跌倒时间；根据所述样本跌倒时间和所述样本跌倒录像生成样本跌倒图像队列；对所述样本跌倒图像队列中的各个跌倒图像进行处理，以获得目标样本跌倒图像队列；对所述目标样本跌倒图像队列进行训练，以获得跌倒检测模型。
所述构建模块，还用于根据所述样本跌倒时间对应的时间顺序将所述样本跌倒录像依次划分成若干个跌倒录像片段；截取各个跌倒录像片段的起始帧图像和最后一个跌倒录像片段的终点帧图像；根据所述各个跌倒录像片段的起始帧图像和所述终点帧图像生成样本跌倒图像队列。
所述构建模块，还用于根据人体运动特征对所述样本跌倒图像队列中的各个跌倒图像进行去噪处理，得到多个人体跌倒图像；根据所述样本跌倒时间对应的时间顺序对多个所述人体跌倒图像依次进行分类；为各个分类后的人体跌倒图像设置相应的类别标识，以获得目标样本跌倒图像。
应当理解的是，以上仅为举例说明，对本发明的技术方案并不构成任何限定，在具体应用中，本领域的技术人员可以根据需要进行设置，本发明对此不做限制。
需要说明的是，以上所描述的工作流程仅仅是示意性的，并不对本发明的保护范围构成限定，在实际应用中，本领域的技术人员可以根据实际的需要选择其中的部分或者全部来实现本实施例方案的目的，此处不做限制。
另外，未在本实施例中详尽描述的技术细节，可参见本发明任意实施例所提供的人体跌倒检测方法，此处不再赘述。
此外，需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者***不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者***所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者***中还存在另外的相同要素。
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质(如只读存储器(Read Only Memory，ROM)/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，或者网络设备等)执行本发明各个实施例所述的方法。
以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims (10)

1.一种人体跌倒检测方法，其特征在于，所述人体跌倒检测方法包括：
对待检测人体进行拍摄，以获得所述待检测人体的人体活动图像集；
基于预先构建的跌倒检测模型，对所述人体活动图像集中各人体活动图像进行运动状态分类，以获得各人体活动图像对应的运动状态类型；
根据所述运动状态类型对所述待检测人体进行跌倒检测。
2.如权利要求1所述的人体跌倒检测方法，其特征在于，所述根据所述运动状态类型对所述待检测人体进行跌倒检测的步骤包括：
从所述运动状态类型中筛选出符合第一预设类型的运动状态类型；
获取所述符合第一预设类型的运动状态类型对应的类型数量；
根据所述类型数量确定所述待检测人体对应的跌倒置信度；
根据所述跌倒置信度对所述待检测人体进行跌倒检测。
3.如权利要求2所述的人体跌倒检测方法，其特征在于，所述根据所述跌倒置信度对所述待检测人体进行跌倒检测的步骤包括：
将所述跌倒置信度与预设置信度进行比较；
若所述跌倒置信度未超过所述预设置信度，则判定所述待检测人体不存在跌倒风险；
若所述跌倒置信度超过所述预设置信度，则判定所述待检测人体存在跌倒风险。
4.如权利要求3所述的人体跌倒检测方法，其特征在于，所述若所述跌倒置信度超过所述预设置信度，则判定所述待检测人体存在跌倒风险的步骤之后，还包括：
在所述待检测人体存在跌倒风险时，获取预设时间内所述待检测人体的跌倒倾势图像集；
基于所述预先构建的跌倒检测模型，对所述跌倒倾势图像集中各跌倒倾势图像进行跌倒倾势状态分类，以获得各跌倒倾势图像对应的跌倒倾势状态类型；
从所述跌倒倾势状态类型中筛选出符合第二预设类型的跌倒倾势状态类型；
获取所述符合第二预设类型的跌倒倾势状态类型对应的类型数量；
在所述类型数量达到数量阈值时，判定所述待检测人体发生跌倒事件，并输出跌倒告警提示。
5.如权利要求1至4中任一项所述的人体跌倒检测方法，其特征在于，所述基于预先构建的跌倒检测模型，对所述人体活动图像集中各人体活动图像进行运动状态分类，以获得各人体活动图像对应的运动状态类型的步骤之前，还包括：
获取所述待检测人体的样本跌倒录像，以及所述样本跌倒录像对应的样本跌倒时间；
根据所述样本跌倒时间和所述样本跌倒录像生成样本跌倒图像队列；
对所述样本跌倒图像队列中的各个跌倒图像进行处理，以获得目标样本跌倒图像队列；
对所述目标样本跌倒图像队列进行训练，以获得跌倒检测模型。
6.如权利要求5所述的人体跌倒检测方法，其特征在于，所述根据所述样本跌倒时间和所述样本跌倒录像生成样本跌倒图像队列的步骤包括：
根据所述样本跌倒时间对应的时间顺序将所述样本跌倒录像依次划分成若干个跌倒录像片段；
截取各个跌倒录像片段的起始帧图像和最后一个跌倒录像片段的终点帧图像；
根据所述各个跌倒录像片段的起始帧图像和所述终点帧图像生成样本跌倒图像队列。
7.如权利要求5所述的人体跌倒检测方法，其特征在于，所述对所述样本跌倒图像队列中的各个跌倒图像进行处理，以获得目标样本跌倒图像队列的步骤包括：
根据人体运动特征对所述样本跌倒图像队列中的各个跌倒图像进行去噪处理，得到多个人体跌倒图像；
根据所述样本跌倒时间对应的时间顺序对多个所述人体跌倒图像依次进行分类；
为各个分类后的人体跌倒图像设置相应的类别标识，以获得目标样本跌倒图像。
8.一种人体跌倒检测装置，其特征在于，所述人体跌倒检测装置包括：
采集模块，用于对待检测人体进行拍摄，以获得所述待检测人体的人体活动图像集；
分类模块，用于基于预先构建的跌倒检测模型，对所述人体活动图像集中各人体活动图像进行运动状态分类，以获得各人体活动图像对应的运动状态类型；
判断模块，用于根据所述运动状态类型对所述待检测人体进行跌倒检测。
9.一种人体跌倒检测设备，其特征在于，所述人体跌倒检测设备包括：存储器、处理器及存储在所述存储器上并在所述处理器上运行的人体跌倒检测程序，所述人体跌倒检测程序配置为实现如权利要求1至7中任一项所述的人体跌倒检测方法的步骤。
10.一种存储介质，其特征在于，所述存储介质上存储有人体跌倒检测程序，所述人体跌倒检测程序被处理器执行时实现如权利要求1至7任一项所述的人体跌倒检测方法的步骤。
CN202010867487.9A 2020-08-26 2020-08-26 人体跌倒检测方法、装置、设备及存储介质 Active CN111899470B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202010867487.9A CN111899470B (zh) 2020-08-26 2020-08-26 人体跌倒检测方法、装置、设备及存储介质
PCT/CN2020/127346 WO2022041484A1 (zh) 2020-08-26 2020-11-07 人体跌倒检测方法、装置、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010867487.9A CN111899470B (zh) 2020-08-26 2020-08-26 人体跌倒检测方法、装置、设备及存储介质

Publications (2)

Publication Number Publication Date
CN111899470A true CN111899470A (zh) 2020-11-06
CN111899470B CN111899470B (zh) 2022-07-22

Family

ID=73225616

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010867487.9A Active CN111899470B (zh) 2020-08-26 2020-08-26 人体跌倒检测方法、装置、设备及存储介质

Country Status (2)

Country Link
CN (1) CN111899470B (zh)
WO (1) WO2022041484A1 (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112489368A (zh) * 2020-11-30 2021-03-12 安徽国广数字科技有限公司 智能跌倒识别与检测报警方法及***
WO2022041484A1 (zh) * 2020-08-26 2022-03-03 歌尔股份有限公司 人体跌倒检测方法、装置、设备及存储介质

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117278837B (zh) * 2023-11-16 2024-01-26 新乡天辅电子科技有限公司 一种面向应急救援的摄像设备控制方法
CN117671799A (zh) * 2023-12-15 2024-03-08 武汉星巡智能科技有限公司 结合深度测量的人体跌倒检测方法、装置、设备及介质

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103955699A (zh) * 2014-03-31 2014-07-30 北京邮电大学 一种基于监控视频的实时摔倒事件检测方法
US20170188895A1 (en) * 2014-03-12 2017-07-06 Smart Monitor Corp System and method of body motion analytics recognition and alerting
CN109009145A (zh) * 2018-07-24 2018-12-18 西安工程大学 一种基于穿戴设备的跌倒判断方法
CN110327050A (zh) * 2019-05-05 2019-10-15 北京理工大学 用于可穿戴装备的人跌倒状态嵌入式智能检测方法
CN110620905A (zh) * 2019-09-06 2019-12-27 平安医疗健康管理股份有限公司 视频监控方法、装置、计算机设备和存储介质
CN110765860A (zh) * 2019-09-16 2020-02-07 平安科技（深圳）有限公司 摔倒判定方法、装置、计算机设备及存储介质
CN111052194A (zh) * 2017-05-25 2020-04-21 三星电子株式会社 用于检测危险情况的方法和***
US20200211154A1 (en) * 2018-12-30 2020-07-02 Altumview Systems Inc. Method and system for privacy-preserving fall detection

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105279483B (zh) * 2015-09-28 2018-08-21 华中科技大学 一种基于深度图像的跌倒行为实时检测方法
US20170213080A1 (en) * 2015-11-19 2017-07-27 Intelli-Vision Methods and systems for automatically and accurately detecting human bodies in videos and/or images
CN110490080B (zh) * 2019-07-22 2023-05-09 毕昇云(武汉)信息技术有限公司 一种基于图像的人体跌倒判别方法
CN111209848B (zh) * 2020-01-03 2023-07-21 北京工业大学 一种基于深度学习的实时跌倒检测方法
CN111899470B (zh) * 2020-08-26 2022-07-22 歌尔科技有限公司 人体跌倒检测方法、装置、设备及存储介质

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20170188895A1 (en) * 2014-03-12 2017-07-06 Smart Monitor Corp System and method of body motion analytics recognition and alerting
CN103955699A (zh) * 2014-03-31 2014-07-30 北京邮电大学 一种基于监控视频的实时摔倒事件检测方法
CN111052194A (zh) * 2017-05-25 2020-04-21 三星电子株式会社 用于检测危险情况的方法和***
CN109009145A (zh) * 2018-07-24 2018-12-18 西安工程大学 一种基于穿戴设备的跌倒判断方法
US20200211154A1 (en) * 2018-12-30 2020-07-02 Altumview Systems Inc. Method and system for privacy-preserving fall detection
US20200205697A1 (en) * 2018-12-30 2020-07-02 Altumview Systems Inc. Video-based fall risk assessment system
CN111383421A (zh) * 2018-12-30 2020-07-07 奥瞳***科技有限公司 隐私保护跌倒检测方法和***
CN110327050A (zh) * 2019-05-05 2019-10-15 北京理工大学 用于可穿戴装备的人跌倒状态嵌入式智能检测方法
CN110620905A (zh) * 2019-09-06 2019-12-27 平安医疗健康管理股份有限公司 视频监控方法、装置、计算机设备和存储介质
CN110765860A (zh) * 2019-09-16 2020-02-07 平安科技（深圳）有限公司 摔倒判定方法、装置、计算机设备及存储介质

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
刘勇: "基于模式识别的跌倒检测仪研究", 《中国优秀硕士学位论文全文数据库（电子期刊） 工程科技Ⅱ辑》 *
范凯波: "基于视频的跌倒人体目标识别研究", 《中国优秀博硕士学位论文全文数据库（博士）社会科学Ⅱ辑》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2022041484A1 (zh) * 2020-08-26 2022-03-03 歌尔股份有限公司 人体跌倒检测方法、装置、设备及存储介质
CN112489368A (zh) * 2020-11-30 2021-03-12 安徽国广数字科技有限公司 智能跌倒识别与检测报警方法及***

Also Published As

Publication number Publication date
WO2022041484A1 (zh) 2022-03-03
CN111899470B (zh) 2022-07-22

Similar Documents

Publication Publication Date Title
CN111899470B (zh) 人体跌倒检测方法、装置、设备及存储介质
CN109508694B (zh) 一种人脸识别方法及识别装置
CN108805047B (zh) 一种活体检测方法、装置、电子设备和计算机可读介质
CN111178183B (zh) 人脸检测方法及相关装置
KR101825045B1 (ko) 경보 방법 및 장치
EP1936576B1 (en) Camera tampering detection
CN111898581B (zh) 动物检测方法、装置、电子设备及可读存储介质
CN109299658B (zh) 脸部检测方法、脸部图像渲染方法、装置及存储介质
CN109815787B (zh) 目标识别方法、装置、存储介质及电子设备
CN111444555B (zh) 一种测温信息显示方法、装置及终端设备
CN113052147A (zh) 一种行为识别方法及装置
CN111191507A (zh) 智慧社区的安全预警分析方法及***
CN115346060A (zh) 画面异常识别方法、装置、电子设备和存储介质
CN111401239B (zh) 一种视频分析方法、装置、***、设备及存储介质
CN110505438B (zh) 一种排队数据的获取方法和摄像机
CN110795980A (zh) 基于网络视频的逃犯识别方法、设备、存储介质及装置
CN111814776B (zh) 一种图像处理方法、设备、服务器及存储介质
JP2007018324A (ja) 画像処理による侵入物体検出装置および方法およびプログラム
CN112333537B (zh) 视频整合方法、装置及计算机可读存储介质
CN109741224A (zh) 布控方法及相关产品
CN114764895A (zh) 异常行为检测装置和方法
US20200311401A1 (en) Analyzing apparatus, control method, and program
CN114463776A (zh) 跌倒识别方法、装置、设备及存储介质
CN117115729A (zh) 报警方法、装置、设备及存储介质
CN111414886A (zh) 一种人体动态特征的智能识别***

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
GR01 Patent grant
GR01 Patent grant