CN113128379A - 人体跌倒检测方法、计算机可读存储介质和电子装置 - Google Patents
人体跌倒检测方法、计算机可读存储介质和电子装置 Download PDFInfo
- Publication number
- CN113128379A CN113128379A CN202110367822.3A CN202110367822A CN113128379A CN 113128379 A CN113128379 A CN 113128379A CN 202110367822 A CN202110367822 A CN 202110367822A CN 113128379 A CN113128379 A CN 113128379A
- Authority
- CN
- China
- Prior art keywords
- human body
- frame
- body target
- target
- human
- 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.)
- Withdrawn
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
- G06V20/41—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items
-
- 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
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- General Physics & Mathematics (AREA)
- Human Computer Interaction (AREA)
- Health & Medical Sciences (AREA)
- Social Psychology (AREA)
- Psychiatry (AREA)
- General Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及机器视觉技术,公开了一种人体跌倒检测方法、计算机可读存储介质和电子装置,主要解决现有的跌倒检测技术误判率较高的问题。本发明通过实时检测监控视频中的人体目标的骨骼关键点,并对当前时刻前的连续的预设数量帧中的人体目标的骨骼关键点进行分析,来判断人体目标是否发生跌倒,从动态角度实现了对人体跌倒过程的检测,从而能够准确判断人体是否发生跌倒。
Description
技术领域
本发明涉及机器视觉技术,尤其涉及一种人体跌倒检测方法、计算机可读存储介质和电子装置。
背景技术
随着中国经济社会的发展和人民物质生活水平的提高,中国的人均预期寿命不断增长,老年人口占比越来越大,老年人口数量越来越多。与此同时,由于中国地区经济发展不均衡,年轻人远离家乡在外就业的现象非常普遍,老年人与子女分开生活成为中国家庭的普遍生活状态。由此导致老年人的健康监护问题成为一大社会问题。在直接导致老年人受到伤害或死亡的各种诱因中,跌倒是最大诱因。当老年人发生跌倒时,如果不能及时发现并采取救治措施,极易导致老年人受到重大伤害或死亡。
当前主流的人体跌倒检测技术主要分为三类:一是在可穿戴设备中内置陀螺仪、三轴加速度计等,通过检测老人的姿态、加速度等来判断老人是否发生跌倒;二是通过压力传感器、振动传感器、音频传感器等环境传感器来检测老人的压力、振动和所处环境的声音,以判断老人是否发生跌倒;三是通过基于视觉的传感器,来检测老人的身体姿势,以判断老人是否发生跌倒。但是这三种方式都存在较高的误判率,即把非跌倒动作检测为发生跌倒。例如,当老人在做剧烈运动时,第一、二种检测方式可能发生误判,当老人在做一些非常规姿势时,第三种方式可能发生误判。现有的跌倒检测技术较高的误判率造成了用户使用体验的下降,给监护人造成了不便。
发明内容
本发明主要目的在于,提供一种人体跌倒检测方法、计算机可读存储介质和电子装置,以解决现有的跌倒检测技术误判率较高的问题。
本发明是通过如下技术方案实现的:
一种人体跌倒检测方法,包括:
实时检测监控视频中的人体目标;
实时检测所述人体目标的骨骼关键点;
根据所述监控视频的在当前时刻前的连续的预设数量帧中的人体目标的骨骼关键点判断所述人体目标是否发生跌倒。
进一步地,所述根据所述监控视频的在当前时刻前的连续的预设数量帧中的人体目标的骨骼关键点判断所述人体目标是否发生跌倒,包括:
根据各帧中的人体目标的骨骼关键点,确定各帧中所述人体目标的重心;
根据各帧中所述人体目标的重心,计算所述人体目标的重心在所述预设数量帧所对应的时长内的下降距离和平均下降速度;
当所述下降距离大于第一阈值,且所述平均下降速度大于第二阈值时,判定所述人体目标发生跌倒。
进一步地,所述根据所述监控视频的在当前时刻前的连续的预设数量帧中的人体目标的骨骼关键点判断所述人体目标是否发生跌倒,包括:
根据各帧中的人体目标的骨骼关键点,确定各帧中所述人体目标的重心和支撑面;
根据各帧中所述人体目标的重心,计算所述人体目标的重心在所述预设数量帧所对应的时长内的下降距离和平均下降速度;
根据各帧中所述人体目标的重心,判断各帧中所述人体目标的重心线是否落入其支撑面内;
当所述下降距离大于第一阈值,且所述平均下降速度大于第二阈值,且各帧中所述人体目标的重心线均未穿过其支撑面内时,判定所述人体目标发生跌倒。
进一步地,所述根据所述监控视频的在当前时刻前的连续的预设数量帧中的人体目标的骨骼关键点判断所述人体目标是否发生跌倒,包括:
根据各帧中的人体目标的骨骼关键点,确定各帧中所述人体目标的纵向中心线;
计算各帧中所述纵向中心线与地面间的夹角;
根据各帧中所述纵向中心线与地面间的夹角,计算所述纵向中心线与地面间的夹角在所述预设数量帧所对应的时长内的减小量和减小速率;
当所述减小量大于第三阈值,且所述减小速率大于第四阈值,且各帧中所述纵向中心线与地面间的夹角均小于第五阈值时,判定所述人体目标发生跌倒。
进一步地,所述根据所述监控视频的在当前时刻前的连续的预设数量帧中的人体目标的骨骼关键点判断所述人体目标是否发生跌倒,包括:
根据各帧中的人体目标的骨骼关键点,确定各帧中所述人体目标的重心和最小外接矩形;
根据各帧中所述人体目标的重心,计算所述人体目标的重心在所述预设数量帧所对应的时长内的下降距离和平均下降速度;
计算各帧中所述最小外接矩形的宽高比;
当所述下降距离大于第一阈值,且所述平均下降速度大于第二阈值,且所述宽高比大于第六阈值时,判定所述人体目标发生跌倒。
进一步地,所述根据所述监控视频的在当前时刻前的连续的预设数量帧中的人体目标的骨骼关键点判断所述人体目标是否发生跌倒,包括:
根据各帧中的人体目标的骨骼关键点,确定各帧中所述人体目标的重心、支撑面和最小外接矩形;
根据各帧中所述人体目标的重心,计算所述人体目标的重心在所述预设数量帧所对应的时长内的下降距离和平均下降速度;
根据各帧中所述人体目标的重心,判断各帧中所述人体目标的重心线是否落入其支撑面内;
计算各帧中所述最小外接矩形的宽高比;
当所述下降距离大于第一阈值,且所述平均下降速度大于第二阈值,且各帧中所述人体目标的重心线均未穿过其支撑面内,且所述宽高比大于第六阈值时,判定所述人体目标发生跌倒。
进一步地,所述根据所述监控视频的在当前时刻前的连续的预设数量帧中的人体目标的骨骼关键点判断所述人体目标是否发生跌倒,包括:
根据各帧中的人体目标的骨骼关键点,确定各帧中所述人体目标的纵向中心线和最小外接矩形;
计算各帧中所述纵向中心线与地面间的夹角;
根据各帧中所述纵向中心线与地面间的夹角,计算所述纵向中心线与地面间的夹角在所述预设数量帧所对应的时长内的减小量和减小速率;
计算各帧中所述最小外接矩形的宽高比;
当所述减小量大于第三阈值,且所述减小速率大于第四阈值,且各帧中所述纵向中心线与地面间的夹角均小于第五阈值,且所述宽高比大于第六阈值时,判定所述人体目标发生跌倒。
进一步地,所述根据所述监控视频的在当前时刻前的连续的预设数量帧中的人体目标的骨骼关键点判断所述人体目标是否发生跌倒,包括:
根据各帧中的人体目标的骨骼关键点,确定各帧中所述人体目标的重心、支撑面和纵向中心线;
根据各帧中所述人体目标的重心,计算所述人体目标的重心在所述预设数量帧所对应的时长内的下降距离和平均下降速度;
根据各帧中所述人体目标的重心,判断各帧中所述人体目标的重心线是否落入其支撑面内;
计算各帧中所述纵向中心线与地面间的夹角;
根据各帧中所述纵向中心线与地面间的夹角,计算所述纵向中心线与地面间的夹角在所述预设数量帧所对应的时长内的减小量和减小速率;
当所述下降距离大于第一阈值,且所述平均下降速度大于第二阈值,且各帧中所述人体目标的重心线均未穿过其支撑面内,且所述减小量大于第三阈值,且所述减小速率大于第四阈值,且各帧中所述纵向中心线与地面间的夹角均小于第五阈值时,判定所述人体目标发生跌倒。
进一步地,所述根据所述监控视频的在当前时刻前的连续的预设数量帧中的人体目标的骨骼关键点判断所述人体目标是否发生跌倒,包括:
根据各帧中的人体目标的骨骼关键点,确定各帧中所述人体目标的重心、支撑面、纵向中心线和最小外接矩形;
根据各帧中所述人体目标的重心,计算所述人体目标的重心在所述预设数量帧所对应的时长内的下降距离和平均下降速度;
根据各帧中所述人体目标的重心,判断各帧中所述人体目标的重心线是否落入其支撑面内;
计算各帧中所述纵向中心线与地面间的夹角;
根据各帧中所述纵向中心线与地面间的夹角,计算所述纵向中心线与地面间的夹角在所述预设数量帧所对应的时长内的减小量和减小速率;
计算各帧中所述最小外接矩形的宽高比;
当所述下降距离大于第一阈值,且所述平均下降速度大于第二阈值,且各帧中所述人体目标的重心线均未穿过其支撑面内,且所述减小量大于第三阈值,且所述减小速率大于第四阈值,且各帧中所述纵向中心线与地面间的夹角均小于第五阈值,且所述宽高比大于第六阈值时,判定所述人体目标发生跌倒。
一种计算机可读存储介质,其上存储有能够被处理器执行的计算机程序,所述计算机程序被处理器执行时,实现如上所述的任意一种人体跌倒检测方法。
一种电子装置,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计算机程序,所述处理器执行所述计算机程序时,实现如上所述的任意一种人体跌倒检测方法。
与现有技术相比,本发明提供的人体跌倒检测方法、计算机可读存储介质和电子装置,通过实时检测监控视频中的人体目标的骨骼关键点,并对当前时刻前的连续的预设数量帧中的人体目标的骨骼关键点进行分析,来判断人体目标是否发生跌倒,从动态角度实现了对人体跌倒过程的检测,从而能够准确判断人体是否发生跌倒。
附图说明
图1是本发明提供的人体跌倒检测方法的主要流程示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白,下面结合实施例和附图,对本发明作进一步详细说明。
本发明提供的一种人体跌倒检测方法主要是通过对人体目标的骨骼关键点的特征及其变化情况进行检测分析,从而判断人体目标是否发生跌倒。总体上,该人体跌倒检测方法包括以下步骤:
步骤S1:实时检测监控视频中的人体目标;
步骤S2:实时检测人体目标的骨骼关键点;
步骤S3:根据监控视频的在当前时刻前的连续的预设数量帧中的人体目标的骨骼关键点判断人体目标是否发生跌倒。
步骤S1中,可以利用现有的人体目标检测及跟踪算法对人体目标进行检测及跟踪,在此不作赘述。
步骤S2中,可以选取人体目标的18个骨骼关键点进行检测,这18个骨骼关键点分别是:0-鼻子,1-脖子,2-右肩,3-右肘,4-右腕,5-左肩,6-左肘,7-左腕,8-右髋,9-右膝,10-右踝,11-左髋,12-左膝,13-左踝,14-右眼,15-左眼,16-右耳,17-左耳。可以采用OpenPose进行骨骼关键点的检测。OpenPose是美国***梅隆大学(CMU)基于卷积神经网络和监督学习并以caffe为框架开发的开源库,可以实现人体动作、面部表情、手指运动等姿态估计,能够实现多个目标的分辨和跟踪,适用于单人和多人,具有极好的鲁棒性。
步骤S3是本发明的主要创新所在。步骤S3可以通过多种方式实现,在不同的方式中,步骤S3可以包括不同的具体步骤。步骤S3的各种实现方式如下。
在第一种方式中,步骤S3包括:
根据各帧中的人体目标的骨骼关键点,确定各帧中人体目标的重心;
根据各帧中人体目标的重心,计算人体目标的重心在预设数量帧所对应的时长内的下降距离和平均下降速度;
当下降距离大于第一阈值,且平均下降速度大于第二阈值时,判定人体目标发生跌倒。
第一种方式主要根据人体目标的重心的下降距离和下降速度来实现对人体跌倒的判断。一般来说,当人体发生跌倒时,其重心会降低到接近地面的高度,其重心从原高度降低到接近地面的高度,重心下降的距离基本上是该人体的髋关节距离其踝关节的高度。可以先根据该人体目标的骨骼关键点,计算该人体目标的其中一个髋关节距离同侧踝关节的高度,并将该高度作为第一阈值。或者先根据该人体目标的骨骼关键点,计算该人体目标的两个髋关节的连线的中点距离其两个踝关节的连线的中点的高度,并将该高度作为第一阈值。同时,在下降速度上,由于人体跌倒是不自主的,因此在人体跌倒过程中其重心的下降速度是要高于平时蹲下或坐下的速度的,可以设置一个比平时蹲下或坐下的重心下降速度更高的值(例如1米/秒或2米/秒)作为该第二阈值。第一种方式只通过对人体目标的重心的变化情况进行分析来判断人体目标是否发生跌倒,同样考虑到了对人体跌倒过程的检测,能够得到基本准确的检测结果,同时,由于只需要分析人体目标的重心变化情况,计算量小,能够节约计算资源,提高检测速度。
在第二种方式中,步骤S3包括:
根据各帧中的人体目标的骨骼关键点,确定各帧中人体目标的重心和支撑面;
根据各帧中人体目标的重心,计算人体目标的重心在预设数量帧所对应的时长内的下降距离和平均下降速度;
根据各帧中人体目标的重心,判断各帧中人体目标的重心线是否落入其支撑面内;
当下降距离大于第一阈值,且平均下降速度大于第二阈值,且各帧中人体目标的重心线均未穿过其支撑面内时,判定人体目标发生跌倒。
第二种方式与第一种方式的不同之处在于,第二种方式在第一种方式的基础上加入了重心线和支撑面的分析因素。人体的重心线是指通过人体重心向重心方向所引的一条直线,是分析人物运动的重要依据和辅助线。人体的支撑面是指人体与其所站立的表面(例如地面)的各个接触点中的所有最***的接触点所围成范围,因此支撑面并不是一个无限平面。一般而言,当人体发生或即将发生跌倒时,其重心线会落在其支撑面外,第二种方式进一步根据各帧中人体目标的重心,判断各帧中人体目标的重心线是否落入其支撑面内,这样能够对各帧中该人体目标是否重心稳定做出判断。第二种方式在满足了第一种方式中的重心的下降距离和平均下降速度的检测结果的前提下,还必须满足各帧中该人体目标重心不稳(即各帧中人体目标的重心线均未穿过其支撑面内)这一检测结果,才判定该人体目标发生跌倒,与第一种方式相比能够进一步提高对人体跌倒的检测准确性。
在第三种方式中,步骤S3包括:
根据各帧中的人体目标的骨骼关键点,确定各帧中人体目标的纵向中心线;
计算各帧中纵向中心线与地面间的夹角;
根据各帧中纵向中心线与地面间的夹角,计算纵向中心线与地面间的夹角在预设数量帧所对应的时长内的减小量和减小速率;
当减小量大于第三阈值,且减小速率大于第四阈值,且各帧中纵向中心线与地面间的夹角均小于第五阈值时,判定人体目标发生跌倒。
第三种方式不同于第一种方式和第二种方式,第三种方式通过计算帧中纵向中心线与地面间的夹角,并分析该夹角的变化情况,来判断人体是否发生跌倒。人体的纵向中心线是指将人体轮廓分成左右对称的两部分的那条线。例如,可以以人体的1-脖子、8-右髋、11-左髋三点构成三角形,计算一条经过1-脖子的中线,将该中线作为人体的纵向中心线。选择这三点构成三角形并计算人体纵向中心线的好处是,不管人体在何种姿势下,相对于其他点而言,这三个点的位置关系都是相对固定的,因此,通过这三个点来确定人体的纵向中心线比较准确。一般而言,当人体发生跌倒时,其纵向中心线与地面之间的夹角将会减小。理想情况下,当人体目标正常站立时,其纵向中心线与地面间的夹角应当是90度,当人体目标平躺时,其纵向中心线与地面间的夹角应当是0度。人体跌倒时,其纵向重心线与地面间的夹角应当是小于90度,并接近0度,可以设置一个合适的度数,符合绝大多数跌倒情况下人体纵向中心线与地面间的夹角,将该度数作为第五阈值。同时,一般情况下,人体的跌倒速度会比人体坐下或躺下等正常动作的速度要快,人体跌倒时其纵向中心线与地面间的夹角的减小速率也会比人体在进行坐下或躺下等正常动作时其纵向中心线与地面间的夹角的减小速率要大,可以通过设置一个比平时坐下或躺下等正常动作的夹角减小速率更高的值(例如45度/秒或90度/秒)作为该第四阈值。同时,当人体发生跌倒时,其纵向中心线与地面间的夹角在该预设数量帧所对应的时长内的减小量应当也是大于平时进行坐下或躺下等正常动作时该夹角在该市场内的减小量的,可以设置一个合适的值(例如60度)作为该第三阈值。第三种方式与第一种方式的不同之处在于第三种方式是通过人体纵向中心线与地面间的夹角的变化来反映人体的跌倒过程,而第一种方式是通过人体重心的变化来反映人体的跌倒过程。
在第四种方式中,步骤S3包括:
根据各帧中的人体目标的骨骼关键点,确定各帧中人体目标的重心和最小外接矩形;
根据各帧中人体目标的重心,计算人体目标的重心在预设数量帧所对应的时长内的下降距离和平均下降速度;
计算各帧中最小外接矩形的宽高比;
当下降距离大于第一阈值,且平均下降速度大于第二阈值,且宽高比大于第六阈值时,判定人体目标发生跌倒。
第四种方式与第一种方式的区别在于,第四种方式在第一种方式的基础上加入了最小外接矩形的分析因素。人体处于跌倒状态和非跌倒状态时,由同一固定摄像机拍摄到的人体目标的最小外接矩形的宽高比是不同的,最小外接矩形的宽高比中,宽是指该最小外接矩形的左右宽度,高是指该最小外接矩形的上下高度。当人体处于正常站立状态时,其最小外接矩形的宽高比是较小的,而当人体跌倒时,其最小外接矩形的宽高比是较大的,通过实时检测人体目标的最小外接矩形的宽高比可以从另一侧面反映该人体目标是否跌倒,可以设定一个合适的阈值(例如1/2),当小于该值时判定人体为非跌倒状态,当大于该值时判定人体为跌倒状态。可以直接将根据人体目标的18个骨骼关键点确定的最小外接矩形作为该人体目标的最小外接矩形。第四种方式在满足了第一种方式中的重心的下降距离和平均下降速度的检测结果的前提下,还必须满足各帧中该人体目标的最小外接矩形的宽高比大于第六阈值这一检测结果,才判定该人体目标发生跌倒,与第一种方式相比能够进一步提高对人体跌倒的检测准确性。
在第五种方式中,步骤S3包括:
根据各帧中的人体目标的骨骼关键点,确定各帧中人体目标的重心、支撑面和最小外接矩形;
根据各帧中人体目标的重心,计算人体目标的重心在预设数量帧所对应的时长内的下降距离和平均下降速度;
根据各帧中人体目标的重心,判断各帧中人体目标的重心线是否落入其支撑面内;
计算各帧中最小外接矩形的宽高比;
当下降距离大于第一阈值,且平均下降速度大于第二阈值,且各帧中人体目标的重心线均未穿过其支撑面内,且宽高比大于第六阈值时,判定人体目标发生跌倒。
第五种方式是在第二种方式的基础上加入最小外接矩形的分析因素,与第二种方式相比能够进一步提高对人体跌倒的检测准确性。对人体目标最小外接矩形的分析可参考上述第四种方式中的描述,在此不作赘述。
在第六种方式中,步骤S3包括:
根据各帧中的人体目标的骨骼关键点,确定各帧中人体目标的纵向中心线和最小外接矩形;
计算各帧中纵向中心线与地面间的夹角;
根据各帧中纵向中心线与地面间的夹角,计算纵向中心线与地面间的夹角在预设数量帧所对应的时长内的减小量和减小速率;
计算各帧中最小外接矩形的宽高比;
当减小量大于第三阈值,且减小速率大于第四阈值,且各帧中纵向中心线与地面间的夹角均小于第五阈值,且宽高比大于第六阈值时,判定人体目标发生跌倒。
第六种方式是在第三种方式的基础上加入最小外接矩形的分析因素,与第三种方式相比能够进一步提高对人体跌倒的检测准确性。对人体目标最小外接矩形的分析可参考上述第四种方式中的描述,在此不作赘述。
在第七种方式中,步骤S3包括:
根据各帧中的人体目标的骨骼关键点,确定各帧中人体目标的重心、支撑面和纵向中心线;
根据各帧中人体目标的重心,计算人体目标的重心在预设数量帧所对应的时长内的下降距离和平均下降速度;
根据各帧中人体目标的重心,判断各帧中人体目标的重心线是否落入其支撑面内;
计算各帧中纵向中心线与地面间的夹角;
根据各帧中纵向中心线与地面间的夹角,计算纵向中心线与地面间的夹角在预设数量帧所对应的时长内的减小量和减小速率;
当下降距离大于第一阈值,且平均下降速度大于第二阈值,且各帧中人体目标的重心线均未穿过其支撑面内,且减小量大于第三阈值,且减小速率大于第四阈值,且各帧中纵向中心线与地面间的夹角均小于第五阈值时,判定人体目标发生跌倒。
第七种方式相当于是第二种方式和第三种方式的结合,即将人体目标的重心、重心线、支撑面和纵向中心线综合分析来判断该人体目标是否发生跌倒,只有当各个因素都表明人体目标发生跌倒时才判定该人体目标发生跌倒。
在第八种方式中,步骤S3包括:
根据各帧中的人体目标的骨骼关键点,确定各帧中人体目标的重心、支撑面、纵向中心线和最小外接矩形;
根据各帧中人体目标的重心,计算人体目标的重心在预设数量帧所对应的时长内的下降距离和平均下降速度;
根据各帧中人体目标的重心,判断各帧中人体目标的重心线是否落入其支撑面内;
计算各帧中纵向中心线与地面间的夹角;
根据各帧中纵向中心线与地面间的夹角,计算纵向中心线与地面间的夹角在预设数量帧所对应的时长内的减小量和减小速率;
计算各帧中最小外接矩形的宽高比;
当下降距离大于第一阈值,且平均下降速度大于第二阈值,且各帧中人体目标的重心线均未穿过其支撑面内,且减小量大于第三阈值,且减小速率大于第四阈值,且各帧中纵向中心线与地面间的夹角均小于第五阈值,且宽高比大于第六阈值时,判定人体目标发生跌倒。
第八种方式是在第七种方式的基础上加入最小外接矩形的分析因素,与第七种方式相比能够进一步提高对人体跌倒的检测准确性。对人体目标最小外接矩形的分析可参考上述第四种方式中的描述,在此不作赘述。
本发明还提供了一种计算机可读存储介质,其上存储有能够被处理器执行的计算机程序,计算机程序被处理器执行时,实现如上的任意一种人体跌倒检测方法。
本发明还提供了一种电子装置,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,处理器执行计算机程序时,实现如上的任意一种人体跌倒检测方法。
上述实施例仅为优选实施例,并不用以限制本发明的保护范围,在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (11)
1.一种人体跌倒检测方法,其特征在于,包括:
实时检测监控视频中的人体目标;
实时检测所述人体目标的骨骼关键点;
根据所述监控视频的在当前时刻前的连续的预设数量帧中的人体目标的骨骼关键点判断所述人体目标是否发生跌倒。
2.如权利要求1所述的人体跌倒检测方法,其特征在于,所述根据所述监控视频的在当前时刻前的连续的预设数量帧中的人体目标的骨骼关键点判断所述人体目标是否发生跌倒,包括:
根据各帧中的人体目标的骨骼关键点,确定各帧中所述人体目标的重心;
根据各帧中所述人体目标的重心,计算所述人体目标的重心在所述预设数量帧所对应的时长内的下降距离和平均下降速度;
当所述下降距离大于第一阈值,且所述平均下降速度大于第二阈值时,判定所述人体目标发生跌倒。
3.如权利要求1所述的人体跌倒检测方法,其特征在于,所述根据所述监控视频的在当前时刻前的连续的预设数量帧中的人体目标的骨骼关键点判断所述人体目标是否发生跌倒,包括:
根据各帧中的人体目标的骨骼关键点,确定各帧中所述人体目标的重心和支撑面;
根据各帧中所述人体目标的重心,计算所述人体目标的重心在所述预设数量帧所对应的时长内的下降距离和平均下降速度;
根据各帧中所述人体目标的重心,判断各帧中所述人体目标的重心线是否落入其支撑面内;
当所述下降距离大于第一阈值,且所述平均下降速度大于第二阈值,且各帧中所述人体目标的重心线均未穿过其支撑面内时,判定所述人体目标发生跌倒。
4.如权利要求1所述的人体跌倒检测方法,其特征在于,所述根据所述监控视频的在当前时刻前的连续的预设数量帧中的人体目标的骨骼关键点判断所述人体目标是否发生跌倒,包括:
根据各帧中的人体目标的骨骼关键点,确定各帧中所述人体目标的纵向中心线;
计算各帧中所述纵向中心线与地面间的夹角;
根据各帧中所述纵向中心线与地面间的夹角,计算所述纵向中心线与地面间的夹角在所述预设数量帧所对应的时长内的减小量和减小速率;
当所述减小量大于第三阈值,且所述减小速率大于第四阈值,且各帧中所述纵向中心线与地面间的夹角均小于第五阈值时,判定所述人体目标发生跌倒。
5.如权利要求1所述的人体跌倒检测方法,其特征在于,所述根据所述监控视频的在当前时刻前的连续的预设数量帧中的人体目标的骨骼关键点判断所述人体目标是否发生跌倒,包括:
根据各帧中的人体目标的骨骼关键点,确定各帧中所述人体目标的重心和最小外接矩形;
根据各帧中所述人体目标的重心,计算所述人体目标的重心在所述预设数量帧所对应的时长内的下降距离和平均下降速度;
计算各帧中所述最小外接矩形的宽高比;
当所述下降距离大于第一阈值,且所述平均下降速度大于第二阈值,且所述宽高比大于第六阈值时,判定所述人体目标发生跌倒。
6.如权利要求1所述的人体跌倒检测方法,其特征在于,所述根据所述监控视频的在当前时刻前的连续的预设数量帧中的人体目标的骨骼关键点判断所述人体目标是否发生跌倒,包括:
根据各帧中的人体目标的骨骼关键点,确定各帧中所述人体目标的重心、支撑面和最小外接矩形;
根据各帧中所述人体目标的重心,计算所述人体目标的重心在所述预设数量帧所对应的时长内的下降距离和平均下降速度;
根据各帧中所述人体目标的重心,判断各帧中所述人体目标的重心线是否落入其支撑面内;
计算各帧中所述最小外接矩形的宽高比;
当所述下降距离大于第一阈值,且所述平均下降速度大于第二阈值,且各帧中所述人体目标的重心线均未穿过其支撑面内,且所述宽高比大于第六阈值时,判定所述人体目标发生跌倒。
7.如权利要求1所述的人体跌倒检测方法,其特征在于,所述根据所述监控视频的在当前时刻前的连续的预设数量帧中的人体目标的骨骼关键点判断所述人体目标是否发生跌倒,包括:
根据各帧中的人体目标的骨骼关键点,确定各帧中所述人体目标的纵向中心线和最小外接矩形;
计算各帧中所述纵向中心线与地面间的夹角;
根据各帧中所述纵向中心线与地面间的夹角,计算所述纵向中心线与地面间的夹角在所述预设数量帧所对应的时长内的减小量和减小速率;
计算各帧中所述最小外接矩形的宽高比;
当所述减小量大于第三阈值,且所述减小速率大于第四阈值,且各帧中所述纵向中心线与地面间的夹角均小于第五阈值,且所述宽高比大于第六阈值时,判定所述人体目标发生跌倒。
8.如权利要求1所述的人体跌倒检测方法,其特征在于,所述根据所述监控视频的在当前时刻前的连续的预设数量帧中的人体目标的骨骼关键点判断所述人体目标是否发生跌倒,包括:
根据各帧中的人体目标的骨骼关键点,确定各帧中所述人体目标的重心、支撑面和纵向中心线;
根据各帧中所述人体目标的重心,计算所述人体目标的重心在所述预设数量帧所对应的时长内的下降距离和平均下降速度;
根据各帧中所述人体目标的重心,判断各帧中所述人体目标的重心线是否落入其支撑面内;
计算各帧中所述纵向中心线与地面间的夹角;
根据各帧中所述纵向中心线与地面间的夹角,计算所述纵向中心线与地面间的夹角在所述预设数量帧所对应的时长内的减小量和减小速率;
当所述下降距离大于第一阈值,且所述平均下降速度大于第二阈值,且各帧中所述人体目标的重心线均未穿过其支撑面内,且所述减小量大于第三阈值,且所述减小速率大于第四阈值,且各帧中所述纵向中心线与地面间的夹角均小于第五阈值时,判定所述人体目标发生跌倒。
9.如权利要求1所述的人体跌倒检测方法,其特征在于,所述根据所述监控视频的在当前时刻前的连续的预设数量帧中的人体目标的骨骼关键点判断所述人体目标是否发生跌倒,包括:
根据各帧中的人体目标的骨骼关键点,确定各帧中所述人体目标的重心、支撑面、纵向中心线和最小外接矩形;
根据各帧中所述人体目标的重心,计算所述人体目标的重心在所述预设数量帧所对应的时长内的下降距离和平均下降速度;
根据各帧中所述人体目标的重心,判断各帧中所述人体目标的重心线是否落入其支撑面内;
计算各帧中所述纵向中心线与地面间的夹角;
根据各帧中所述纵向中心线与地面间的夹角,计算所述纵向中心线与地面间的夹角在所述预设数量帧所对应的时长内的减小量和减小速率;
计算各帧中所述最小外接矩形的宽高比;
当所述下降距离大于第一阈值,且所述平均下降速度大于第二阈值,且各帧中所述人体目标的重心线均未穿过其支撑面内,且所述减小量大于第三阈值,且所述减小速率大于第四阈值,且各帧中所述纵向中心线与地面间的夹角均小于第五阈值,且所述宽高比大于第六阈值时,判定所述人体目标发生跌倒。
10.一种计算机可读存储介质,其上存储有能够被处理器执行的计算机程序,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9中的任意一项所述的人体跌倒检测方法。
11.一种电子装置,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9中的任意一项所述的人体跌倒检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110367822.3A CN113128379A (zh) | 2021-04-06 | 2021-04-06 | 人体跌倒检测方法、计算机可读存储介质和电子装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110367822.3A CN113128379A (zh) | 2021-04-06 | 2021-04-06 | 人体跌倒检测方法、计算机可读存储介质和电子装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113128379A true CN113128379A (zh) | 2021-07-16 |
Family
ID=76774987
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110367822.3A Withdrawn CN113128379A (zh) | 2021-04-06 | 2021-04-06 | 人体跌倒检测方法、计算机可读存储介质和电子装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113128379A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114220119A (zh) * | 2021-11-10 | 2022-03-22 | 深圳前海鹏影数字软件运营有限公司 | 人体姿态检测方法、终端设备及计算机可读存储介质 |
CN114842560A (zh) * | 2022-07-04 | 2022-08-02 | 广东瑞恩科技有限公司 | 基于计算机视觉的建筑工地人员危险行为识别方法 |
CN114942434A (zh) * | 2022-04-25 | 2022-08-26 | 西南交通大学 | 一种基于毫米波雷达点云的跌倒姿态识别方法及*** |
-
2021
- 2021-04-06 CN CN202110367822.3A patent/CN113128379A/zh not_active Withdrawn
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114220119A (zh) * | 2021-11-10 | 2022-03-22 | 深圳前海鹏影数字软件运营有限公司 | 人体姿态检测方法、终端设备及计算机可读存储介质 |
CN114220119B (zh) * | 2021-11-10 | 2022-08-12 | 深圳前海鹏影数字软件运营有限公司 | 人体姿态检测方法、终端设备及计算机可读存储介质 |
CN114942434A (zh) * | 2022-04-25 | 2022-08-26 | 西南交通大学 | 一种基于毫米波雷达点云的跌倒姿态识别方法及*** |
CN114942434B (zh) * | 2022-04-25 | 2024-02-02 | 四川八维九章科技有限公司 | 一种基于毫米波雷达点云的跌倒姿态识别方法及*** |
CN114842560A (zh) * | 2022-07-04 | 2022-08-02 | 广东瑞恩科技有限公司 | 基于计算机视觉的建筑工地人员危险行为识别方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113128379A (zh) | 人体跌倒检测方法、计算机可读存储介质和电子装置 | |
Nizam et al. | Human fall detection from depth images using position and velocity of subject | |
CN110605724B (zh) | 一种智能养老陪伴机器人 | |
CN104361321B (zh) | 一种判断老年人摔倒行为及身体平衡能力的方法 | |
CN104598896B (zh) | 基于Kinect骨架追踪的人体摔倒自动检测方法 | |
Li et al. | Pre-impact fall detection based on a modified zero moment point criterion using data from Kinect sensors | |
Song et al. | Speed estimation from a tri-axial accelerometer using neural networks | |
Jensen et al. | Classification of kinematic swimming data with emphasis on resource consumption | |
CN111931733B (zh) | 基于深度相机的人体姿态检测方法 | |
AU2009321213A1 (en) | Method and apparatus for fall detection | |
Chang et al. | A pose estimation-based fall detection methodology using artificial intelligence edge computing | |
CN112115827B (zh) | 基于人体姿态动态特征的跌倒行为识别方法 | |
US10834535B2 (en) | Method for monitoring activity of subject and monitoring device therefor | |
CN110472473A (zh) | 基于姿态估计检测扶梯上人跌倒的方法 | |
Lin et al. | Wearable device for real-time monitoring of human falls | |
CN111144174A (zh) | 利用神经网络与传统算法识别视频中老人跌倒行为的*** | |
CN112370048A (zh) | 基于关节关键点的运动姿态伤害预防方法、***和存储介质 | |
CN115346272A (zh) | 基于深度图像序列的实时摔倒检测方法 | |
CN113331829B (zh) | 一种足底信息监测方法及智能鞋垫装置 | |
Liu et al. | Human body fall detection based on the Kinect sensor | |
CN105551191A (zh) | 一种跌倒检测方法 | |
CN107688828A (zh) | 一种基于手机传感器的公交车拥挤程度估测方法 | |
Ren et al. | ALARM: A novel fall detection algorithm based on personalized threshold | |
Mohd et al. | An optimized low computational algorithm for human fall detection from depth images based on Support Vector Machine classification | |
Xu et al. | Fall detection in elevator cages based on xgboost and LSTM |
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 | ||
WW01 | Invention patent application withdrawn after publication | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20210716 |