【技术实现步骤摘要】
基于人体关键点行为识别与LSTM的跌倒预判方法
本专利技术属于人工智能AI引导下的医疗康养领域,具体涉及一种基于人体关键点行为识别与LSTM的跌倒预判方法。
技术介绍
目前国内外针对基于计算机视觉的跌倒检测方法有诸多探讨,根据所采用的算法以及实施方法的不同,具体可以分为四类:(1)身体形状分析:该方法通过背景消去建模算法将人体轮廓从图像中提取出来,然后把人体作为感兴趣区域用矩形框出,利用纵横比来判断是否发生跌倒。这种方法易受光照变化以及背景运动物体的影响,误判率高,且不能实现跌倒预判功能。(2)无活动状态检测:该方法根据老人跌倒后长时间无法恢复的特点来区分跌倒与弯腰、下蹲等相似动作,通过划定特定区域来提高跌倒识别率。可见该方法是典型的跌倒后检测,无法实现预判功能,并且无法正确区分长时间躺与跌倒。(3)头部运动跟踪:该方法采用粒子滤波方法对人体头部进行跟踪,通过头部到地面的距离以及头部的下降速率来检测是否发生跌倒。这种方法通过对人体头部的稳定跟踪在一定程度上实现了跌倒预判机制,但是缺乏对跌倒模型库的构建,这会导致检测误判率较高。此外,该方法缺乏场景理解算法,对复杂环境鲁棒性不高,并且粒子滤波算法很耗时,检测速率慢,从而很难做到实时检测。(4)行为识别:该方法通过采用卷积神经网络CNN训练行走、下蹲、坐下、平躺、跌倒等多种行为方式,生成跌倒模型库,然后对其进行分类识别,从而实现跌倒检测。该方法生成了自己的模型库,大大提升了跌倒检测的准确率。但是,使用CNN训练模型计算量较大,导致算法效率较低,并且没有实现对跌倒的预判功能 ...
【技术保护点】
1.一种基于人体关键点行为识别与LSTM的跌倒预判方法,其特征在于,其包括如下步骤:/n步骤1、利用RGB摄像机采集人体行为的RGB图像;/n步骤2、利用热成像相机将步骤1中采集到的RGB图像转化为红外图像,以显示人体的轮廓特征;/n步骤3、对步骤2中采集到的红外图像进行初步清晰化处理,去除椒盐噪点;/n步骤4、进一步对图像进行优化,得到清晰稳定的图像;/n步骤5、将运动的人体从静止的图像背景中分离出来,提取出活动的人体;/n步骤6、根据人体的关节点分布情况将人体分为18个关键点,所述18个关键点包括左眼、右眼、左耳、右耳、鼻子、左肩、右肩、颈部、左肘、右肘、左腕、右腕、左股、右股、左膝、右膝、左脚和右脚;/n步骤7、根据位置关系将所述关键点中的左眼、右眼、左耳、右耳和鼻子进行合并,从而形成头部区域,将所述关键点中的左肩、右肩、颈部、左肘、右肘、左腕和右腕进行合并,从而形成躯干区域,将所述关键点中的左股、右股、左膝、右膝、左脚和右脚进行合并,从而形成腿部区域,并将所述三个区域分别提炼为人体的3个关键点;/n步骤8、采用粒子滤波算法对所述3个关键点进行跟踪,实现对人体的姿态估计与行为识别 ...
【技术特征摘要】
1.一种基于人体关键点行为识别与LSTM的跌倒预判方法,其特征在于,其包括如下步骤:
步骤1、利用RGB摄像机采集人体行为的RGB图像;
步骤2、利用热成像相机将步骤1中采集到的RGB图像转化为红外图像,以显示人体的轮廓特征;
步骤3、对步骤2中采集到的红外图像进行初步清晰化处理,去除椒盐噪点;
步骤4、进一步对图像进行优化,得到清晰稳定的图像;
步骤5、将运动的人体从静止的图像背景中分离出来,提取出活动的人体;
步骤6、根据人体的关节点分布情况将人体分为18个关键点,所述18个关键点包括左眼、右眼、左耳、右耳、鼻子、左肩、右肩、颈部、左肘、右肘、左腕、右腕、左股、右股、左膝、右膝、左脚和右脚;
步骤7、根据位置关系将所述关键点中的左眼、右眼、左耳、右耳和鼻子进行合并,从而形成头部区域,将所述关键点中的左肩、右肩、颈部、左肘、右肘、左腕和右腕进行合并,从而形成躯干区域,将所述关键点中的左股、右股、左膝、右膝、左脚和右脚进行合并,从而形成腿部区域,并将所述三个区域分别提炼为人体的3个关键点;
步骤8、采用粒子滤波算法对所述3个关键点进行跟踪,实现对人体的姿态估计与行为识别;当所述3个关键点竖直时,判定为站立;当所述3个关键点成45°~60°夹角时,判定为下蹲弯腰;当所述3个关键点水平时,判定为平躺;当所述3个关键点下降速率达到6m/s时,判定为跌倒;
步骤9、将步骤8中得到的3个关键点的不同位置情况输入到卷积神经网络CNN,所述卷积神经网络CNN将步骤8中所识别出的动作归类为:平躺、下蹲和跌倒;然后将所述平躺动作标记为L信号,将所述下蹲动作标记为S信号,将所述跌倒动作标记为F信号,并将所述信号传入下一级网络LSTM中;
步骤10、从步骤4得到的图像中,采集所述平躺、下蹲和跌倒动作所分别对应的40帧图像信息,并将所述40帧图像信息输入到基于递归神经网络LSTM模块中的输入门,将所得数据进行归一化处理,得到相同格式的稳定输出视频;所述基于递归神经网络LSTM模块包括输入门、记忆门和输出门;
步骤11、然后将所述基于递归神经网络LSTM模块的输入门输出的视频信息通过sigmoid函数进行标准化处理,将所得视频信息像素值归整化于(-1,1)之间,便于之后的运算与处理;之后再通过tanh函数对神经网络输入层进行激活处理,用来更新当前状态,减少误差;
实现所述标准化处理所用到的计算公式如下所示:
it=σ(Wi[ht-1,xt]+bi)
Dt=tanh(Wc[ht-1,xt]+bc)
式中:xt为视频帧输入像素值,ht-1为视频帧输出像素值,bi为消除视频传输过程中帧丢失所造成的偏差而设定的补偿值,Wi为递归神经网络系数矩阵权重,it为经过标准化处理过的输出;σ为所得图像帧间方差,Wc为递归神经网络系数矩阵权重,Dt为更新后的状态,bc为消除视频传输过程中帧丢失所造成的偏差而设定的补偿值;
步骤12、将步骤11的输出信息传递到记忆门,所述记忆门对步骤11所得视频帧选择性地存储,将行为识别过程中判定为跌倒的一系列视频存储起来,并根据对跌倒状态的判定来划分优先级别,将跌倒动作完整视频保存下来,用于作下一步的分析;
实现视频选择的计算方法如下:
ft=σ(Wf[ht-1,xt]+bf)
Ct=ft*Ct-1+it*Dt
式中:f...
【专利技术属性】
技术研发人员:张立国,李枫,胡林,杨曼,刘博,孙胜春,张子豪,李义辉,
申请(专利权)人:燕山大学,
类型:发明
国别省市:河北;13
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。