【技术实现步骤摘要】
本专利技术涉及跌倒检测，更具体的说是涉及一种复杂环境下轻量级casl-yolo跌倒检测方法及系统。
技术介绍
1、跌倒检测对老年人来说十分重要，老年人由于身体机能的衰退，身体平衡能力下降，因此跌倒成为老年人常见的意外伤害事件之一。跌倒不仅会导致身体受伤，还会给老年人精神和心理带来负面影响，甚至危及生命。跌倒检测系统可以实现对老年人的实时监测和及时预警，一旦老年人发生跌倒，系统会及时发出警报，提醒周围人员及时进行救助。这种技术可以有效地保障老年人的身体安全，降低跌倒所造成的后果，提高老年人的生活质量。
2、目前，跌倒检测的方法主要分为两类：基于非视觉传感器的跌倒检测和基于计算机视觉的跌倒检测方法。现有跌倒检测技术各有成效，然而，目前主流的跌倒检测技术受环境的干扰较大，在物体遮挡、光照变化等复杂场景下的检测准确率较低，且模型的计算开销和性能无法平衡，导致成本居高不下，不能很好地部署应用于实际生活场景。为克服以上挑战，我们需要进一步优化和创新跌倒检测算法，特别是在轻量化方面，以确保其适在计算资源受限的情况下高效运行，满足实际生活场景中的部署要求。此外，提高检测速度和准确度也是该领域亟需解决的关键问题。
技术实现思路
1、有鉴于此，本专利技术提供了一种针对老年人安全问题的复杂环境下轻量级casl-yolo跌倒检测方法及系统。该专利技术在现有的yolov8基础上进行了改进，旨在通过充分利用大量跌倒图像数据，自动学习和识别跌倒图像中的人员姿态，从而实现高效、准确且低成本的跌倒检测。
2、为了实现上述目的，本专利技术提供如下技术方案：
3、一种复杂环境下轻量级casl-yolo跌倒检测方法，包括以下步骤：
4、步骤1、获取若干张跌倒图像；
5、步骤2、对yolov8模型进行改进，引入spd-conv模块、lsknet模块和coordinateattention注意力机制，得到casl-yolo模型；
6、步骤3、将若干张所述跌倒图像输入casl-yolo模型中进行训练，得到casl-yolo跌倒检测模型；
7、步骤4、将待识别图像输入所述casl-yolo跌倒检测模型中，得到所述待识别图像的跌倒检测结果。
8、可选的，所述步骤1中，每张跌倒图像中包括人员跌倒结果。
9、可选的，所述步骤2中，对yolov8模型进行改进的方法为：
10、在yolov8模型中引入spd-conv模块，用于替代多个传统的卷积模块，使得模型能够更加有效地捕捉到小物体的特征信息，并且在处理低分辨率图像时表现更为出色；
11、将yolov8模型中c2f模块替换为coordinate attention注意力机制与c2f模块结合的c2f-ca模块，这种轻量级网络结构可以关注更大范围内的目标，使模型更加精确地对人体目标进行定位与识别，通过降低模型的参数量和计算量使网络更加轻量化，避免产生大量的计算开销；
12、在yolov8模型的主干网络中添加lsknet模块，使模型对空间上的不同目标自适应地选择不同大小的核并动态地调整感受野，更有效地处理不同复杂跌倒检测场景下的背景信息。
13、可选的，所述spd-conv模块中，spd层将输入的中间特征图，依据scale值切出若干个子图，并将特征图下采样2倍，然后通过非跨步卷积层对变换后的子图进行卷积操作，最后再将经过卷积操作后的子图重新组合成新的特征图。
14、可选的，所述coordinate attention注意力机制分别在宽度方向上和高度方向上对输入特征图进行两次全局平均池化，得到两个特征映射，分别捕捉宽度和高度方向上的全局特征，公式为：
15、
16、式中，zc表示全局特征，h和w分别为输入特征图的高和宽，xc(i，j)为给定的输入；
17、其中，给定尺寸为(h,1)和(1,w)的输入，分别沿着水平坐标和垂直坐标对每个通道进行编码，高度为h的第i通道和宽度为w的第j通道的输出分别表示为：
18、
19、
20、式中，表示高度为h的各个通道平均输出，表示宽度为w的各个通道平均输出，xc(h，i)表示高度为h的第i通道的输入，xc(j，w)表示宽度为w的第j通道的输入；两种变换沿着两个空间方向聚合特征，得到一对方向感知的特征图，这两种变换使得注意力模块捕捉到沿着一个空间方向的长期依赖关系，并沿着另一个空间方向的精确位置信息，获得全局感受野和位置信息。
21、通过在宽度和高度两个维度方向上对信息进行聚合，使网络更加准确的定位感知兴趣的目标。然后经过通道级拼接操作和卷积平滑处理产生具有全局感受野和更加精确的信息表示，如下式所示：
22、f＝δ(f1([zh,zw]))；
23、其中，f1为经过批量归一化处理的特征图；f为经过sigmoid激活函数得到的特征图；δ是非线性激活函数；zh和zw为上述两个方程式生成的两个聚合特征图；
24、再通过批正则化和非线性映射变换为输入数据具有相同通道数的张量，如下式所示：
25、gh＝σ(fh(fh))；
26、gw＝σ(fw(fw))；
27、其中，fh和fw为特征图f沿着空间维度分成的两个独立的张量；fh和fw为分别将fh和fw变换为与输入具有相同通道数的张量；gh和gw分别为经过上述计算后得到输入特征图在高度和宽度方向上的注意力权重；σ是sigmoid函数；
28、最后，在原始特征图上通过乘法加权计算，得到最终在宽度和高度方向上带有注意力权重的特征图，coordinateattention的最终输出如下式所示：
29、
30、其中，yc(i,j)表示最终输出的特征，xc(i,j)表示原始特征，表示经过聚合处理在高度维度上恢复原始通道数的特征，表示经过聚合处理在宽度维度上恢复原始通道数的特征。
31、可选的，lsknet模块是一个可重复堆叠的模块，包括若干个lsk块，每个lsk块包括两个残差子块，即大核选择子块lk selection和前馈网络子块ffn；
32、大核选择子块lk selection用于动态地调整网络的感受野，包括两个全连接层、一个gelu激活、一个lsk模块；
33、前馈网络子块ffn用于通道混合和特征细化，包括两个全连接层、一个深度卷积、一个gelu激活；
34、lsk模块包括一个大核卷积序列和一个空间核选择机制，被嵌入到lsk块的大核选择子块lk selection中。
35、可选的，所述步骤3中，以跌倒图像为输入，以对应的跌倒结果为输出，对casl-yolo模型进行训练，得到casl-yolo跌倒检测模型。
36、可选的，在步骤3得到casl-yolo跌倒检测模型后，使用平均精度(map@0.5和map@本文档来自技高网...
【技术保护点】
1.一种复杂环境下轻量级CASL-YOLO跌倒检测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种复杂环境下轻量级CASL-YOLO跌倒检测方法，其特征在于，所述步骤1中，每张跌倒图像中包括人员跌倒结果。
3.根据权利要求1所述的一种复杂环境下轻量级CASL-YOLO跌倒检测方法，其特征在于，所述步骤2中，对YOLOv8模型进行改进的方法为：
4.根据权利要求3所述的一种复杂环境下轻量级CASL-YOLO跌倒检测方法，其特征在于，所述SPD-Conv模块中，SPD层将输入的中间特征图，依据scale值切出若干个子图，并将特征图下采样2倍，然后通过非跨步卷积层对变换后的子图进行卷积操作，最后再将经过卷积操作后的子图重新组合成新的特征图。
5.根据权利要求3所述的一种复杂环境下轻量级CASL-YOLO跌倒检测方法，其特征在于，所述Coordinate Attention注意力机制通过将位置信息嵌入到通道注意力中，并将通道注意力分解为两个沿着不同方向聚合特征的1D特征编码过程；然后，将生成的特征图分别编码，形成一对新的特征图
6.根据权利要求3所述的一种复杂环境下轻量级CASL-YOLO跌倒检测方法，其特征在于，LSKNet模块是一个可重复堆叠的模块，包括若干个LSK块，每个LSK块包括两个残差子块，即大核选择子块LK Selection和前馈网络子块FFN；
7.根据权利要求2所述的一种复杂环境下轻量级CASL-YOLO跌倒检测方法，其特征在于，所述步骤3中，以跌倒图像为输入，以对应的跌倒结果为输出，对CASL-YOLO模型进行训练，得到CASL-YOLO跌倒检测模型。
8.根据权利要求1所述的一种复杂环境下轻量级CASL-YOLO跌倒检测方法，其特征在于，在步骤3得到CASL-YOLO跌倒检测模型后，使用平均精度mAP@0.5和mAP@0.5-0.95、浮点运算量FLOPs、参数量Params作为模型的评价指标，对所述CASL-YOLO跌倒检测模型进行评价。
9.一种复杂环境下轻量级CASL-YOLO跌倒检测系统，其特征在于，包括：
...【技术特征摘要】
1.一种复杂环境下轻量级casl-yolo跌倒检测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种复杂环境下轻量级casl-yolo跌倒检测方法，其特征在于，所述步骤1中，每张跌倒图像中包括人员跌倒结果。
3.根据权利要求1所述的一种复杂环境下轻量级casl-yolo跌倒检测方法，其特征在于，所述步骤2中，对yolov8模型进行改进的方法为：
4.根据权利要求3所述的一种复杂环境下轻量级casl-yolo跌倒检测方法，其特征在于，所述spd-conv模块中，spd层将输入的中间特征图，依据scale值切出若干个子图，并将特征图下采样2倍，然后通过非跨步卷积层对变换后的子图进行卷积操作，最后再将经过卷积操作后的子图重新组合成新的特征图。
5.根据权利要求3所述的一种复杂环境下轻量级casl-yolo跌倒检测方法，其特征在于，所述coordinate attention注意力机制通过将位置信息嵌入到通道注意力中，并将通道注意力分解为两个沿着不同方向聚合特征的1d特征编码过程；然后，将生成的...
【专利技术属性】
技术研发人员：朱信忠，徐慧英，赵蕊，黄晓，蒋云良，
申请(专利权)人：浙江师范大学，
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。