基于卷积神经网络的跌倒检测方法技术

本发明专利技术涉及一种基于卷积神经网络的跌倒检测方法，包括：训练卷积神经网络，所述训练卷积神经网络具体包括：对获取得到的每一帧图像进行预处理，预处理的工作包括依次为前景提取和归一化、白化操作；在ImageNet数据集上先对ResNet网络进行预训练，从而得到预训练模型。将基于卷积神经网络的分类方法运用到跌倒检测方法中，同时，为了提高系统的精度，减小运算的复杂度，利用一种改进的前景检测方法来提取出复杂背景下的人物，再将处理后的图像放入卷积神经网络中进行模型训练。

【技术实现步骤摘要】
基于卷积神经网络的跌倒检测方法
本专利技术涉及跌倒检测方法，特别是涉及基于卷积神经网络的跌倒检测方法。
技术介绍
现在社会老龄化趋势日益加重，老年人身体机能的下降以及越来越普遍的独居现象使得跌倒成为老年人致伤的主要原因之一，所以对跌倒行为进行检测具有十分重要的意义。传统的基于计算机视觉的跌倒检测方法通常是手动提取特征，工程量巨大，并且泛化能力差，精度不高。与传统的特征提取法不同，卷积神经网络能够自动提取特征，训练后的模型具有几何不变性，能够克服因光照和拍摄角度的变化而产生的问题。传统技术存在以下技术问题：当前跌倒检测系统主要分为两类：第一类是基于传感器的穿戴式检测系统；另一类是基于视频的检测系统。目前，基于三维加速度或者躯干角速度的穿戴式识别系统研究已经较为成熟。然而，穿戴式装置一般需要佩戴于颈部或腰部，长时间佩戴会使用户感到不适。而基于视觉的检测系统则是通过一个或几个摄像机捕捉目标的运动，通过特定的图像处理算法确定发生跌倒时的图像特征，从而将跌倒和日常活动区分开来。目前常用的基于视觉的跌倒检测算法主要是阈值法和智能算法。阈值法通常是对人体的头部位置或者重心进行检测。Diraco通过判断人体中心低于指定高度并维持超过4s时就认为发生跌倒。Rougier等人通过定位头部位置，再通过粒子滤波器估算下一帧图像中头部位置，计算水平方向和垂直方向的速度，并与阈值进行比较的方式确定是否发生跌倒。这些方法实现简单，但是精度容易受到环境等外界因素的影响。而基于机器学习的方法主要是先对图像进行人物提取，然后再手动提取特征，将获得的特征输入模型从而实现对跌倒行为的检测识别。这种方法需要人工提取特征，工程量巨大，且大部分只停留在二分类问题上，考虑到未来对于智能家居的要求变高，对于人体的各种姿势进行识别也成了不可或缺的部分。
技术实现思路
基于此，有必要针对上述技术问题，提供一种基于卷积神经网络的跌倒检测方法，将基于卷积神经网络的分类方法运用到跌倒检测方法中，同时，为了提高系统的精度，减小运算的复杂度，利用一种改进的前景检测方法来提取出复杂背景下的人物，再将处理后的图像放入卷积神经网络中进行模型训练。一种基于卷积神经网络的跌倒检测方法，包括：训练卷积神经网络，所述训练卷积神经网络具体包括：对获取得到的每一帧图像进行预处理，预处理的工作包括依次为前景提取和归一化、白化操作；在ImageNet数据集上先对ResNet网络进行预训练，从而得到预训练模型；将步骤“对获取得到的每一帧图像进行预处理，预处理的工作包括依次为前景提取和归一化、白化操作；”处理后的图片放入所述预训练模型中进行模型训练，得到模型的参数；以及将测试集输入到经过训练后的模型，用测试集对模型的精度进行检测；利用训练的后的卷积神经网络检测图片；其中，所述前景提取的方法具体包括：利用背景差分法处理图像；利用混合高斯模型处理图像；对利用背景差分法处理图像后的结果和利用混合高斯模型处理后图像的结果求与。上述基于卷积神经网络的跌倒检测方法，将基于卷积神经网络的分类方法运用到跌倒检测方法中，同时，为了提高系统的精度，减小运算的复杂度，利用一种改进的前景检测方法来提取出复杂背景下的人物，再将处理后的图像放入卷积神经网络中进行模型训练。在另外的一个实施例中，在步骤“对获取得到的每一帧图像进行预处理，预处理的工作包括依次为前景提取和归一化、白化操作；”中，获取得到的每一帧图像是通过读取视频文件得到的。在另外的一个实施例中，在步骤“利用训练的后的卷积神经网络检测图片”之后，所述训练卷积神经网络具体还包括：显示出每一帧图片的检测效果图，并实现模型的卷积核可视化。在另外的一个实施例中，步骤“显示出每一帧图片的检测效果图，并实现模型的卷积核可视化”中在matlab平台上显示出每一帧图片的检测效果图，并实现模型的卷积核可视化。在另外的一个实施例中，步骤“利用背景差分法处理图像；”具体包括：取前几帧图像的平均值，将其用作初始背景图像Bt；前帧图像与背景图像的灰度进行减运算，并取其绝对值为Nt(x,y)公式即为Nt(x,y)＝|It(x,y)-Bt(x,y)|对当前帧的像素(x,y)，若有|It(x,y)-Bt(x,y)|≥T，则该像素点为前景点，即更新当前的图像帧为；用当前帧图像更新背景图像。在另外的一个实施例中，步骤“利用混合高斯模型处理图像；”具体包括：使用高斯混合模型对背景建立模型时，序列图像的每个像素的像素值都可以用k个高斯模型模拟，因此在时刻t，某个像素值的概率密度函数可以表示为：其中，wi,t表示高斯模型的权重，而高斯模型的概率密度函数表示为：接着，将K个高斯混合模型按照权重除以标准差的商的大小排序，然后选择先前B个高斯模型用于区分判别，其中B的取值表示为：将新的图像帧中的每个像素分别放到排好序的K个高斯模型当中进行判断，判断条件为：||Xt-μt||≤β∑1/2在前面的B个高斯模型当中，如果其中有一个高斯模型中满足上述条件，那么这个像素就判定为背景，如果在B个高斯模型中上述条件都不满足时，则判定这个像素属于前景。对于每个高斯模型，假设上述条件不成立，就要减小这一个高斯模型的权重，如果上述的条件成立，就要更新这个高斯混合模型，具体操作的方法如下公式所示：wi,t＝(1-λ)wi,t-1+λBMtμi,t＝(1-α)μi,t-1+αXi,t∑i,t＝(1-α)∑i,t-1+α(Xi,t-μi,t)(Xi,t-μi,t)Tα＝λ/wi,t其中，像素为前景则BM＝0，否则BM＝1，最后用一个初始的高斯模型来代替权值最小的那个高斯模型，阈值T，学习率λ，参数β都是事先指定的常数。在另外的一个实施例中，步骤“将测试集输入到经过训练后的模型，用测试集对模型的精度进行检测；”中，所述测试集来自URFallDetectionDataset。一种计算机设备，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，所述处理器执行所述程序时实现任一项所述方法的步骤。一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现任一项所述方法的步骤。一种处理器，所述处理器用于运行程序，其中，所述程序运行时执行任一项所述的方法。附图说明图1为本申请实施例提供的一种基于卷积神经网络的跌倒检测方法的流程示意图。图2为本申请实施例提供的一种基于卷积神经网络的跌倒检测方法中的残差学习构建模块示意图。图3为本申请实施例提供的一种基于卷积神经网络的跌倒检测方法中的损失值函数曲线示意图。图4为本申请实施例提供的一种基于卷积神经网络的跌倒检测方法中模型的测试流程图。图5为本申请实施例提供的一种基于卷积神经网络的跌倒检测方法中的背景差分法的效果示意图。图6为本申请实施例提供的一种基于卷积神经网络的跌倒检测方法中的高斯混合环境模型的效果示意图。图7为本申请实施例提供的一种基于卷积神经网络的跌倒检测方法中的改进的前景检测方法的效果示意图。图8为本申请实施例提供的一种基于卷积神经网络的跌倒检测方法中的前景提取的RGB图。图9为本申请实施例提供的一种基于卷积神经网络的跌倒检测方法中的卷积核可视化。图10为本申请实施例提供的一种基于卷积神经网络的跌倒检测方法中的第一层特征图。图11为本申请实施例提供的一种基于卷积本文档来自技高网...

【技术保护点】
1.一种基于卷积神经网络的跌倒检测方法，其特征在于，包括：训练所述卷积神经网络，所述训练卷积神经网络具体包括：对获取得到的每一帧图像进行预处理，预处理的工作包括依次为前景提取和归一化、白化操作；在ImageNet数据集上先对ResNet网络进行预训练，从而得到预训练模型；将步骤“对获取得到的每一帧图像进行预处理，预处理的工作包括依次为前景提取和归一化、白化操作；”处理后的图片放入所述预训练模型中进行模型训练，得到模型的参数；以及将测试集输入到经过训练后的模型，用测试集对模型的精度进行检测；利用训练的后的卷积神经网络检测图片；其中，所述前景提取的方法具体包括：利用背景差分法处理图像；利用混合高斯模型处理图像；对利用背景差分法处理图像后的结果和利用混合高斯模型处理后图像的结果求与。

【技术特征摘要】
1.一种基于卷积神经网络的跌倒检测方法，其特征在于，包括：训练所述卷积神经网络，所述训练卷积神经网络具体包括：对获取得到的每一帧图像进行预处理，预处理的工作包括依次为前景提取和归一化、白化操作；在ImageNet数据集上先对ResNet网络进行预训练，从而得到预训练模型；将步骤“对获取得到的每一帧图像进行预处理，预处理的工作包括依次为前景提取和归一化、白化操作；”处理后的图片放入所述预训练模型中进行模型训练，得到模型的参数；以及将测试集输入到经过训练后的模型，用测试集对模型的精度进行检测；利用训练的后的卷积神经网络检测图片；其中，所述前景提取的方法具体包括：利用背景差分法处理图像；利用混合高斯模型处理图像；对利用背景差分法处理图像后的结果和利用混合高斯模型处理后图像的结果求与。2.根据权利要求1所述的基于卷积神经网络的跌倒检测方法，其特征在于，在步骤“对获取得到的每一帧图像进行预处理，预处理的工作包括依次为前景提取和归一化、白化操作；”中，获取得到的每一帧图像是通过读取视频文件得到的。3.根据权利要求1所述的基于卷积神经网络的跌倒检测方法，其特征在于，在步骤“利用训练的后的卷积神经网络检测图片”之后，所述训练卷积神经网络具体还包括：显示出每一帧图片的检测效果图，并实现模型的卷积核可视化。4.根据权利要求3所述的基于卷积神经网络的跌倒检测方法，其特征在于，步骤“显示出每一帧图片的检测效果图，并实现模型的卷积核可视化”中在matlab平台上显示出每一帧图片的检测效果图，并实现模型的卷积核可视化。5.根据权利要求1所述的基于卷积神经网络的跌倒检测方法，其特征在于，步骤“利用背景差分法处理图像；”具体包括：取前几帧图像的平均值，将其用作初始背景图像Bt；前帧图像与背景图像的灰度进行减运算，并取其绝对值为Nt(x,y)公式即为Nt(x,y)＝|It(x,y)-Bt(x,y)|对当前帧的像素(x,y)，若有|It(x,y)-Bt(x,y)|≥T，则该像素点为前景点，即更新当前的图像帧为；用当前帧图像更新背景图像。6.根据权利...

【专利技术属性】
技术研发人员：彭力，王永青，
申请(专利权)人：江南大学，
类型：发明
国别省市：江苏,32