[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

说明书

本发明公开了一种基于深度视频信息的坠床行为实时检测方法，属于数字图像识别技术领域，包括：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；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；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。本发明对坠床行为的检测不受被子等遮挡物影响，准确度高，实时性强。

技术领域

本发明属于数字图像识别技术领域，更具体地，涉及一种基于深度视频信息的坠床行为实时检测方法。

背景技术

在老年人和婴幼儿群体中，坠床的发生会造成严重的健康问题。如果未能及时发现，会延误治疗，乃至威胁生命健康。因为，及时的发现坠床对于保护个体的生命健康显得十分重要。目前，针对坠床的自动检测方法主要分为三种：基于传感器设备的坠床检测方法，基于无线信号的坠床检测方法，以及基于视频图像的坠床检测方法。

基于传感器设备的坠床检测方法，主要通过随身穿戴速度传感器等设备，以及在地面和床面布置压力传感器等设备，检测人体的速度和压力等物理量的变化判断坠床行为，该方法计算量小，但是需要用户实时穿戴，会日常生活有一定的影响；基于无线信号的坠床检测方法，通过WIFI等无线电波，通过对收发过程中的信号变化进行建模来判断坠床行为，该方法设备简单，无需穿戴，但是由于信号易受干扰，鲁棒性较差，造成检测的准确度较低；基于视频图像的坠床检测方法，通过自动检测视频中的行为进行检测坠床，但是易受光照影响，虽然存在使用深度图像的方法，但是不能解决盖被子时人体遮挡情况下的坠床检测，而且实时性较差。

由此可见，现有技术存在易受被子等遮挡物影响，准确度低，实时性差的技术问题。

发明内容

针对现有技术的以上缺陷或改进需求，本发明提供了一种基于深度视频信息的坠床行为实时检测方法，由此解决，现有技术存在易受被子等遮挡物影响，准确度低，实时性差的技术问题。

为实现上述目的，按照本发明的一个方面，提供了一种基于深度视频信息的坠床行为实时检测方法，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。

进一步地，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；

(1-3)利用深度神经网络对当前帧的前景图像进行检测，得到当前帧的头部位置。

进一步地，步骤(1-2)还包括：当深度图像大于第n帧时，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。

进一步地，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：