一种基于改进YOLOX网络的跌倒检测方法及系统技术方案

本申请提供一种基于改进YOLOX网络的跌倒检测方法及系统，涉及目标检测技术领域，该跌倒检测方法通过获取不同场景下的人体动作图像，并进行数据增强处理，可以对人体动作图像进行补充，丰富训练样本，提升跌倒检测网络模型的训练效果；样本图像经过主干特征提取网络进行特征提取，并经过加强特征提取网络进行特征融合，得到加强特征层，将加强特征层输入至分类预测网络得到人体动作类别与目标检测框，其中，加强特征提取网络为在特征金字塔网络的指定位置引入注意力机制，通过该方式，可以提取出图像通道方向的深层次特征，增强目标检测效果，从而提高人体动作的检测精度。从而提高人体动作的检测精度。从而提高人体动作的检测精度。

【技术实现步骤摘要】
一种基于改进YOLOX网络的跌倒检测方法及系统


[0001]本申请属于目标检测
，尤其涉及一种基于改进YOLOX网络的跌倒检测方法及系统。

技术介绍

[0002]本部分的陈述仅仅是提供了与本专利技术相关的
技术介绍
信息，不必然构成在先技术。
[0003]随着物质条件的提升，医疗卫生事业的不断发展，人类寿命不断增长，人口老龄化问题不断加重。关于人口老龄化报告中预计，到本世纪中叶全球将有六分之一的人到达或超过65岁。老年人的护理和养老将成为中国乃至世界关注的重要问题。在老人的安全问题中，因跌倒致死致残的比率逐年上升。根据中国疾病监测系统数据显示，有超过40％的老年人因为摔伤就医。因此，利用高效准确的跌倒检测方法识别跌倒，将是一项具有重大意义的技术。
[0004]国内外对跌倒的检测方法分为三种：基于可穿戴式传感器、基于环境式传感器、基于计算机视觉。由于计算机视觉技术具有成本低、扩展性强、方便快捷等特点，更适用于跌倒检测的研究。随着深度学习的发展，计算机视觉领域从传统的人为定义跌倒特征，发展为让深度学习网络自动学习图像特征，不仅将准确率和鲁棒性提升到了新的高度，更提升了检测速度，满足跌倒检测所需要的实时性。
[0005]专利技术人发现，现有的基于深度学习的跌倒检测方法通常是从所采集的图片中识别出目标区域，然后提取目标区域内人体的动作特征，从而判定人体的跌倒行为。但是，摄像头采集的图像背景复杂，且人体姿态多种多样，动作较为复杂，导致目标检测的效果较低，甚至无法检测出目标区域，从而影响人体动作的检测精度。

技术实现思路

[0006]为克服现有技术的不足，本申请提供一种基于改进YOLOX网络的跌倒检测方法及系统，以YOLOX目标检测框架作为主体，通过改进YOLOX主体框架增强目标检测的效果，从而提高人体动作的检测精度。
[0007]本申请采用的技术方案如下：
[0008]第一方面，本专利技术实施例提供一种基于改进YOLOX网络的跌倒检测方法，包括：
[0009]获取不同场景下的人体动作图像；
[0010]对所述人体动作图像进行数据增强处理，得到样本图像；
[0011]建立YOLOX网络结构，所述样本图像经过主干特征提取网络进行特征提取，并经过加强特征提取网络进行特征融合，得到加强特征层，将所述加强特征层输入至分类预测网络得到人体动作类别与目标检测框，其中，所述加强特征提取网络为在特征金字塔网络的指定位置引入注意力机制；
[0012]对所建立的YOLOX网络结构进行训练，得到跌倒检测网络模型，利用所述跌倒检测
网络模型对人体动作图像进行跌倒检测。
[0013]在一种可能的实施方式中，在所述获取不同场景下的人体动作图像之前，还包括：设定不同的拍摄场景，针对每一个拍摄场景，从多个角度拍摄该拍摄场景下的人体动作视频，提取所述人体动作视频中的帧图像，得到人体动作图像；所述人体动作视频的拍摄角度包括人体的侧面、正面和反面；人体动作包括站立、跌倒和坐。
[0014]在一种可能的实施方式中，采用以下方法对所述人体动作图像进行数据增强处理：采用色域变换，改变图像亮度，以适应不同光线条件下的检测效果；和/或，采用图像扭曲、图片缩放，改变图片不同尺寸，以适应不同摄像头远近拍摄下的检测效果；和/或，采用镜像翻转，扩充图像数据，以适应不同角度下的检测效果。
[0015]在一种可能的实施方式中，所述主干特征提取网络包括Focus网络结构、基本卷积层、CSP残差网络和SPP空间金子塔池化。
[0016]在一种可能的实施方式中，在所述特征图金字塔网络中，图像特征依次经过上采样、下采样和信息融合处理，在所述图像特征的特征输入端、上采样输出端、下采样输出端和特征输出端引入注意力机制。
[0017]在一种可能的实施方式中，所述注意力机制包括ECA通道注意力模块和CBAM卷积注意力模块。
[0018]在一种可能的实施方式中，所述分类预测网络包括两个分支的卷积层，其中一个分支用于预测目标的人体动作类别，另一个分支用于预测目标检测框的回归参数和置信度。
[0019]第二方面，本申请实施例提供一种基于改进YOLOX网络的跌倒检测系统，包括：
[0020]获取模块，用于获取不同场景下的人体动作图像；
[0021]处理模块，用于对所述人体动作图像进行数据增强处理，得到样本图像；
[0022]模型构建模块，用于建立YOLOX网络结构，所述样本图像经过主干特征提取网络进行特征提取，并经过加强特征提取网络进行特征融合，得到加强特征层，将所述加强特征层输入至分类预测网络得到人体动作类别与目标检测框，其中，所述加强特征提取网络为在特征金字塔网络的指定位置引入注意力机制；
[0023]跌倒检测模块，用于对所建立的YOLOX网络结构进行训练，得到跌倒检测网络模型，利用所述跌倒检测网络模型对人体动作图像进行跌倒检测。
[0024]第三方面，本专利技术实施例提供一种计算机设备，包括：处理器、存储器和总线，所述存储器存储有所述处理器可执行的机器可读指令，当计算机设备运行时，所述处理器与所述存储器之间通过总线通信，所述机器可读指令被所述处理器执行时执行如上述第一方面和第一方面任一种可能的实施方式中所述的基于改进YOLOX网络的跌倒检测方法的步骤。
[0025]第四方面，本专利技术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上存储有计算机程序，所述计算机程序被处理器运行时执行如上述第一方面和第一方面任一种可能的实施方式中所述的基于改进YOLOX网络的跌倒检测方法的步骤。
[0026]本申请的有益效果是：
[0027]通过获取不同场景下的人体动作图像，并进行数据增强处理，可以对人体动作图像进行补充，丰富训练样本，提升跌倒检测网络模型的训练效果；样本图像经过主干特征提取网络进行特征提取，并经过加强特征提取网络进行特征融合，得到加强特征层，将加强特
征层输入至分类预测网络得到人体动作类别与目标检测框，其中，加强特征提取网络为在特征金字塔网络的指定位置引入注意力机制，通过该方式，可以提取出图像通道方向的深层次特征，增强目标检测效果，提高人体动作的检测精度。
附图说明
[0028]构成本专利技术的一部分的说明书附图用来提供对本专利技术的进一步理解，本专利技术的示意性实施例及其说明用于解释本专利技术，并不构成对本专利技术的不当限定。
[0029]图1是本申请实施例所提供的基于改进YOLOX网络的跌倒检测方法的流程图；
[0030]图2a
‑
图2f分别是本申请实施例所提供的主干特征提取网络，以及主干特征提取网络中各组成部分的结构示意图；
[0031]图3是本申请实施例所提供的CBAM卷积注意力模块的结构示意图；
[0032]图4是本申请实施例所提供的ECA通道注意力模块的结构示意图；
[0033]图5是本申请实施例所提供的一种加强特征提取网络的结构示意图；
[0034]本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于改进YOLOX网络的跌倒检测方法，其特征在于，包括：获取不同场景下的人体动作图像；对所述人体动作图像进行数据增强处理，得到样本图像；建立YOLOX网络结构，所述样本图像经过主干特征提取网络进行特征提取，并经过加强特征提取网络进行特征融合，得到加强特征层，将所述加强特征层输入至分类预测网络得到人体动作类别与目标检测框，其中，所述加强特征提取网络为在特征金字塔网络的指定位置引入注意力机制；对所建立的YOLOX网络结构进行训练，得到跌倒检测网络模型，利用所述跌倒检测网络模型对人体动作图像进行跌倒检测。2.如权利要求1所述的基于改进YOLOX网络的跌倒检测方法，其特征在于，在所述获取不同场景下的人体动作图像之前，还包括：设定不同的拍摄场景，针对每一个拍摄场景，从多个角度拍摄该拍摄场景下的人体动作视频，提取所述人体动作视频中的帧图像，得到人体动作图像；所述人体动作视频的拍摄角度包括人体的侧面、正面和反面；人体动作包括站立、跌倒和坐。3.如权利要求1所述的基于改进YOLOX网络的跌倒检测方法，其特征在于，采用以下方法对所述人体动作图像进行数据增强处理：采用色域变换，改变图像亮度，以适应不同光线条件下的检测效果；和/或，采用图像扭曲、图片缩放，改变图片不同尺寸，以适应不同摄像头远近拍摄下的检测效果；和/或，采用镜像翻转，扩充图像数据，以适应不同角度下的检测效果。4.如权利要求1所述的基于改进YOLOX网络的跌倒检测方法，其特征在于，所述主干特征提取网络包括Focus网络结构、基本卷积层、CSP残差网络和SPP空间金子塔池化。5.如权利要求1所述的基于改进YOLOX网络的跌倒检测方法，其特征在于，在所述特征图金字塔网络中，图像特征依次经过上采样、下采样和信息融合处理...

【专利技术属性】
技术研发人员：石胜君，宋帅博，赵钦君，王磊，赵方，毕淑慧，申涛，
申请(专利权)人：济南大学，
类型：发明
国别省市：