[发明专利]基于深度卷积网络的跌倒检测方法

权利要求书

1.基于深度卷积网络的跌倒检测方法，其特征在于，包括：

步骤1、根据单目摄像头采集的图像，采用深度卷积网络计算图像中待检测对象的身体关节置信图；

步骤2、采用双向图结构信息模型计算身体关节置信图中所有身体部位的最优姿态配置集合，所述最优姿态配置集合用于表示各身体部位与预设水平位置之间的距离；所述步骤2具体包括：

步骤21、计算身体关节置信图中每个身体部位i的出度n，并生成与身体部位i相连接的n-1个虚拟身体部位，将每个身体部位i的上下文边展开形成第一身体树模型和第二身体树模型，所述第一身体树模型中各身体部位按照第一信息流方向传递信息，所述第二身体树模型中各身体部位按照第二信息流方向传递信息，所述第一信息流方向和所述第二信息流方向互为反方向；

步骤22、分别在第一身体树模型和第二身体模型中各自选取L个假设根节点，根据任一身体树模型中各身体部位的遮挡状态、各身体部位的位置和每两个身体部位之间的相对位置关系，确定待观测对象在L个假设根节点下的L个姿态配置集合φ；

步骤23、根据下式

对所述L个姿态配置集合φ进行评分，其中，F(I,φ)表示第一信息流方向的信息流分数函数，F'(I,φ)表示第二信息流方向的信息流分数函数；

步骤24、选取评分最高的姿态配置集合φ_m作为最优姿态配置集合；

所述第一信息流方向的信息流分数函数F(I,φ)根据下式

确定；其中，V表示身体部位集合，ε_K表示相邻身体部位之间的附加约束集，ε_C表示非相邻身体部位之间的附加约束集，U_i(φ)表示身体部位i的外观分数，表示附加约束集ε_K中身体部位i,j之间的变形分数，表示附加约束集ε_C中身体部位i,j之间的变形分数；

所述身体部位i的外观分数U_i(φ)根据下式

U_i(φ)＝w_if(i|I(p_i)；θ)·L(o_i)+b_i(o_i)

确定；其中w_i表示身体外观权重参数，f(i|I(p_i)；θ)表示身体部位i所在位置p_i处的图像块I(p_i)的图像信息，θ表示卷积神经网络的参数，b_i(o_i)表示遮挡状态o_i的偏置项，L(o_i)表示遮挡状态o_i的指示函数；

步骤3、根据各身体部位与预设水平位置之间的距离，判断所述待检测对象是否跌倒。

2.根据权利要求1所述的方法，其特征在于，所述步骤1中的身体关节置信图c(x)根据下式

确定；其中，x表示图像中待检测关节点的预测位置，s表示图像中待检测关节点的周围场景，P(x|c(z),s)是用于表示位置x与其上下文位置z之间的空间关系的条件概率，P(c(z)|s)是上下文位置z的先验概率，X^c＝{c(z)＝(I(z),z)|z∈Ω_c(x^*)}，I(z)代表图像中上下文位置z的图像强度，Ω_c(x^*)是待检测关节点真实位置x^*的邻域。

3.根据权利要求2所述的方法，其特征在于，所述位置x与其上下文位置z之间的空间关系的条件概率P(x|c(z),s)根据下式

P(x|c(z),s)＝h^sc(x-z)

确定；b为归一化参数，β为形状参数，I(x)代表图像中位置x的图像强度，α和σ为尺度参数。

4.根据权利要求3所述的方法，其特征在于，所述上下文位置z的先验概率P(c(z)|s)根据下式

P(c(z)|s)＝I(z)w_σ(z-x^*)

确定；其中，a是归一化参数。