本申请实施例涉及智能监测技术领域，公开了一种训练静态人体检测模型的方法，通过获取若干个静态热源样本，对静态热源样本进行差分处理，得到差分样本，并将静态热源样本中每帧红外图像和该红外图像在差分样本中对应的差分图像进行通道拼接，得到训练样本。采用若干个训练样本，对预先设置的神经网络进行迭代训练，直至神经网络收敛，得到静态人体检测模型。神经网络包括编码器和解码器，编码器包括卷积神经网络，解码器包括循环神经网络。在此实施例中，将差分样本和静态热源样本拼接合并后，作为训练集进行训练，使得训练得到的静态人体检测模型也具备通过分析帧间温度变化和位置变化等特征检测静态人体的能力，使得检测准确度更高。度更高。度更高。
【技术实现步骤摘要】
训练静态人体检测模型的方法、滞留检测方法及存储介质
[0001]本申请实施例涉及智能监测
，尤其涉及一种训练静态人体检测模型的方法、滞留检测方法及存储介质。
技术介绍
[0002]当今中国已正式步入老龄社会，居家养老与机构养老是当前的主流养老模式，而伴随着老人生活起居方面存在的安全隐患也日趋明显，比如老人在卫生间容易发生意外跌倒、久坐难起等异常风险行为，而监护人员往往无法及时发现，进而导致老人未能得到及时救治而引发严重后果。伴随着信息技术的更新迭代，智能化养老服务已成为面对老龄化问题日趋严重之下的智慧之选，通过实时监测老人在室内区域发生的异常风险行为并将相应告警信息及时下发给监护人员是实现智能化养老需迈出的关键一步。
[0003]其中，通过智能感应的方式实时检测老人是否出现在卫生间等目标区域，并监测老人是否在卫生间发生长时间坐马桶未起身或无法起身以及跌倒等行为类型的超时滞留，做到提前感知异常行为风险并将异常告警信息及时下发到监护人员，对提升新时代养老事业的智能化程度具有重要价值与意义。然而，目前的监测方法大多依靠传感器，例如佩戴运动传感器进行监测或基于毫米波多普勒雷达进行监测，容易受环境或使用影响，检测不准确，容易出现漏检误检。
技术实现思路
[0004]本申请实施例主要解决的技术问题是提供一种训练静态人体检测模型的方法、滞留检测方法及存储介质，训练出的静态人体检测模型能够准确检测出静态的人体，采用静态人体检测模型进行人体滞留检测，能够准确检测出人体滞留，有效避免发生滞留而漏检误检带来的风险。
[0005]第一方面，本申请一些实施例中提供了一种训练静态人体检测模型的方法，包括：
[0006]获取若干个静态热源样本，静态热源样本包括具有时序性的k帧红外图像，各静态热源样本均标注有真实标签，真实标签反映静态热源样本中的静态热源属于静态人体热源或干扰热源，其中，k为大于1的整数；
[0007]对静态热源样本进行差分处理，得到差分样本，并将静态热源样本中的每帧红外图像和红外图像在差分样本中对应的差分图像进行通道拼接，得到训练样本，其中，所述差分样本包括与k帧红外图像对应的k帧差分图像；
[0008]采用若干个训练样本，对预先设置的神经网络进行迭代训练，直至神经网络收敛，得到静态人体检测模型；
[0009]其中，神经网络包括编码器和解码器，编码器包括卷积神经网络，该卷积神经网络用于提取静态热源样本中的静态热源在单帧图像层面上的特征；解码器包括循环神经网络，该循环神经网络用于提取静态热源样本中的静态热源在时间维度上的特征，并输出预测标签。
[0010]在一些实施例中，前述对静态热源样本进行差分处理，得到差分样本，包括：
[0011]将静态热源样本中的k帧红外图像均依次与第1帧红外图像做差分计算，得到k帧差分图像；
[0012]将k帧差分图像中的负差分设置为0、保留正差分，得到k帧正差分图像；以及，将k帧差分图像中的正差分设置为0、保留负差分，得到k帧负差分图像，其中，负差分为差分图像中为负数的像素值，正差分为差分图像中为正数的像素值；
[0013]将k帧正差分图像和k帧负差分图像分别进行通道拼接，得到差分样本。
[0014]在一些实施例中，卷积神经网络包括用于提取静态热源的形状大小特征的第一构建层和用于提取静态热源的温度分布特征的第二构建层；
[0015]其中，第一构建层包括卷积层和至少一个第一逆残差模块，卷积层后配置有批量标准化层和激活层，第一构建层被配置为对通道进行扩展，不对分辨率进行降维；
[0016]第二构建层包括多个交叉堆叠设置的第一逆残差模块和第二逆残差模块，第二构建层被配置为对分辨率进行降维，对通道进行扩展。
[0017]在一些实施例中，第一逆残差模块包括级联的第一逐点卷积层、第一深度卷积层和第二逐点卷积层，各逐点卷积层后均配置有批量标准化层和激活层；其中，第一逐点卷积层用于通道扩展，第一深度卷积层用于特征提取，第二逐点卷积层用于通道压缩。
[0018]在一些实施例中，第二逆残差模块包括级联的第三逐点卷积层、第二深度卷积层和第四逐点卷积层，各逐点卷积层后均配置有批量标准化层和激活层；第三逐点卷积层的输入还与第二逆残差模块中最后一层的输出跳跃连接；其中，第三逐点卷积层用于通道扩展，第二深度卷积层用于特征提取，第四逐点卷积层用于通道压缩。
[0019]在一些实施例中，循环神经网络包括至少一个长短期记忆网络和至少一个全连接层；
[0020]其中，至少一个长短期记忆网络用于学习静态热源样本中的静态热源在时域上的差异性和关联性；至少一个全连接层用于将特征映射至二分类空间。
[0021]第二方面，本申请一些实施例中提供了一种滞留检测方法，包括：
[0022]获取红外视频，红外视频是采用红外摄像头对目标区域进行采集得到的具有时序性的红外图像序列；
[0023]根据红外视频，确定目标区域内是否存在热源；
[0024]若存在热源，根据红外视频，确定热源是否发生移动；
[0025]若发生移动，则确定目标区域内存在人体，并累计人体的滞留时长；
[0026]若未发生移动，则对红外视频进行差分处理，得到差分样本，并将红外视频中的每帧红外图像和红外图像在差分样本中对应的差分图像进行通道拼接，得到测试样本，其中，所述差分样本包括与每帧红外图像对应的差分图像；
[0027]采用预先训练好的静态人体检测模型对测试样本进行检测，若检测出目标区域内存在人体，则累计人体的滞留时长，其中，静态人体检测模型是采用如第一方面的方法训练得到的；
[0028]若滞留时长大于或等于预设的时长阈值，则确定人体发生滞留。
[0029]在一些实施例中，该方法还包括：
[0030]若静态人体检测模型的检测结果和前m个检测结果一致，则将静态人体检测模型
的检测结果作为最终检测结果；其中，前m个检测结果是位于红外视频之前的m个红外视频对应的检测结果；
[0031]若静态人体检测模型的检测结果和前m个检测结果不一致，则将上一个检测结果作为最终检测结果，其中，上一个检测结果是位于红外视频之前的相邻的红外视频对应的检测结果。
[0032]第三方面，本申请一些实施例中提供了一种电子设备，其特征在于，包括：
[0033]至少一个处理器；和
[0034]与至少一个处理器通信连接的存储器；其中，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如第一方面或第二方面的方法。
[0035]第四方面，本申请一些实施例中提供了一种计算机可读存储介质，其特征在于，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如第一方面或第二方面的方法。
[0036]本申请一些实施例提供的训练静态人体检测模型的方法，通过获取若干个静态热源样本，对静态热源样本进行差分处理，得到差分样本，并本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种训练静态人体检测模型的方法，其特征在于，包括：获取若干个静态热源样本，所述静态热源样本包括具有时序性的k帧红外图像，各所述静态热源样本均标注有真实标签，所述真实标签反映所述静态热源样本中的静态热源属于静态人体热源或干扰热源，其中，k为大于1的整数；对所述静态热源样本进行差分处理，得到差分样本，并将所述静态热源样本中的每帧红外图像和所述红外图像在差分样本中对应的差分图像进行通道拼接，得到训练样本，其中，所述差分样本包括与k帧红外图像对应的k帧差分图像；采用若干个所述训练样本，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，得到所述静态人体检测模型；其中，所述神经网络包括编码器和解码器，所述编码器包括卷积神经网络，所述卷积神经网络用于提取所述静态热源样本中的静态热源在单帧图像层面上的特征；所述解码器包括循环神经网络，所述循环神经网络用于提取所述静态热源样本中的静态热源在时间维度上的特征，并输出预测标签。2.根据权利要求1所述的方法，其特征在于，所述对所述静态热源样本进行差分处理，得到差分样本，包括：将所述静态热源样本中的k帧红外图像均依次与第1帧红外图像做差分计算，得到k帧差分图像；将所述k帧差分图像中的负差分设置为0、保留正差分，得到k帧正差分图像；以及，将所述k帧差分图像中的正差分设置为0、保留负差分，得到k帧负差分图像，其中，所述负差分为所述差分图像中为负数的像素值，所述正差分为所述差分图像中为正数的像素值；将所述k帧正差分图像和所述k帧负差分图像分别进行通道拼接，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，所述卷积神经网络包括用于提取所述静态热源的形状大小特征的第一构建层和用于提取所述静态热源的温度分布特征的第二构建层；其中，所述第一构建层包括卷积层和至少一个第一逆残差模块，所述卷积层后配置有批量标准化层和激活层，所述第一构建层被配置为对通道进行扩展，不对分辨率进行降维；所述第二构建层包括多个交叉堆叠设置的所述第一逆残差模块和第二逆残差模块，所述第二构建层被配置为对分辨率进行降维，对通道进行扩展。4.根据权利要求3所述的方法，其特征在于，所述第一逆残差模块包括级联的第一逐点卷积层、第一深度卷积层和第二逐点卷积层，各逐点卷积层后均配置有批量标准化层和激活层；其中，所述第一逐点卷积层用于通道扩展，所述第一深度卷积层用于特征提取，所述第二逐点卷积层用于通道压缩。5.根据权利要求4所述的方法，其特征在于，所述第二逆残差模块包括级联的第三逐点卷积层、第二深度卷积层和第四逐点卷积层，各逐点卷积层...
【专利技术属性】
技术研发人员：钟贞炎，
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：
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。