[发明专利]一种基于深度学习的睡觉行为检测方法

权利要求书

1.一种基于深度学习的睡觉行为检测方法，其特征在于，包括以下步骤：

1）获取待测视频流，经切帧处理获得离散图片；

2）依次将所述离散图片输入一训练好的卷积神经网络模型，检测获得睡觉姿势初步检测结果及相应置信度；

3）基于多尺度检测方法对所有睡觉姿势初步检测结果进行筛选，获得睡觉姿势最终检测结果；

4）根据所述睡觉姿势最终检测结果，采用基于位置信息的目标跟踪算法判断是否存在睡觉行为，具体为：

401）获取当前帧的睡觉姿势最终检测结果，判断当前帧是否为第一帧，若是，则为每个最终检测结果建立记录，并对应设置记录分为基础分N，若否，则执行步骤402）；

402）计算上一帧中所有最终检测结果到当前帧中所有最终检测结果的距离，根据距离判断上一帧的各最终检测结果是否与当前帧匹配，对上一帧中存在匹配的最终检测结果对应的记录分增加N1，对上一帧中不存在匹配的最终检测结果对应的记录分减少N2，对当前帧中不存在匹配的最终检测结果设置其记录分为基础分N；

403）判断是否有记录分大于第一设定阈值Nmax的最终检测结果，若是，则判断该最终检测结果存在睡觉行为，若否，则执行步骤404）；

404）判断是否有记录分小于第二设定阈值N3最终检测结果，则删除该记录，返回步骤401）。

2.根据权利要求1所述的基于深度学习的睡觉行为检测方法，其特征在于，所述卷积神经网络模型的特征提取过程中，对多个卷积层的输出特征进行融合，输入可变形位置敏感兴趣区域池化，实现补偿。

3.根据权利要求1所述的基于深度学习的睡觉行为检测方法，其特征在于，所述卷积神经网络模型的训练过程具体为：

对样本库中的图片进行预处理，所述预处理包括像素缩放和颜色通道处理；

以预处理后的图片输入卷积神经网络模型完成训练。

4.根据权利要求1所述的基于深度学习的睡觉行为检测方法，其特征在于，所述基于多尺度检测方法对所有睡觉姿势初步检测结果进行筛选的具体过程包括：

301）将所有的睡觉姿势初步检测结果按照置信度从高到低排列，舍弃置信度小于预选置信度conf1的检测结果；

302）判断剩余检测结果中是否存在同时满足置信度小于入选置信度conf2、长宽平均值小于小框阈值small1和长宽比在长宽比阈值ratio1和ratio2之间的检测结果，若是，则筛选出满足条件的检测结果，若否，则直接执行步骤304）；

303）分别以满足条件的检测结果为中心局部放大X倍后再输入所述卷积神经网络模型中，更新各检测结果的置信度；

304）舍弃置信度小于入选置信度conf2的检测结果。

5.根据权利要求4所述的基于深度学习的睡觉行为检测方法，其特征在于，所述预选置信度conf1的取值范围为0~0.3，入选置信度conf2的取值范围为0.9~1。

6.根据权利要求4所述的基于深度学习的睡觉行为检测方法，其特征在于，所述步骤303）中，X的取值范围为2~3。

7.根据权利要求1所述的基于深度学习的睡觉行为检测方法，其特征在于，步骤402）中，所述距离的计算公式为：

其中，表示结果和之间的距离，表示结果中心。

8.根据权利要求1所述的基于深度学习的睡觉行为检测方法，其特征在于，步骤402）中，所述根据距离判断上一帧的各最终检测结果是否与当前帧匹配具体为：

421）对上一帧每个最终检测结果所属的距离值排序，形成链表，移除大于临近距离阈值S的节点，若剩余链表为空，则所有最终检测结果均不匹配；

422）在每个最终检测结果对应的链表中各选择一个节点形成一个组合，遍历所有组合，以距离之和最小的一组作为匹配结果输出；

423）根据所述匹配结果确定上一帧的各最终检测结果与当前帧的各最终检测结果的匹配情况。