一种基于机器学习的人体轮廓分割与跌倒检测的方法技术

本发明专利技术提供了一种基于机器学习的人体轮廓分割与跌倒检测的方法，包括以下步骤：先对获取到的图像进行处理；包括使用高斯滤波不断减弱了图像边缘的频率变化进行图像去噪；图像形态学处理，二值化物体边界点进行扩充，将与物体接触的所有背景点合并到该物体中，使边界向外部扩张等；之后使用L‑UNet网络进行分割，采用交叉熵代价函数计算训练代价，以SGD最小代价函数优化器对L‑UNet的网络参量进行调优，随着调优训练的迭代进展，使L‑UNet的分割性能得以不断提高；最后通过两级SVM分类器判断人体是否跌倒，输出预测的结果。本方法针对图像分割效果差、预测结果准确率不高的情况，使用改进的L‑UNet提升分割效果和二级SVM提高准确率。

【技术实现步骤摘要】

本专利技术涉及机器学习领域，具体涉及一种基于机器学习的人体轮廓分割与跌倒检测的方法。

技术介绍

1、跌倒是日常生活中最常见的不良事件之一。根据世界卫生组织的统计报告，跌倒是造成意外伤亡的第二大原因，在公共密集场所发生跌倒容易引发踩踏事故，导致严重的安全事故。传统跌倒检测方法主要有基于穿戴设备和基于环境传感器对人体跌倒进行检测。然而，可穿戴设备需要实时佩戴，容易造成人体活动不方便，并且存在容易忘记佩戴的缺点，而基于环境设备的跌倒检测需要在特定的环境中安装传感器设备，成本较高，不方便移植

2、人体轮廓检测一直都是图像处理领域研究的热点问题，在监控系统、军事扫描搜寻、无人驾驶以及机场的安全等方面都有着息息相关的应用。针对目前在地下停车场或者机场等不方便进行人工监督的地方，为了保障行人安全，近年来，随着人工智能与计算机视觉不断地融入人们的生活，与之相关的人体轮廓检测技术变得越来越重要。

3、跌倒检测在体育运动、特种作业、国防安全等领域也引起了广泛的研究关注。在体育运动领域，跌倒可能导致运动员的严重伤害，甚至影响他们的职业生涯。跌倒检测的研究本文档来自技高网...

【技术保护点】

1.一种基于机器学习的人体轮廓分割与跌倒检测的方法，其特征在于，包括以下步骤：S1：对于设备获取的图像进行去噪处理；S2：对去噪好的图像进行图像形态学处理；S3：之后对图像的边缘进行检测；S4：使用轻量级U-Net网络进行分割；S5：绘制人体轮廓；S6：最后通过SVM来判断是否跌倒。

2.根据权利1所述的基于机器学习的人体轮廓分割与跌倒检测的方法，其特征在于，所述S1过程中，图像去噪目的在于抽出图像的特征以及去掉数字化图像中的噪声成分，通过调研发现高斯滤波更适用于人体轮廓检测，高斯滤波是一种低通滤波，其不断减弱了图像边缘的频率变化，对于消除正态分布形状的噪声效果很好，均值为零...

【技术特征摘要】

1.一种基于机器学习的人体轮廓分割与跌倒检测的方法，其特征在于，包括以下步骤：s1：对于设备获取的图像进行去噪处理；s2：对去噪好的图像进行图像形态学处理；s3：之后对图像的边缘进行检测；s4：使用轻量级u-net网络进行分割；s5：绘制人体轮廓；s6：最后通过svm来判断是否跌倒。

2.根据权利1所述的基于机器学习的人体轮廓分割与跌倒检测的方法，其特征在于，所述s1过程中，图像去噪目的在于抽出图像的特征以及去掉数字化图像中的噪声成分，通过调研发现高斯滤波更适用于人体轮廓检测，高斯滤波是一种低通滤波，其不断减弱了图像边缘的频率变化，对于消除正态分布形状的噪声效果很好，均值为零的一维高斯函数为：在高斯滤波器中，像素的权重与距离其中心像素点的数值成正比，故而均值为零的二维高斯：高斯函数封装在gaussianblur函数中，其作用就是将图像与高斯核函数进行卷积，对支持这一运算的就过滤掉。

3.根据权利1所述的基于机器学习的人体轮廓分割与跌倒检测的方法，其特征在于，所述s2过程中，图像形态学处理主要依靠膨胀处理，膨胀处理是一种经典图像形态学滤波，而图像形态学即数学形态学，形态学处理即针对离散图片进行的一种滤波模式。

4.根据权利1所述的基于机器学习的人体轮廓分割与跌倒检测的方法，其特征在于，所述s3过程中，在图像去噪与增强之后一般常用阈值化的方法进行检测，如果像素值大于等于某个阈值，该像素就被赋予某个值，否则被赋予另一个值，在这里使用自适应阈值，可以计算图像中不同区域的阈值，以适应不同场景。

5.根据权利1所述的基于机器学习的人体轮廓分割与跌倒检测的方法，其特征在于，所述s4过程中，...

【专利技术属性】
技术研发人员：张留美，白璐，朱成龙，
申请(专利权)人：西安石油大学，
类型：发明
国别省市：