训练摔倒检测模型的方法、摔倒检测方法及相关装置制造方法及图纸

本申请实施例涉及智能监测技术领域领域，公开了一种训练摔倒检测模型的方法、摔倒检测方法及相关装置，获取若干个动作样本，将若干个动作样本作为训练集，对训练集中的各个训练样本进行差分计算，得到若干个差分样本。将各个差分样本和对应的训练样本进行通道拼接，得到若干个拼接样本。最后，采用若干个拼接样本，对预先设置的神经网络进行迭代训练，直至神经网络收敛，得到摔倒检测模型。通过上述方式，使得神经网络能够参考差分图像中的差分信息，忽略静态热源的干扰；另一方面，侧重学习N帧多通道的图像中动态数据的变化。因此，使得训练得到的摔倒检测模型具有较强的抗干扰能力，摔倒检测更加准确。检测更加准确。检测更加准确。

【技术实现步骤摘要】
训练摔倒检测模型的方法、摔倒检测方法及相关装置


[0001]本申请实施例涉及智能监测
，尤其涉及一种训练摔倒检测模型的方法、摔倒检测方法及相关装置。

技术介绍

[0002]人体摔倒检测技术有助于及时发现儿童、老人跌倒，避免更为严重的结果发生。当前对于摔倒检测的方式，大多数是针对特定场景，比如运动场景，适用年轻人群，或者，通过可穿戴设备判断是否摔倒。这些方式，一方面，对于行为缓慢的老人，检测效果较差；另一方面，可穿戴设备需要随身佩戴，这并不方便，也不适用于洗浴等特殊场景。在涉及私密性的场所，如卫生间、卧室等，要兼顾保护人的隐私和监护的需要，常以低分辨率红外设备替代高分辨率的RGB摄像头作为监护工具，红外热成像摄像头只采集目标的温度信息，信息分辨率低，可保障用户的隐私。
[0003]在本申请专利技术人所知晓的一些方案中，使用高帧率、低分辨率的红外热成像设备获取场景中的温度分布数据，以供捕捉和分析人体是否摔倒。对于低清红外数据而言，背景环境是影响摔倒检测准确度的重要因素。当背景中静态的干扰热源和目标人体的温度相近，将难以区分物体和人体，从而，增强摔倒检测模型的抗干扰能力，对于提高检测准确性至关重要。

技术实现思路

[0004]有鉴于此，本申请一些实施例提供了一种训练摔倒检测模型的方法、摔倒检测方法及相关装置，使得训练得到的摔倒检测模型具有较强的抗干扰能力，摔倒检测更加准确。
[0005]第一方面，本申请一些实施例提供了一种训练摔倒检测模型的方法，包括：获取若干个动作样本，各动作样本包括N帧红外图像，每个动作样本标注有反映是否摔倒的真实类别标签；
[0006]将若干个动作样本作为训练集，对训练集中的各个训练样本进行差分计算，得到若干个差分样本；
[0007]将各个差分样本和对应的训练样本进行通道拼接，得到若干个拼接样本；
[0008]采用若干个拼接样本，对预先设置的神经网络进行迭代训练，直至神经网络收敛，得到摔倒检测模型。
[0009]在一些实施例中，前述对训练集中的各个训练样本进行差分计算，得到若干个差分样本，包括：
[0010]对于训练样本中第i帧红外图像，若i＜3，则将第i帧红外图像与第1帧红外图像进行差分计算，若i≥3，则将第i帧红外图像与第i
‑
2帧红外图像进行差分计算，得到N个差分图像；
[0011]将所述N个差分图像中的负差分设置为0、保留正差分，得到N个正差分图像；以及，将所述N个差分图像中的正差分设置为0、保留负差分，得到N个负差分图像；
[0012]将N个正差分图像和N个负差分图像分别进行归一化处理后，进行通道拼接，得到差分样本。
[0013]在一些实施例中，前述将各个差分样本和对应的训练样本进行通道拼接，得到若干个拼接样本，包括：
[0014]将训练样本进行归一化处理；
[0015]将归一化处理后的训练样本与差分样本进行通道拼接，得到拼接样本。
[0016]在一些实施例中，前述神经网络包括顺次连接的特征提取网络、循环神经网络和Attention层；
[0017]其中，特征提取网络用于对输入的拼接样本进行特征提取，输出N个第一特征图；
[0018]循环神经网络用于对输入的N个第一特征图逐帧进行特征融合提取，输出N个融合特征图；
[0019]Attention层用于对输入的N个融合特征图进行权重计算，输出注意力向量，注意力向量用于输入SoftMax层以计算摔倒概率。
[0020]在一些实施例中，前述特征提取网络包括多个倒残差模块、至少一个深度可分离卷积模块和至少一个卷积层，对于多个倒残差模块、至少一个深度可分离卷积模块或至少一个卷积层，配置的输出通道数不超过128，配置的通道膨胀倍数不超过3，配置的残差连接层数不超过2。
[0021]在一些实施例中，该方法还包括：
[0022]在动作样本的每帧红外图像的背景中随机插入多个干扰色块，得到干扰样本；
[0023]将若干个动作样本作为训练集，包括：
[0024]将若干个动作样本和若干个干扰样本作为训练集。
[0025]在一些实施例中，在动作样本的每帧红外图像的背景中随机插入多个干扰色块，得到干扰样本的步骤之前，方法还包括：
[0026]对若干个动作样本进行数据增强处理，得到扩充后的若干个增强样本；
[0027]在动作样本的每帧红外图像的背景中随机插入多个干扰色块，得到干扰样本，包括：
[0028]在增强样本的每帧红外图像的背景中随机插入多个干扰色块，得到干扰样本。
[0029]第二方面，本申请一些实施例提供了一种摔倒检测方法，包括：
[0030]获取测试动作样本；
[0031]将测试动作样本输入摔倒检测模型，输出是否摔倒的类别，其中，摔倒检测模型是采用如权利要求1
‑
7任意一项训练摔倒检测模型的方法训练得到的。
[0032]第三方面，本申请一些实施例提供了一种电子设备，包括：
[0033]至少一个处理器，以及
[0034]与至少一个处理器通信连接的存储器，其中，
[0035]存储器存储有可被至少一个处理器执行的指令，指令被至少一个处理器执行，以使至少一个处理器能够执行第一方面或第二方面的方法。
[0036]第四方面，本申请一些实施例提供了一种计算机可读存储介质，包括计算机可读存储介质，该计算机可读存储介质存储有计算机可执行指令，计算机可执行指令用于使计算机设备执行第一方面或第二方面的方法。
[0037]本申请实施例的有益效果：区别于现有技术的情况，本申请实施例提供的训练摔倒检测模型的方法，获取若干个动作样本，将若干个动作样本作为训练集，对训练集中的各个训练样本进行差分计算，得到若干个差分样本。将各个差分样本和对应的训练样本进行通道拼接，得到若干个拼接样本。最后，采用若干个拼接样本，对预先设置的神经网络进行迭代训练，直至神经网络收敛，得到摔倒检测模型。其中，各动作样本包括N帧红外图像，每个动作样本标注有反映是否摔倒的真实类别标签。
[0038]在此实施例中，通过将差分样本和训练样本合并成多通道的拼接样本，使得拼接样本包括N帧多通道的图像，每个图像包括红外图像和差分图像。从而，将拼接样本输入神经网络进行训练，使得神经网络能够参考差分图像中的差分信息，忽略静态热源的干扰；另一方面，侧重学习N帧多通道的图像中动态数据的变化。因此，使得训练得到的摔倒检测模型具有较强的抗干扰能力，摔倒检测更加准确。
附图说明
[0039]一个或多个实施例通过与之对应的附图中的图片进行示例性说明，这些示例性说明并不构成对实施例的限定，附图中具有相同参考数字标号的元件表示为类似的元件，除非有特别申明，附图中的图不构成比例限制。
[0040]图1为本申请一些实施例中红外图像的示意图；
[0041]图2为本申请一些实施例中摔倒检测系统的应用场景示意图；
[0042本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种训练摔倒检测模型的方法，其特征在于，包括：获取若干个动作样本，各所述动作样本包括N帧红外图像，每个所述动作样本标注有反映是否摔倒的真实类别标签；将所述若干个动作样本作为训练集，对所述训练集中的各个训练样本进行差分计算，得到若干个差分样本；将各个所述差分样本和对应的训练样本进行通道拼接，得到若干个拼接样本；采用所述若干个拼接样本，对预先设置的神经网络进行迭代训练，直至所述神经网络收敛，得到所述摔倒检测模型。2.根据权利要求1所述的方法，其特征在于，所述对所述训练集中的各个训练样本进行差分计算，得到若干个差分样本，包括：对于所述训练样本中第i帧红外图像，若i＜3，则将第i帧红外图像与第1帧红外图像进行差分计算，若i≥3，则将第i帧红外图像与第i
‑
2帧红外图像进行差分计算，得到N个差分图像；将所述N个差分图像中的负差分设置为0、保留正差分，得到N个正差分图像；以及，将所述N个差分图像中的正差分设置为0、保留负差分，得到N个负差分图像；将所述N个正差分图像和所述N个负差分图像分别进行归一化处理后，进行通道拼接，得到所述差分样本。3.根据权利要求1所述的方法，其特征在于，所述将各个所述差分样本和对应的训练样本进行通道拼接，得到若干个拼接样本，包括：将所述训练样本进行归一化处理；将归一化处理后的训练样本与所述差分样本进行通道拼接，得到所述拼接样本。4.根据权利要求1所述的方法，其特征在于，所述神经网络包括顺次连接的特征提取网络、循环神经网络和Attention层；其中，所述特征提取网络用于对输入的拼接样本进行特征提取，输出N个第一特征图；所述循环神经网络用于对输入的所述N个第一特征图逐帧进行特征融合提取，输出N个融合特征图；所述Attention层用于对输入的所述N个融合特征图进行权重计算，输出注意力向量，所述注意力向量用于输入SoftMax层以计算摔倒...

【专利技术属性】
技术研发人员：蔡荣亮，
申请(专利权)人：深圳数联天下智能科技有限公司，
类型：发明
国别省市：