【技术实现步骤摘要】
本专利技术属于人工智能，尤其涉及一种基于改进的时空自适应图卷积的骨架检测及摔倒检测方法。
技术介绍
1、现有的技术采用基于计算机视觉的方法，这种方法使用摄像头或深度传感器来捕捉人体动作和姿势，通过分析关键点或骨架数据进行摔倒检测。然而，计算机视觉方法对于光照变化、遮挡或视角变化比较敏感，可能导致检测精度的下降，在实际应用中存在很大缺陷。
2、现有的技术采用基于机器学习的方法，这种方法利用机器学习算法，通过训练模型来识别摔倒行为的特征模式。然而，传统的机器学习方法往往需要手动提取特征，且对于复杂的时空关系建模能力有限。
3、现有的技术采用基于传感器方法的摔倒检测算法，这种方法主要依靠类似三轴加速器，陀螺仪，压力传感器等来检测人体运动并定位人体位置来识别摔倒行为。yodpijit等人使用加速度计和陀螺仪运动传感器结合检测摔倒行为，用基于人工神经网络(artificial neural network, ann)的算法区分摔倒行为和日常行为。chen kh等人使用配有运动传感器的智能手机检测摔倒行为。通过智能手机中的运动传感器和传输模块，计算人体运动的变化，并将数据发送到服务器分析运动行为并识别出摔倒。然而，由于可穿戴设备通常价格昂贵并且容易导致穿戴者的不适，没有很好地普适性，因此在公共场所检测没有佩戴传感器设备的人是否摔倒是不现实的。 基于环境设备的方法与可穿戴设备同样需要依赖传感器。不同的是，主要依靠雷达或地面传感器等设备采集电流或音频信息来判断是否发生摔倒行为。由于环境设备对外界噪声等干扰非常敏感。因此，
4、现有的技术采用基于计算机视觉传统方法的摔倒检测算法。随着计算机视觉技术的飞速发展，越来越多的研究人员关注于行为识别的研究。人类行为识别被广泛的应用于安全监控，人机交互以及虚拟现实。由于上述基于传感器设备方法的局限性，采用基于计算机视觉的摔倒检测近年来受到越来越多的关注。基于计算机视觉的方法不需要通过传感器设备，只需要安装摄像头，通过视频就可以识别出是否有人摔倒，且精度较传感器方法更高。wang等人提出一种新的前景分割模型来检测行人，通过行人的轮廓变化来检测摔倒行为。zerrouki等人使用隐马尔可夫模型，根据行人的轮廓形态比特征，识别出摔倒行为并对行为进行分类。yu等人采用隐马尔可夫模型结合加速度传感器，在传感器获取的数据用于分别单独训练隐马尔可夫模型，用方向校准算法弥补误差。邓志峰等人通过结合几何特征以及构建行人外接矩阵来判断不同方向上的摔倒行为。fan等人通过分别计算动态与静态特征对摔倒行为进行分类。对miao等人采用椭圆拟合法，将人体轮廓用一个椭圆包裹住，采用几何特征与位置信息等特征结合svm识别摔倒行为并对不同行为进行分类。但是，这种传统方法侧重于特征提取和分类，容易受到噪声、光照变化和遮挡的影响。
5、由于以上摔倒检测方法存在一些缺点：基于传感器的摔倒检测方法依赖特定的传感器，这使得系统的部署和使用受到一定的限制，需要在特定的环境中安装和配置传感器设备。并且，基于传感器方法的检测范围和覆盖范围通常受限于传感器的感知范围。例如，使用固定位置的加速度计仅能检测到固定范围内的摔倒事件，无法覆盖整个环境。传感器方法还需要实时获取和处理传感器数据，并对其进行分析和判断。这对于系统的实时性和稳定性提出了要求，并且对传感器数据的质量和准确性有一定的依赖性。基于计算机视觉传统方法的摔倒检测算法对环境要求较高，需要有清晰的摄像头视野和良好的光照条件，以便准确地捕捉和分析人体的姿态和动作信息。在复杂或恶劣的环境下，算法的性能可能会下降。计算机视觉传统方法通常依赖于手工设计的特征提取方法，需要针对摔倒检测任务设计和选择适合的特征。然而，这种手工特征提取往往受到人工经验和主观因素的影响，无法充分利用数据的潜在信息。
6、中国专利文献（cn112966628a）公开了一种基于图卷积神经网络的视角自适应多目标摔倒检测方法包括以下步骤：采用目标检测算法检测目标视频源中每一帧图像的人物目标，采用姿态估计算法提取每一帧图像中人物目标的关键骨骼点数据，当连续检测到同一人物目标的帧数大于预设的检测阈值时，将所提取的关键骨骼点数据输入完成训练的视角自适应子网络中，得到视角调整参数；根据视角调整参数对关键骨骼点数据进行视角调整，再根据视角调整后的关键骨骼点数据计算运动数据，将视角调整后的关键骨骼点数据和运动数据输入完成训练的图卷积摔倒识别主网络进行摔倒检测，输出检测结果标签。该方法无法充分利用数据的潜在信息。
7、因此，本专利技术提供一种基于改进的时空自适应图卷积的骨架检测及摔倒检测方法，适应不同的摔倒模式和环境条件，且该方法具有更高的准确性和鲁棒性。
技术实现思路
1、本专利技术要解决的技术问题是，提供一种基于改进的时空自适应图卷积的骨架检测及摔倒检测方法，适应不同的摔倒模式和环境条件，且该方法具有更高的准确性和鲁棒性。
2、为了解决上述技术问题，本专利技术采用的技术方案是：该基于改进的时空自适应图卷积的骨架检测及摔倒检测方法，具体包括以下步骤：
3、s1：采集图像数据，获取每帧图像数据；
4、s2：采用预先训练好的yolov5目标人员检测模型检测每帧图像数据中是否有目标人员出现，若有目标人员出现，则转至步骤s3，若无目标人员出现则结束；
5、s3：对于每个检测到的目标人员，使用deepsort目标追踪算法进行目标跟踪，得到跟踪结果，并计算相似度得到目标关联的结果，更新每个目标人员的轨迹信息；
6、s4：对每个目标人员结合轨迹信息进行姿态识别，并采用时空自适应图卷积网络提取姿态的特征向量，采用分类器对人体行为进行分类和识别，判断目标人员是否发生了摔倒事件。
7、采用上述技术方案，采用深度学习方法能够自动学习和提取特征，适应不同的摔倒模式和环境条件，并且可以从大量的数据中进行端到端的训练和优化，这使得基于深度学习的摔倒检测算法具有更高的准确性和鲁棒性。通过在st-gcn摔倒检测模型中应用自适应图卷积网络，提高了模型的灵活性、适应性和表示能力，从而更准确地进行人体动作识别和时空特征建模。提高了对复杂的时空特征建模能力、增强了模型的灵活性和适应性等。自适应图卷积网络可以根据输入数据的特征和上下文信息动态地调整卷积操作中的权重。通过自适应的权重调整，模型可以根据不同的情况对特征进行加权，更好地捕捉和强调关键的时空特征。自适应图卷积网络还可以适应不同的环境和场景，对于光照变化、背景噪声、遮挡等因素具有一定的鲁棒性。这使得摔倒检测模型能够在不同的实际应用场景中保持较好的性能。
8、优选地，所述步骤s2中训练yolov5目标人员检测模型的具体步骤为：
9、s21：采用视频抽帧的方式，对步骤s1中采集到的图像数据进行抽帧处理，生成摔倒数据集；
10、s22：对摔倒数据集进行增强处理，得到增强数据集，并划分为训练集和测试集；...
【技术保护点】
1.一种基于改进的时空自适应图卷积的骨架检测及摔倒检测方法，其特征在于，具体包括以下步骤：
2.根据权利要求1所述的基于改进的时空自适应图卷积的骨架检测及摔倒检测方法，其特征在于，所述步骤S2中训练yolov5目标人员检测模型的具体步骤为：
3.根据权利要求2所述的基于改进的时空自适应图卷积的骨架检测及摔倒检测方法，其特征在于，所述步骤S3的具体步骤为：
4.根据权利要求3所述的基于改进的时空自适应图卷积的骨架检测及摔倒检测方法，其特征在于，所述步骤S32中计算相似度利用了目标人员的运动信息和外观信息，对于运动信息采用马氏距离判断预测目标人员与检测目标人员的关联度，马氏距离的公式为：
5.根据权利要求3所述的基于改进的时空自适应图卷积的骨架检测及摔倒检测方法，其特征在于，所述步骤S4的具体步骤为：
6.根据权利要求5所述的基于改进的时空自适应图卷积的骨架检测及摔倒检测方法，其特征在于，所述步骤S41中在Alphapose模型中添加了对称空间变换网络、由姿态引导的样本生成器和姿态非极大值抑制器实现骨骼检测，具体步骤为：p>
7.根据权利要求6所述的基于改进的时空自适应图卷积的骨架检测及摔倒检测方法，其特征在于，所述步骤S42中的时空自适应图卷积网络由空间自适应图卷积SA-GC和时间自适应图卷积TA-GC组成，且空间自适应图卷积SA-GC和时间自适应图卷积TA-GC中均有嵌入式图卷积的拓扑自适应编码器TAE。
8.根据权利要求7所述的基于改进的时空自适应图卷积的骨架检测及摔倒检测方法，其特征在于，所述步骤S42中采用时空自适应图卷积网络通过图卷积层对行人骨架图进行特征提取的具体步骤为：
9.根据权利要求7所述的基于改进的时空自适应图卷积的骨架检测及摔倒检测方法，其特征在于，所述步骤S43的具体步骤为：
10.根据权利要求9所述的基于改进的时空自适应图卷积的骨架检测及摔倒检测方法，其特征在于，所述步骤S431中预处理的方式包括特征归一化和降维；所述步骤S432中的分类器模型选择支持向量机SVM；所述步骤S433中通过计算准确率、召回率和F1分数来评估分类器的性能。
...【技术特征摘要】
1.一种基于改进的时空自适应图卷积的骨架检测及摔倒检测方法，其特征在于，具体包括以下步骤：
2.根据权利要求1所述的基于改进的时空自适应图卷积的骨架检测及摔倒检测方法，其特征在于，所述步骤s2中训练yolov5目标人员检测模型的具体步骤为：
3.根据权利要求2所述的基于改进的时空自适应图卷积的骨架检测及摔倒检测方法，其特征在于，所述步骤s3的具体步骤为：
4.根据权利要求3所述的基于改进的时空自适应图卷积的骨架检测及摔倒检测方法，其特征在于，所述步骤s32中计算相似度利用了目标人员的运动信息和外观信息，对于运动信息采用马氏距离判断预测目标人员与检测目标人员的关联度，马氏距离的公式为：
5.根据权利要求3所述的基于改进的时空自适应图卷积的骨架检测及摔倒检测方法，其特征在于，所述步骤s4的具体步骤为：
6.根据权利要求5所述的基于改进的时空自适应图卷积的骨架检测及摔倒检测方法，其特征在于，所述步骤s41中在alphapose模型中添加了对称空间变换网络、由姿态引导的样本生成器和...
【专利技术属性】
技术研发人员：王计斌，陈晓芳，陶维，
申请(专利权)人：南京华苏科技有限公司，
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。