目标物异常状态检测方法、系统、监护系统及存储介质技术方案

本申请公开了一种目标物异常状态检测方法、系统、监控系统及存储介质，所述目标物异常状态检测方法的图像分析过程中采用的分类模型为经过单帧图像训练后的人工神经网络，由于所述训练样本为单帧图像，容易获取和标记，使得分类模型的训练过程中可以轻易得到大量的训练样本，而大量的训练样本的训练使得所述分类模型的分类精确性大大提升，有利于实现所述目标物异常状态检测方法的检测精确性；同样由于所述训练模型的训练样本的获取成本较低，有利于降低所述目标物异常状态检测方法的总体成本。

【技术实现步骤摘要】
目标物异常状态检测方法、系统、监护系统及存储介质
本申请涉及机器学习
，更具体地说，涉及一种目标物异常状态检测方法、系统、监护系统及存储介质。
技术介绍
随着社会老龄化进程的不断推进，社会中出现了越来越多的“空巢”老人，即由于年轻人大多数时间在外工作或年轻人不与老人同住等情况导致的老人大多数时间独自一人在家生活的情况越来越普遍。而如何及时发现这些老人在生活中出现的异常状态成为亟待解决的问题。由于一些老人腿脚不便或可能罹患一些疾病而可能出现突然摔倒，而无法站起的情况，这对于独居的老人而言是非常危险的。现有的针对家庭中老人的摔倒检测主要是利用老人穿戴的设备的传感器采集的数据来实现的，这种摔倒检测方式需要老人时刻穿戴这些设备才能实现，而有些老人经常忘记穿戴这些设备，这使得现有的摔倒检测方法难以实现时刻的摔倒检测。
技术实现思路
为解决上述技术问题，本申请提供了一种目标物异常状态检测方法、系统、监护系统及存储介质，以实现对目标物异常状态的时刻检测，并且基于视觉分析技术实现，无需在目标物上设置相应的传感器，增加了目标物异常状态检测的便捷性。为实现上述技术目的，本申请实施例提供了如下技术方案：一种目标物异常状态检测方法，包括：获取待检测图像，所述待检测图像为包含目标物状态的单帧图像；利用第一人工神经网络提取所述待检测图像的特征图像；对所述特征图像进行处理获得候选区域；将所述候选区域输入分类模型中，以判断所述待检测图像中是否包含目标物异常状态；所述分类模型为经过训练样本训练后的第二人工神经网络，所述训练样本为包含目标物状态的单帧图像。可选的，所述分类模型判断所述待检测图像中是否包含目标物异常状态的过程包括：提取所述候选区域中的候选窗口，所述候选窗口包括前景窗口和背景窗口；根据所述前景窗口，使用边框回归算法得到变换参数；根据所述变换参数对所述前景窗口进行处理，以获得目标前景图像；对所述目标前景图像进行分类，判断所述目标前景图像是否为异常类图像，如果是，则判定所述待检测图像中包含目标物异常状态。可选的，所述判定所述待检测图像中包含目标物异常状态之后，还包括：生成报警消息，并以预设方式发送所述报警消息。可选的，所述报警信息包括判定为包含目标物异常状态的待检测图像。可选的，所述获取待检测图像包括：获取待检测视频；提取所述待检测视频的视频帧，将每一帧所述视频帧作为一个所述待检测图像。一种目标物异常状态检测系统，包括：图像获取模块，用于获取待检测图像，所述待检测图像为包含目标物状态的单帧图像；特征提取模块，用于利用第一人工神经网络提取所述待检测图像的特征图像；处理模块，用于对所述特征图像进行处理获得候选区域；分类模块，用于将所述候选区域输入分类模型中，以判断所述待检测图像中是否包含目标物异常状态；所述分类模型为经过训练样本训练后的第二人工神经网络，所述训练样本为包含目标物状态的单帧图像。可选的，所述分类模型判断所述待检测图像中是否包含目标物异常状态的过程包括：提取所述候选区域中的候选窗口，所述候选窗口包括前景窗口和背景窗口；根据所述前景窗口，使用边框回归算法得到变换参数；根据所述变换参数对所述前景窗口进行处理，以获得目标前景图像；对所述目标前景图像进行分类，判断所述目标前景图像是否为异常类图像，如果是，则判定所述待检测图像中包含目标物异常状态。可选的，还包括：报警信息模块；所述分类模块还用于在判定所述待检测图像中包含目标物异常状态之后，触发所述报警信息模块；所述报警信息模块，用于生成报警消息，并以预设方式发送所述报警消息。可选的，所述报警信息包括判定为包含目标物异常状态的待检测图像。可选的，所述图像获取模块包括：视频获取单元，用于获取待检测视频；帧提取单元，用于提取所述待检测视频的视频帧，将每一帧所述视频帧作为一个所述待检测图像。一种监护系统，包括图像获取设备和目标物异常状态检测系统，所述目标物异常状态检测系统为如上述任一项所述的目标物异常状态检测系统；所述图像获取设备用于监控目标空间，并将监控产生的待检测图像传送给所述目标物异常状态检测系统。可选的，当所述目标物异常状态检测系统还包括报警信息模块时，还包括：通信设备，用于接收所述报警信息发送的报警消息。一种存储介质，所述存储介质上存储有程序代码，所述程序代码被执行时实现上述任一项所述的目标物异常状态检测方法。从上述技术方案可以看出，本申请实施例提供了一种目标物异常状态检测方法、系统、监控系统及存储介质，所述目标物异常状态检测方法基于图像分析以及机器学习实现对目标物异常状态的检测，只需要获取包含目标物状态的单帧图像并对其进行处理即可，无需在目标物上设置传感器等设备，避免了在目标物上没有传感器时无法进行检测的目的，增加了目标物异常状态检测的便捷性。另外，所述目标物异常状态检测方法的图像分析过程中采用的分类模型为经过单帧图像训练后的人工神经网络，由于所述训练样本为单帧图像，容易获取和标记，使得分类模型的训练过程中可以轻易得到大量的训练样本，而大量的训练样本的训练使得所述分类模型的分类精确性大大提升，有利于实现所述目标物异常状态检测方法的检测精确性；同样由于所述训练模型的训练样本的获取成本较低，有利于降低所述目标物异常状态检测方法的总体成本。附图说明为了更清楚地说明本申请实施例或现有技术中的技术方案，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的前提下，还可以根据提供的附图获得其他的附图。图1为本申请的一个实施例提供的一种目标物异常状态检测方法的流程示意图；图2-图6为本申请的一个实施例提供的一些目标物状态的示意图；图7为本申请的另一个实施例提供的一种目标物异常状态检测方法的流程示意图；图8为本申请的又一个实施例提供的一种目标物异常状态检测方法的流程示意图；图9为本申请的再一个实施例提供的一种目标物异常状态检测方法的流程示意图。具体实施方式正如
技术介绍
所述，现有技术中基于传感器的目标物异常检测方法难以实现时刻的检测。另外，专利技术人研究发现，有文献中提出了一种基于视觉的目标物异常检测方法，该方法主要通过分析包含目标物状态发生过程的视频，来实现对目标物异常状态发生的过程的识别。但是包含目标物异常状态发生的视频的采集成本高、采集难度大，难以做到大量的视频作为训练样本，并且视频的标记过程难度也较高，使得该方法中使用的分类模型的训练难度很高，并且由于训练样本的数量较少，使得该分类模型的分类精确性较差。有鉴于此，本申请实施例提供了一种目标物异常状态检测方法，包括：获取待检测图像，所述待检测图像为包含目标物状态的单帧图像；利用第一人工神经网络提取所述待检测图像的特征图像；对所述特征图像进行处理获得候选区域；将所述候选区域输入分类模型中，以判断所述待检测图像中是否包含目标物异常状态；所述分类模型为经过训练样本训练后的第二人工神经网络，所述训练样本为包含目标物状态的单帧图像。所述目标物异常状态检测方法基于图像分析以及机器学习实现对目标物异常状态的检测，只需要获取包含目标物状态的单帧图像并对其进行处理即可，无需在目标物上设置传感器等设备，避免了在目标物上没有传感器时无法进行检测的本文档来自技高网...

【技术保护点】
1.一种目标物异常状态检测方法，其特征在于，包括：获取待检测图像，所述待检测图像为包含目标物状态的单帧图像；利用第一人工神经网络提取所述待检测图像的特征图像；对所述特征图像进行处理获得候选区域；将所述候选区域输入分类模型中，以判断所述待检测图像中是否包含目标物异常状态；所述分类模型为经过训练样本训练后的第二人工神经网络，所述训练样本为包含目标物状态的单帧图像。

【技术特征摘要】
1.一种目标物异常状态检测方法，其特征在于，包括：获取待检测图像，所述待检测图像为包含目标物状态的单帧图像；利用第一人工神经网络提取所述待检测图像的特征图像；对所述特征图像进行处理获得候选区域；将所述候选区域输入分类模型中，以判断所述待检测图像中是否包含目标物异常状态；所述分类模型为经过训练样本训练后的第二人工神经网络，所述训练样本为包含目标物状态的单帧图像。2.根据权利要求1所述的方法，其特征在于，所述分类模型判断所述待检测图像中是否包含目标物异常状态的过程包括：提取所述候选区域中的候选窗口，所述候选窗口包括前景窗口和背景窗口；根据所述前景窗口，使用边框回归算法得到变换参数；根据所述变换参数对所述前景窗口进行处理，以获得目标前景图像；对所述目标前景图像进行分类，判断所述目标前景图像是否为异常类图像，如果是，则判定所述待检测图像中包含目标物异常状态。3.根据权利要求2所述的方法，其特征在于，所述判定所述待检测图像中包含目标物异常状态之后，还包括：生成报警消息，并以预设方式发送所述报警消息。4.根据权利要求3所述的方法，其特征在于，所述报警信息包括判定为包含目标物异常状态的待检测图像。5.根据权利要求1所述的方法，其特征在于，所述获取待检测图像包括：获取待检测视频；提取所述待检测视频的视频帧，将每一帧所述视频帧作为一个所述待检测图像。6.一种目标物异常状态检测系统，其特征在于，包括：图像获取模块，用于获取待检测图像，所述待检测图像为包含目标物状态的单帧图像；特征提取模块，用于利用第一人工神经网络提取所述待检测图像的特征图像；处理模块，用于对所述特征图像进行处理获得候选区域；分类模块，用于将所述候选区域输入分类模型中，以判断所述待检测图像中是否包含目标物异常状态；所述分类模型为经过训...

【专利技术属性】
技术研发人员：黄川洪，蔡炀，
申请(专利权)人：广州小狗机器人技术有限公司，
类型：发明
国别省市：广东,44