[发明专利]一种基于深度学习与网络压缩的摔倒检测方法

权利要求书

1.一种基于深度学习与网络压缩的摔倒检测方法，其特征在于，包括以下步骤：

在监测区域安装多个不同角度的摄像头，所有摄像头共享一个姿态估计网络，而每一个摄像头均对应一个独立的循环网络；

训练姿态估计网络，并对姿态估计网络进行压缩；训练循环网络，建立并训练多人投票系统；

检测过程中，对于每个摄像头，每隔固定的帧数获取一张摄像头采集的检测图像，送入训练后的姿态估计网络提取出头部、两髋中心、身体中心关键点位置；计算摄像头当前获取的检测图像与上一次获取的检测图像中人体的身体中心点的归一化位移量，并将其缓存；

当针对一个摄像头已经缓存了设定数量的位移量时，将这些位移量按照缓存顺序连接成位移序列并输入到该摄像头对应的训练好的循环网络中，输出摔倒行为的概率，若该概率大于设定的第一阈值，则该摄像头进行汇报；

若有摄像头汇报，则将所有摄像头对应的训练好的循环网络当前输出的摔倒概率输入到训练好的多人投票系统中，多人投票系统最终摔倒概率，若最终摔倒概率大于设定的第二阈值，则输出报警信号；

所述姿态估计网络采用yolov2网络；在yolov2网络训练好之后，通过下面网络剪枝的方法进行网络压缩：

2.1确定剪枝对象，剪枝对象为yolov2网络的darknet-19全部卷积层与其后的全部卷积层块，其中所述卷积层块中包含多个卷积层；对所有卷积层设定裁剪概率，记l_i层概率为p_i，i表示卷积层的序号；

2.2输入训练图像样本集X到姿态估计网络中，训练图像样本集X内的每张图片包含人体的头部与两髋中心的框图和肢体框图；

2.3对l_i层的所有m个卷积核输出的特征图集的集合H(H＝{h1，h2，…，hN}，重复2.4至2.7m*p_i次；其中N为训练图像样本集X中的图像数，hn表示X中的第n张图像在l_i层输出的特征图集；

2.4计算训练图像样本集X中每张图像在l_i层输出的特征图集中，每个特征图关于该特征图集中的其他特征图的相似度；

2.5计算每个特征图集中，每个特征图对应的卷积核的特征冗余度；

2.6计算l_i层中各卷积核关于训练图像样本集X的特征冗余度的平均值；将平均值最大的冗余度最大的卷积核删除；

2.7对姿态估计网络进行微调；

2.8如果l_i层不是剪枝对象中的最后一个卷积层，返回步骤2.3，选择下一个卷积层l_i+1并重复步骤2.3至步骤2.8；如果l_i已经是最后一个卷积层，则执行步骤2.9；

2.9适当降低网络学习率，用同样的训练图像样本集X训练整个姿态估计网络；

所述对姿态估计网络进行微调的过程包括：

用训练图像样本集X训练第l_i层与其上一层l_i-1的权值w_i，w_i-1，使得下一层l_i+1输出的任意特征图和对应于裁剪前的特征图H_j的相似度尽可能小；

所述用训练图像样本集X训练第l_i层与其上一层l_i-1的权值w_i，w_i-1，使得下一层l_i+1输出的任意特征图和对应于裁剪前的特征图H_j的相似度尽可能小，包括：

对X中的每一张图像，取出其在裁剪后的姿态估计网络的l_i+1层输出的全部特征图m为l_i+1的卷积核数量；与其在裁剪前的网络的l_i+1层输出的全部特征图H＝{H₁,H₂,…,H_m}，求

以在训练图像样本集X上的均值作为损失，训练姿态估计网络的l_i层与其上一层l_i-1，使得在训练图像样本集X上的均值最小：