[发明专利]基于骨骼点的跌倒检测方法及其跌倒检测装置

权利要求书

1.一种基于骨骼点的跌倒检测方法，其特征在于，包括以下步骤：

通过第一图片样本训练第一特征提取神经网络，所述第一特征提取神经网络用于提取表征人体上的关键骨骼点的多个第一特征点；

将第二视频样本输入训练好的所述第一特征提取神经网络，得到表征所述第二视频样本中的人体的关键骨骼点的多个第二特征点；

对所述多个第二特征点进行编码生成预测特征图；

通过所述预测特征图训练第二行为分类神经网络，所述第二行为分类神经网络用于对所述预测特征图中表示的行为进行分类；

将被监测对象的视频数据依次输入训练好的所述第一特征提取神经网络和所述第二行为分类神经网络，输出所述被监测对象的行为类别。

2.根据权利要求1所述的跌倒检测方法，其特征在于，所述通过第一图片样本训练第一特征提取神经网络，包括：

所述第一图片样本输入Resnet残差网络，得到第一提取数据；

所述第一提取数据分别通过多个具有不同膨胀系数的卷积模块，得到多个具有不同特征通道的第二提取数据；

所述多个具有不同特征通道的第二提取数据组合后进入以残差卷积堆积起来的第一卷积层，得到多个具有不同感知野的第三提取数据；

对所述多个具有不同感知野的第三提取数据进行融合，然后进入以残差模块堆积起来的第二卷积层，最终输出表征人体上的关键骨骼点的多个第一特征点；

通过第一损失函数对所述第一特征提取网络进行反向训练。

3.根据权利要求1所述的跌倒检测方法，其特征在于，所述通过所述预测特征图训练第二行为分类神经网络，包括：

所述预测特征图通过常规卷积模块，得到第一分类数据；

所述第一分类数据分别通过多个具有不同膨胀系数的卷积模块，得到多个具有不同特征通道的第二分类数据；

所述多个具有不同特征通道的第二分类数据组合后依次通过三个常规卷积模块，最终输出行为分类。

4.根据权利要求2所述的跌倒检测方法，其特征在于，所述第一损失函数F为：

其中x_p、y_p代表所述第一特征提取神经网络提取到的第一特征点的预测坐标，x_g、y_g代表所述第一特征点的实际坐标。

5.根据权利要求3所述的跌倒检测方法，其特征在于，所述第二损失函数L为：

其中，所述x_k代表第k种行为类别的参数值，z_k代表第k中行为类别的预测概率，L2代表防止发生过拟合的正则项。

6.根据权利要求2或3所述的跌倒检测方法，其特征在于，所述卷积模块由以下层依次串联组成：卷积层、批次正则化层、Relu激活函数层、卷积层、批次正则化层、Relu激活函数层、池化层。

7.根据权利要求1所述的跌倒检测方法，其特征在于，所述对所述多个第二特征点进行编码生成预测特征图，包括：

对所述多个第二特征点进行两两配对；

计算每两个第二特征点之间的距离和速度:

v_xit＝x_it-x_i(t-1)

v_yit＝y_it-y_i(t-1)

上式中，x_it、y_it分别代表t时刻的第i个第二特征点的横、纵坐标；l_xjt代表t时刻第i个第二特征点和第j个第二特征点的欧拉距离，v_xit代表第i个第二特征点在t时刻在x方向上的速度，v_yit代表第i个第二特征点在y方向上的速度；

将所有计算得到的距离和速度数据组合形成预测特征图。