[发明专利]基于原子性动作时序特性的摔倒行为识别系统及方法

权利要求书

1.基于原子性动作时序特性的摔倒行为识别系统，其特征在于，包括：视频片段收集模块、逆序模块及特征提取网络模型；

摔倒动作原子性特征如下：摔倒动作的发生是不可拆分的，且是单一方向性的动作；摔倒动作时序特性如下：摔倒的动作是不可逆的；

所述视频片段收集模块，用于收集各类行为的时间序列视频片段，并做好与每类行为的时间序列视频片段对应的标签类别，并将收集的各类行为的时间序列视频片段切分为特征提取网络模型所需要的视频长度，所述各类行为的时间序列视频片段包括正常行为的时间序列视频片段及摔倒行为的时间序列视频片段；

所述逆序模块，用于在所述特征提取网络模型训练时，读取正常行为的时间序列视频片段和摔倒行为的时间序列视频片段以及对应的标签类别，并将摔倒行为的时间序列视频片段传输至逆序模块，通过所述逆序模块对摔倒行为的时间序列视频片段进行逆序操作，生成摔倒逆序动作视频片段，同时将摔倒逆序动作视频片段给予新的标签类别，并将所有的视频片段分别送入到特征提取网络模型中；

所述特征提取网络模型，用于当接收到所述所有的视频片段时，抽取所有的视频片段中相应的特征，并将特征层进行分类，结合输入视频片段的标签类别计算对应的损失函数，同时将损失函数进行反向传播，对特征提取网络模型的参数进行优化，经过多次的训练以后，最终得到稳定的特征提取网络模型；

当有视频输入时，通过所述稳定的特征提取网络模型读取输入视频的视频流数据，将视频流数据按照所需要的帧数组织成视频片段，并将视频片段中的正常行为的时间序列视频片段、摔倒行为的时间序列视频片段及摔倒逆序动作视频片段均输入至所述稳定的特征提取网络模型，经过所述稳定的特征提取网络模型的处理，若视频输入后得到的标签类别属于摔倒类别，同时逆序后的视频片段属于训练中新增的标签类别时，则判定该视频片段为摔倒动作。

2.根据权利要求1所述的基于原子性动作时序特性的摔倒行为识别系统，其特征在于，所述特征提取网络模型为TSN网络模型或ECO网络模型。

3.根据权利要求1所述的基于原子性动作时序特性的摔倒行为识别系统，其特征在于，所述损失函数为softmax损失函数。

4.根据权利要求1-3任意一项所述的基于原子性动作时序特性的摔倒行为识别系统，其特征在于，预先设定所有的视频片段分别对应标签类别的分数值阈值，经过所述稳定的特征提取网络模型的处理后，通过损失函数计算所有的视频片段分别对应标签类别的分数值；

当计算得到的与正常行为的时间序列视频片段对应的分数值在其预先设定的标签类别分数值阈值范围内时，则判定输入的视频为正常行为；

当计算得到的与摔倒行为的时间序列视频片段对应的分数值在其预先设定的标签类别分数值阈值范围内，且计算得到的与摔倒逆序动作视频片段对应的分数值在其预先设定的标签类别分数值阈值范围内时，则判定输入的视频为摔倒行为。

5.基于原子性动作时序特性的摔倒行为识别方法，应用于权利要求1-4任意一项权利要求所述的基于原子性动作时序特性的摔倒行为识别系统，其特征在于，包括如下步骤：

步骤1、收集各类行为的时间序列视频片段，并做好与每类行为的时间序列视频片段对应的标签类别；

步骤2、将收集的各类行为的时间序列视频片段切分为特征提取网络模型所需要的视频长度，所述各类行为的时间序列视频片段包括正常行为的时间序列视频片段及摔倒行为的时间序列视频片段；

步骤3、利用所有的视频片段以及对应的标签类别，训练特征提取网络模型，得到稳定的特征提取网络模型，所述所有的视频片段包括各类行为的时间序列片段及摔倒逆序动作视频片段；

步骤4、通过所述稳定的特征提取网络模型对输入的视频的标签类别进行判断，若视频输入后得到的标签类别属于摔倒类别，同时逆序后的视频片段属于训练中新增的标签类别时，则判定该视频片段为摔倒动作。

6.根据权利要求5所述的基于原子性动作时序特性的摔倒行为识别方法，其特征在于，步骤2中，所述特征提取网络模型为TSN网络模型或ECO网络模型。