一种基于图像的人体跌倒判别方法技术

本发明专利技术公开了一种基于图像的人体跌倒判别方法，该方法首先对人体姿态数据库进行扩充，并添加真实人体跌倒图像；然后设计了一种人体姿态检测的深度学习网络模型，提供了一种高效的姿态关键点坐标回归损失函数；进一步，基于人体运动链模型提取表征人体跌倒状态判断的特征参数；最后通过SVM模型对人体跌倒进行判断。本发明专利技术基于单帧图像判断人体跌倒状态，具有关键点定位精度高、判断准确且快速的特点。

An image-based fall detection method

The invention discloses an image-based human body fall discrimination method, which first expands the human body posture database and adds the real human body fall image; then designs a deep learning network model of human body posture detection and provides an efficient regression loss function of posture key point coordinates; further, extracts and represents the human body based on the human body motion chain model At last, SVM model is used to judge the fall state. The invention judges the fall state of human body based on a single frame image, and has the characteristics of high positioning accuracy of key points, accurate and fast judgment.

【技术实现步骤摘要】
一种基于图像的人体跌倒判别方法
本专利技术属于智能视频监控
，具体涉及一种基于图像的人体跌倒判别方法。
技术介绍
对于独自居住的老人而言，发生意外摔倒如果不能得到及时的救助，将会出现严重后果。如果能在摔倒行为发生后立刻检测出来并通知救援人员，则将大幅度减少老年人摔倒后进一步发生危险程度概率。因此，及时准确的对老年人跌倒状态进行判断，具有重要的研究意义和实际应用价值。目前，针对室内出现的单人摔倒状态检测，有三种主流方法。第一种是基于传感器的方法，具体应用为老人的智能监护手环，通过传感器感应到佩戴者运动速度的变化，来判断有没有摔倒情况发生，但是由于人体运动的本身的复杂性，这种方法的检测准确度不高，没有得到广泛的认可。第二是基于Kinect骨架追踪的摔倒检测方法，使用Kinect拍摄视频，重建每一帧人体运动的骨架模型，通过人体质心点的运动速度，来判断是否发生了摔倒行为，这种做法要求具备Kinect骨架追踪相机，使用成本过高且存在着遮挡的情况无法处理。第三种方法是基于对视频流进行时序分析的方法，通过提取加速度时间序列并训练模型，然后通过分本文档来自技高网...

【技术保护点】
1.一种基于图像的人体跌倒判别方法，其特征在于，具体按照以下步骤实施：/n步骤1、对姿态检测库MPII中的图像进行预处理，包括水平镜像翻转、尺寸缩放、旋转，扩充原始单人姿态数据；在收集到的真实跌倒图像中手工标记出人体运动链模型中的14个关键点的坐标位置，将其加入到MPII数据库中；/n步骤2、设计人体姿态检测的深度学习网络模型，对所设计的网络进行训练；/n步骤3、将人体看作成一个由关节连接起来的铰链式物体，基于人体运动链模型；提取表征人体跌倒状态的4个特征angle1、angle2、angle3、angle4；/n步骤4，训练SVM分类器，进行跌倒状态的判断。/n

【技术特征摘要】
1.一种基于图像的人体跌倒判别方法，其特征在于，具体按照以下步骤实施：
步骤1、对姿态检测库MPII中的图像进行预处理，包括水平镜像翻转、尺寸缩放、旋转，扩充原始单人姿态数据；在收集到的真实跌倒图像中手工标记出人体运动链模型中的14个关键点的坐标位置，将其加入到MPII数据库中；
步骤2、设计人体姿态检测的深度学习网络模型，对所设计的网络进行训练；
步骤3、将人体看作成一个由关节连接起来的铰链式物体，基于人体运动链模型；提取表征人体跌倒状态的4个特征angle1、angle2、angle3、angle4；
步骤4，训练SVM分类器，进行跌倒状态的判断。


2.根据权利要求1所述的一种基于图像的人体跌倒判别方法，其特征在于，所述步骤1中，14个关键点包括左脚踝、右脚踝、左膝盖、右膝盖、左髋关节、右髋关节、左手腕、右手腕、左手肘、右手肘、左肩膀、右肩膀、颈部及头部。


3.根据权利要求1所述的一种基于图像的人体跌倒判别方法，其特征在于，所述步骤2，具体步骤如下：
步骤2.1，建立人体姿态检测的深度学习网络模型；
深度学习网络模型包括：1个卷积层、1个最大池化层、4个残差模块及1个预测层；
其中，预测层包括14个关键点类别的预测和14个关键点的坐标位置预测；14个关键点包括左脚踝、右脚踝、左膝盖、右膝盖、左髋关节、右髋关节、左手腕、右手腕、左手肘、右手肘、左肩膀、右肩膀、颈部及头部；
步骤2.2，对步骤2.1的人体姿态检测的深度学习网络模型进行训练，训练时的网络损失函数为：关键点定位损失与关键点坐标回归损失之和，其中关键点定位损失采用交叉熵损失函数；
设网络预测的关键点坐标位置用向量形式表示为真实标记的关键点坐标位置用向量形式表示为则关键点坐标回归损失Loss为公式(1)所示：



式(1)中，d为预测的关键点与真实标记的关键点的坐标误差的绝对值之和，其计算公式如下：



步骤2.3，对所建立的人体姿态检测的深度学习网络模...

【专利技术属性】
技术研发人员：张二虎，孙羹尧，段敬红，
申请(专利权)人：西安理工大学，
类型：发明
国别省市：陕西;61