一种摔倒监测方法、装置及终端设备制造方法及图纸

本申请适用于风险监测技术领域，提供了一种摔倒监测方法，包括：获取目标影像数据，并识别目标影像数据中的目标对象，然后获取目标影像数据中目标对象的候选窗口，计算预设时间段内目标对象的候选窗口的长宽比和对角线交点的高度差，若候选窗口中对角线交点的高度差的绝对值大于第一预设阈值且长宽比小于第二预设阈值，则判定目标对象摔倒。本申请通过识别目标影像数据中的目标对象，并获取目标对象的矩形窗口，通过矩形窗口的特征进行监测，判定目标对象是否摔倒，提高了判断待监测目标是否摔倒的速率和准确率。

A fall monitoring method, device and terminal equipment

【技术实现步骤摘要】
一种摔倒监测方法、装置及终端设备
本申请属于风险监测
，尤其涉及一种摔倒监测方法、装置及终端设备。
技术介绍
近年来，独孤老人的数量越来越大，老年人的生活品质和健康问题成为了社会关注的重点话题。然而，由于独孤老人的身体健康程度不如青年，一旦独孤老人摔倒，则有可能导致其受到重伤，若未能及时救助，还可能造成生命危险。现有技术中提出了一种判断老年人是否摔倒的诊断方法，主要通过椭圆拟合人体的运动信息，并将运动特征串联，形成图像序列，以判断老年人是否摔倒，然而，上述方法容易受到其他因素的影响，如拾捡物品、坐、卧等动作，因此，准确率不高。
技术实现思路
本申请实施例提供了一种摔倒监测方法、装置及终端设备，可以解决现有技术容易受到其他因素的影响，导致准确率不高的问题。第一方面，本申请实施例提供了一种摔倒监测方法，包括：获取目标影像数据；识别所述目标影像数据中的目标对象；获取所述目标影像数据中目标对象的候选窗口；计算预设时间段内目标对象的候选窗口的长宽比和对角线交点的高度差；若所述高度差的绝对值大于第一预设阈值且所述长宽比小于第二预设阈值，则判定所述目标对象摔倒。第二方面，本申请实施例提供了一种摔倒监测装置，包括：第一获取模块，用于获取目标影像数据；第一识别模块，用于识别所述目标影像数据中的目标对象；第二获取模块，用于获取所述目标影像数据中目标对象的候选窗口；计算模块，用于计算预设时间段内目标对象的候选窗口的长宽比和对角线交点的高度差；判断模块，用于若所述高度差的绝对值大于第一预设阈值且所述长宽比小于第二预设阈值，则判定所述目标对象摔倒。第三方面，本申请实施例提供了一种终端设备，包括存储器、处理器以及存储在所述存储器中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述第一方面中任一项所述的摔倒监测方法。第四方面，本申请实施例提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如上述第一方面中任一项所述的摔倒监测方法。第五方面，本申请实施例提供了一种计算机程序产品，当计算机程序产品在终端设备上运行时，使得终端设备执行上述第一方面中任一项所述的摔倒监测方法。可以理解的是，上述第二方面至第五方面的有益效果可以参见上述第一方面中的相关描述，在此不再赘述。本申请实施例通过识别目标影像数据中的目标对象，并获取目标对象的矩形窗口，通过矩形窗口的特征进行监测，判定目标对象是否摔倒，提高了判断待监测目标是否摔倒的速率和准确率。附图说明为了更清楚地说明本申请实施例中的技术方案，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一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。图1是本申请一实施例提供的摔倒监测方法的流程示意图；图2是本申请一实施例提供的基于摔倒监测方法的应用场景示意图；图3是本申请一实施例提供的基于回归方法的深度学习目标监测模型获得目标影像数据中目标对象的候选窗口的应用场景示意图；图4是本申请一实施例提供的摔倒监测装置的结构示意图；图5是本申请实施例提供的终端设备的结构示意图。具体实施方式以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本申请实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本申请的描述。应当理解，当在本申请说明书和所附权利要求书中使用时，术语“包括”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。还应当理解，在本申请说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。如在本申请说明书和所附权利要求书中所使用的那样，术语“如果”可以依据上下文被解释为“当...时”或“一旦”或“响应于确定”或“响应于检测到”。类似地，短语“如果确定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述条件或事件]”或“响应于检测到[所描述条件或事件]”。另外，在本申请说明书和所附权利要求书的描述中，术语“第一”、“第二”、“第三”等仅用于区分描述，而不能理解为指示或暗示相对重要性。在本申请说明书中描述的参考“一个实施例”或“一些实施例”等意味着在本申请的一个或多个实施例中包括结合该实施例描述的特定特征、结构或特点。由此，在本说明书中的不同之处出现的语句“在一个实施例中”、“在一些实施例中”、“在其他一些实施例中”、“在另外一些实施例中”等不是必然都参考相同的实施例，而是意味着“一个或多个但不是所有的实施例”，除非是以其他方式另外特别强调。术语“包括”、“包含”、“具有”及它们的变形都意味着“包括但不限于”，除非是以其他方式另外特别强调。本申请实施例提供的摔倒监测方法可以应用于手机、平板电脑、车载设备、笔记本电脑、超级移动个人计算机(Ultra-mobilePersonalComputer，UMPC)、上网本、个人数字助理(PersonalDigitalAssistant，PDA)等终端设备上，本申请实施例对终端设备的具体类型不作任何限制。图1示出了本申请提供的摔倒监测方法的示意性流程图，作为示例而非限定，该方法可以应用于上述任一终端设备中。S101、获取目标影像数据。在具体应用中，目标影像数据包括但不限于包括待监测目标对象的视频和图片中的任意一种。S102、识别所述目标影像数据中的目标对象。在具体应用中，可通过人脸识别算法、人体识别算法或其他用于人物识别的算法识别目标影像数据中的目标对象。目标对象可以是需要他人照顾的老年人、残疾人或儿童。S103、获取所述目标影像数据中目标对象的候选窗口。在具体应用中，通过训练后的基于回归方法的深度学习目标监测模型对目标影像数据进行处理，获得目标影像数据中目标对象的候选窗口。候选窗口为从目标影像数据中剪切出的包括目标对象的预设形状的窗口。预设形状可以是矩形或菱形。S104、计算预设时间段内目标对象的候选窗口的长宽比和对角线交点的高度差。在具体应用中，预设时间段可根据实际情况进行具体设定，例如，设定预设时间段为2s，则高度差具体为i秒目标对象的候选窗口中对角线交点的高度与i-2秒目标对象的候选窗口中对角线交点的高度之间的差。长宽比为候选窗口的长度与宽度的商。S105、若所述高度差的本文档来自技高网...

【技术保护点】
1.一种摔倒监测方法，其特征在于，包括：/n获取目标影像数据；/n识别所述目标影像数据中的目标对象；/n获取所述目标影像数据中目标对象的候选窗口；/n计算预设时间段内目标对象的候选窗口的长宽比和对角线交点的高度差；/n若所述高度差的绝对值大于第一预设阈值且所述长宽比小于第二预设阈值，则判定所述目标对象摔倒。/n

【技术特征摘要】
1.一种摔倒监测方法，其特征在于，包括：
获取目标影像数据；
识别所述目标影像数据中的目标对象；
获取所述目标影像数据中目标对象的候选窗口；
计算预设时间段内目标对象的候选窗口的长宽比和对角线交点的高度差；
若所述高度差的绝对值大于第一预设阈值且所述长宽比小于第二预设阈值，则判定所述目标对象摔倒。


2.如权利要求1所述的摔倒监测方法，其特征在于，所述识别所述目标影像数据中的目标对象之后，还包括：
若所述目标影像数据中目标对象的数量不为1，则返回识别所述目标影像数据中的目标对象，直至所述标影像数据中目标对象的数量为1。


3.如权利要求1所述的摔倒监测方法，其特征在于，所述获取所述目标影像数据中目标对象的候选窗口之前，还包括：
识别所述目标对象的状态；
若所述目标对象处于非站立状态，则返回识别所述目标对象的状态，直至所述目标对象处于站立状态。


4.如权利要求1所述的摔倒监测方法，其特征在于，所述获取所述目标影像数据中目标对象的候选窗口，包括：
通过训练后的基于回归方法的深度学习目标监测模型获得所述目标影像数据中目标对象的候选窗口；其中，基于回归方法的深度学习目标监测模型包括单发多框监测模型和单次目标监测模型中的至少一种。


5.如权利要求4所述的摔倒监测方法，其特征在于，所述通过训练后的基于回归方法的深度学习目标监测模型获得所述目标影像数据中目标对象的候选窗口，包括：
将所述目标影像数据划分为N*N个网格；其中，N为正整数；
预测每个网格对应的M个边框，获得N*N*M个目标窗口；其中，M为正整数且M不...

【专利技术属性】
技术研发人员：李晓刚，
申请(专利权)人：深圳市中电数通智慧安全科技股份有限公司，
类型：发明
国别省市：广东;44