[发明专利]一种基于深度视频信息的坠床行为实时检测方法

权利要求书

1.一种基于深度视频信息的坠床行为实时检测方法，其特征在于，包括：

(1)根据室内场景的深度视频，得到背景图像和前景图像，利用深度神经网络对前景图像进行检测，得到头部位置；

(2)当深度视频中连续两帧深度图像的头部位置距离小于距离阈值时，根据深度视频中连续多帧深度图像的头部位置，得到头部序列特征；

(3)利用坠床分类器对头部序列特征进行检测，判断是否发生坠床行为；

所述步骤(1)包括：

(1-1)从室内场景的深度视频中提取深度图像，对每个像素点在连续的n帧深度图像中的像素值进行大小排序，取其中值作为背景图像中的该像素点的像素值，得到背景图像；

(1-2)当深度图像大于第n帧时，通过当前帧深度图像与背景图像进行逐像素点比较像素值大小，当像素值的差值大于差值阈值时，则认为该像素点是前景，保留该像素点的像素值，否则，将该像素点的像素置零，进而得到当前帧的前景图像；若深度视频中连续两帧深度图像的头部位置距离大于等于距离阈值，则将当前帧的前景区域中每个像素点的像素值赋给背景图像中的对应的像素点，更新背景图像；

(1-3)将当前帧的前景图像输入深度神经网络，得到多个头部矩形框和每个头部矩形框的置信度，对于置信度大于置信阈值的头部矩形框，通过非极大值抑制去掉虚景和重复的头部检测框，得到当前帧的头部位置；

所述深度神经网络为训练好的深度神经网络，所述深度神经网络的训练包括：

获取在室内场景中人走动、坐下、躺下、起床、坠床的样本深度图像，并标定所有样本深度图像中的人体位置与头部位置，得到标定后的样本深度图像，将标定后的样本深度图像转化成相同尺寸的8位3通道图像作为训练样本集；使用训练样本集对基于YOLO网络的深度神经网络行进训练，得到针对室内场景检测人体头部的训练好的深度神经网络；

所述8位3通道图像的转化包括：将标定后的样本深度图像的所有像素值的高8位数据按照原位置放在第1通道，所有像素值的低8位数据按照原位置据放在第2通道，第3通道空闲，构成8位3通道图像；

所述坠床分类器为最近邻分类器。

2.如权利要求1所述的一种基于深度视频信息的坠床行为实时检测方法，其特征在于，所述步骤(2)包括：

(2-1)连续两帧深度图像为当前帧的深度图像和前一帧的深度图像，当深度视频中连续两帧深度图像的头部位置距离小于距离阈值时，则该头部位置为人体，否则剔除该头部位置；

(2-2)获取深度视频中每帧深度图像的三维信息，根据三维信息，得到深度图像中所有像素点的法向量，对所有法向量为重力方向的像素点进行RANSAC平面拟合，得到地面位置；

(2-3)根据深度视频中连续多帧深度图像的头部位置和地面位置，得到头部中心距离地面的头部高度，连续多帧深度图像的头部高度构成头部序列特征。

3.如权利要求1或2所述的一种基于深度视频信息的坠床行为实时检测方法，其特征在于，所述步骤(3)包括：

利用坠床分类器对头部序列特征进行检测，判断是否发生坠床行为，若判断发生坠床行为，再检测头部中心距离地面的头部高度，若头部高度在预设时间范围内未变化，则判定为坠床；若在预设时间范围内头部高度恢复正常高度，则判定为正常状态。

4.如权利要求3所述的一种基于深度视频信息的坠床行为实时检测方法，其特征在于，所述坠床分类器根据坠床行为数据集构建得到，所述坠床行为数据集为对样本视频序列中的每一帧图像人工标定坠床行为与非坠床行为的头部序列特征。