[发明专利]一种基于堆叠空洞卷积网络的摔倒检测方法

说明书

本发明公开了一种基于堆叠空洞卷积网络的摔倒检测方法。本发明步骤进行：1、准备摔倒行为训练集；2、通过目标检测算法提取摔倒行为的人物个体，得到新的训练集；3、将训练集的每个人物个体制作关节点热图，并且根据训练集人工定义的摔倒行为的骨骼点分布；4、构建堆叠空洞卷积网络并且训练堆叠空洞卷积网络；5、用训练好的堆叠空洞卷积网络检测连续几帧采集到的图像，得到骨骼点的分布结果；将连续几帧的骨骼点分布与人工定义的摔倒行为骨骼点分布进行相似度计算，若小于阈值，则判定为摔倒行为。本发明能够在复杂的环境下实时检测摔倒行为，具有较好的鲁棒性。

技术领域

本发明属于计算机视觉和模式识别技术领域，具体涉及到人体动作(摔倒)识别，具体是一种基于堆叠空洞卷积网络的摔倒检测方法。本发明应用于各种类型社区场景下精确检测摔倒行为。

背景技术

随着社会的不断进步，全球的老龄化呈上升趋势，老年人的医疗健康引起广泛关注，据调查统计，摔倒已经成为导致65岁以上老年人意外死亡主要原因。老年人摔倒后，如能得到及时的救助，可大大降低死亡率。

目前摔倒检测的方法主要有基于穿戴式传感器和基于环境传感器的方法。其中前者主要原理是对人体的姿态进行检测，采用加速度传感器、陀螺仪等来根据加速度计数据提取IF-THEN规则来判断是否摔倒。但穿戴设备用户体验较差，不方便日常的活动。而对于基于环境传感器的摔倒检测方法，主要原理是在检测人体目标的活动区域内安装传感器，但是不可控的因素较多，投入成本高。

发明内容

本发明的目的在于针对已有技术的不足，提出一种能够适应复杂场景下的基于堆叠空洞卷积网络摔倒检测方法。

本发明是一种基于堆叠空洞卷积网络的摔倒检测方法，包括如下步骤：

步骤1、准备摔倒行为训练集：从多个角度、多个人物和多个场景采集视频图像数据，添加到原始人体姿态数据集中，获取新的人体姿态数据集Ⅰ，实现数据增强；

所述的原始人体姿态数据集中不含有摔倒行为图像；

步骤2、通过目标检测算法提取步骤1获取的人体姿态数据集Ⅰ的每张图像的人物个体，摔倒行为的人物个体，得到新的训练集；

所述的新的训练集中行为的标注类别仅包含摔倒和非摔倒；

步骤3、将训练集的每个人物个体制作关节点热图，并且根据训练集人工定义的摔倒行为的骨骼点分布；

步骤4、构建堆叠空洞卷积网络并且训练堆叠空洞卷积网络；

步骤5、用训练好的堆叠空洞卷积网络检测连续几帧采集到的图像，得到骨骼点的分布结果；将连续几帧的骨骼点分布与人工定义的摔倒行为骨骼点分布进行相似度计算，若小于阈值，则判定为摔倒行为。

本发明与现有技术相比具有以下优点：

第一：本发明采用了空洞卷积网络，有效避免了因重复上下采样而造成的信息损失，空洞卷积能够在保持分辨率不变的情况下同时增大感受野，学习到更多的细节特征。

第二：本发明采用了堆叠空洞卷积网络，在每次堆叠的过程中，融合了不同尺度的特征，达到了更好的效果。

附图说明

图1是本发明的流程图

图2是空洞卷积原理图

图3是堆叠空洞卷积网络模型图

具体实施方式:

下面结合附图对本发明做详细描述。

实施例1

在复杂场景中，对摔倒行为的检测设备成本大，用户体验差，不可控因素较多。针对目前存在的问题，本发明提出了一种基于堆叠空洞卷积的摔倒检测方法，流程图参照图1，包括如下步骤：