System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及跌倒检测,尤其涉及一种跌倒检测模型训练改进方法及跌倒检测方法。
技术介绍
1、近年来,安全健康问题越来越受到人们重视,其中,跌倒的应急处理是一项重要的安全应对措施。随着计算机技术和人工智能领域的迅速发展,使用深度学习工具对行人跌倒进行检测预警、保护行人的出行安全成为可能。
2、现有的跌倒检测方法可分为基于穿戴式传感器和基于视觉识别两个方向,基于穿戴式传感器的方法大多通过加速度计、压力传感器和麦克风等设备来计算人体的位置变化或加速度变化,从而判定人体是否处于跌倒状态。然而,此类方法是从待检测对象的角度设立,不仅依赖待检测对象的配合,在易发生跌倒的施工环境或公共场所中,行人流动较大的情况下,实现成本很高,基于视觉识别的方法通过摄像头采集视频图像,通过视频分析检测跌倒行为,避免了佩戴设备的不便,能广泛应用在各种日常生活和工业场景中。其中,基于骨骼关键点序列和深度学习技术的方法在检测精度方面相比传统方法检测精度有明显提高,在计算成本方面相比基于rgb视频的方法小得多,具有实际应用价值。但在实际跌倒检测中,行人动作丰富多样,有诸多例如坐下、蹲下、趴下的动作与跌倒动作的骨骼关键点序列表现相似,极容易造成误检。
技术实现思路
1、本专利技术的目的是针对
技术介绍
存在的技术问题,提出一种跌倒检测模型训练改进方法,包括如下步骤:
2、收集视频数据,视频数据包含作为正样本的跌倒数据和作为负样本的非跌倒数据;
3、截取包含人体的帧序列;
4、根
5、通过人体骨骼关键点序列,训练动作分类模型,动作分类模型在训练阶段中,加入时空解耦模块以及特征细化模块,以加强动作分类模型对人体姿势的判别。
6、进一步地,“通过人体骨骼关键点序列,训练动作分类模型,动作分类模型在训练阶段中,加入时空解耦模块以及特征细化模块,以加强动作分类模型对人体姿势的判别”还包括如下步骤:
7、动作分类模型选用图卷积网络gcn和时序卷积网络tcn的tgn模块作为骨干网络;
8、在tgn模块后加入:“时空解耦模块”和“特征细化模块”,“时空解耦模块”和“特征细化模块”用以计算对比分类损失;
9、将“时空解耦模块”和“特征细化模块”计算得出的对比分类损失,加权相加,以得到总对比分类损失,用以优化动作分类模型。
10、进一步地,“在tgn模块后加入:“时空解耦模块”和“特征细化模块”,“时空解耦模块”和“特征细化模块”用以计算对比分类损失”还包括如下步骤:
11、将人体骨骼关键点序列输入至tgn模块,以得到形状为n*c*t*v的特征图,其中,n代表序列的数目,c代表通道的数目,t代表每个序列包含的帧数,v代表每个骨骼包含的关键点数;
12、将特征图分解为n*c*1*v的“时间分量”和n*c*t*1的“空间分量”,利用“时间池化与卷积模块”以及“空间池化与卷积模块”分别将“时间分量”以及“空间分量”表示成相同长度的一维特征,分别记为ftei和fspi,其中,i代表当前时空解耦模块的序号;
13、通过“特征细化模块”分别计算ftei和fspi的特征相似性,以得到预测类别结果,将预测类别结果与真实结果相比较,将标签为跌倒且预测为跌倒的样本记为tp样本,将标签为跌倒但错误预测为非跌倒的样本记为fn样本,将标签为非跌倒但错误预测为跌倒的样本记为fp样本;
14、以tp样本集合为锚定样本组,并作为模型易识别的样本集合,以fn样本和fp样本作为模型难识别的困难样本,计算三个样本集合的中心,根据tp样本和fn样本的中心距离、tp样本和fp样本的中心距离计算一致性损失l1i,l2i,并相加得到对比分类损失lconi。
15、进一步地,“将“空解耦模块”和“特征细化模块”计算得出的对比分类损失,加权相加,以得到总对比分类损失,用以优化动作分类模型”还包括如下步骤:
16、计算每个阶段的对比分类损失,通过重矩阵加权后得到总对比分类损失lcon;
17、将总对比分类损失lcon,与加入“空解耦模块”和“特征细化模块”之前的原模型的分类损失相加,得到总损失;
18、使用动作分类模型对总损失进行训练,以反复加强对识别模糊的困难样本时空信息的利用,来加强动作分类模型对人体姿势的判别。
19、进一步地,构建骨骼关键点序列之前,还包括如下步骤:
20、基于yolov5s算法,标注画面中的人体边界框,并训练人体检测模型;
21、基于人体关键点检测模型:lite-hrnet模型计算人体骨骼关键点。
22、进一步地,人体骨骼关键点包括鼻、左眼、右眼、左耳、右耳、左肩、右肩、左肘、右肘、左腕、右腕、左髋、右髋、左膝、右膝、左踝、右踝;
23、计算鼻、左眼、右眼和左耳、右耳的中心点,并作为头部关键点并替代原有的关键点;
24、去除原有的左肩、右肩关键点连线,左髋、右髋关键点连线,新增头肩、头髋关键点连线。
25、进一步地,本专利技术还提供一种跌倒检测方法,使用了本专利技术的一种“跌倒检测模型训练改进方法”,检测方法包括如下步骤:
26、采集监控数据视频,构建视频帧序列;
27、基于人体检测模型进行人体检测;
28、基于人体关键点检测模型进行关键点检索,并构建人体骨骼关键点序列;
29、基于动作分类模型进行动作分类,以判断人体是否跌倒。
30、进一步地,“采集监控数据视频,构建视频帧序列”还包括如下步骤:
31、设定视频帧序列的长度l;
32、在视频帧画面中检测行人,从检测到行人开始计算帧数,从第l帧开始构建第一个视频帧序列v0,第i帧到第l+i帧的序列记为vi,若中间出现中断则重新计算。
33、进一步地,“基于人体关键点检测模型进行关键点检索,并构建骨骼关键点序列”还包括如下步骤:
34、基于lite-hrnet模型,分别对序列vi中的l个行人边界框,计算出人体关键点坐标;
35、利用得到的l组关键点坐标,构建骨骼关键点序列si;
36、将骨骼关键点序列si输入动作分类模型。
37、进一步地,还包括如下步骤:
38、若发生跌倒则输出跌倒报警;
39、若未发生跌倒则继续构建视频帧序列进行跌倒检测。
40、本专利技术与现有技术相比,具有如下有益的技术效果:本专利技术利用“时空解耦”和“特征细化模块”加强深度学习模型对时空信息和对模糊样本的学习,提升模型对跌倒序列和类跌倒的非跌倒序列的判别能力。最终联立人体检测模型、关键点检测模型和动作分类模型,对监控视频进行端到端的智能分析,在计算成本不变的情况下,提升真实场景下的行人跌倒检测的精度。
本文档来自技高网...【技术保护点】
1.一种跌倒检测模型训练改进方法,其特征在于,包括如下步骤:
2.根据权利要求1所述的一种跌倒检测模型训练改进方法,其特征在于,所述“通过人体骨骼关键点序列,训练动作分类模型,动作分类模型在训练阶段中,加入时空解耦模块以及特征细化模块,以加强动作分类模型对人体姿势的判别”还包括如下步骤:
3.根据权利要求2所述的一种跌倒检测模型训练改进方法,其特征在于,所述“在TGN模块后加入:“时空解耦模块”和“特征细化模块”,“时空解耦模块”和“特征细化模块”用以计算对比分类损失”还包括如下步骤:
4.根据权利要求3所述的一种跌倒检测模型训练改进方法,其特征在于,所述“将“空解耦模块”和“特征细化模块”计算得出的对比分类损失,加权相加,以得到总对比分类损失,用以优化动作分类模型”还包括如下步骤:
5.根据权利要求1所述的一种跌倒检测模型训练改进方法,其特征在于,构建骨骼关键点序列之前,还包括如下步骤:
6.根据权利要求5所述的一种跌倒检测模型训练改进方法,其特征在于,人体骨骼关键点包括鼻、左眼、右眼、左耳、右耳、左肩、右肩、左肘、右
7.一种跌倒检测方法,其特征在于,使用了如上权利要求任一所述的一种“跌倒检测模型训练改进方法”,所述“跌倒检测模型训练改进方法”在构建骨骼关键点序列之前,还包括如下步骤:
8.根据权利要求7所述的一种跌倒检测方法,其特征在于,所述“采集监控数据视频,构建视频帧序列”还包括如下步骤:
9.根据权利要求8所述的一种跌倒检测方法,其特征在于,所述“基于人体关键点检测模型进行关键点检索,并构建骨骼关键点序列”还包括如下步骤:
10.根据权利要求7所述的一种跌倒检测方法,其特征在于,还包括如下步骤:
...【技术特征摘要】
1.一种跌倒检测模型训练改进方法,其特征在于,包括如下步骤:
2.根据权利要求1所述的一种跌倒检测模型训练改进方法,其特征在于,所述“通过人体骨骼关键点序列,训练动作分类模型,动作分类模型在训练阶段中,加入时空解耦模块以及特征细化模块,以加强动作分类模型对人体姿势的判别”还包括如下步骤:
3.根据权利要求2所述的一种跌倒检测模型训练改进方法,其特征在于,所述“在tgn模块后加入:“时空解耦模块”和“特征细化模块”,“时空解耦模块”和“特征细化模块”用以计算对比分类损失”还包括如下步骤:
4.根据权利要求3所述的一种跌倒检测模型训练改进方法,其特征在于,所述“将“空解耦模块”和“特征细化模块”计算得出的对比分类损失,加权相加,以得到总对比分类损失,用以优化动作分类模型”还包括如下步骤:
5.根据权利要求1所述的一种跌倒检测模型训练改进方法,...
【专利技术属性】
技术研发人员:徐理丽,刘毅,
申请(专利权)人:深圳市瑞驰信息技术有限公司,
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。