[发明专利]一种基于深度学习的跌倒事件检测方法和系统

权利要求书

1.一种基于深度学习的跌倒事件检测方法，其特征在于，包括以下步骤：

S1：Mask-RCNN层对人体轮廓进行背景减除，形成二值人体轮廓图像；

S2：CNN层提取二值人体轮廓图像的特征，此特征通过全连接层输出T×4096的深度特征矩阵，并将其深度特征矩阵传输到双向LSTM层；

S3：深度特征矩阵通过双向LSTM层得到对应的特征向量；

S4：注意力层计算双向LSTM层输出的特征向量的权重，根据权重检测跌倒事件。

2.根据权利要求1所述的一种基于深度学习的跌倒事件检测方法，其特征在于，在步骤S1中，所述Mask-RCNN层通过添加并行分支来预测对象mask并将ROI Align替换为ROI池，准确获取人体轮廓。

3.根据权利要求2所述的一种基于深度学习的跌倒事件检测方法，其特征在于，在步骤S2中，所述T×4096的深度特征矩阵中，T为视频帧数，此处为15。

4.根据权利要求3所述的一种基于深度学习的跌倒事件检测方法，其特征在于，在步骤S3中，所述双向LSTM层包括以下算法：

f_t＝sigmoid(w_th_t-1+u_tx_t+b_t) (1)

i_t＝sigmoid(w_ih_t-1+u_ix_t+b_i) (2)

g_t＝tanh(w_gh_t-1+u_gx_t+b_g) (3)

c_t＝f_tc_t-1+i_tg_t (4)

p_t＝sigmoid(w_oh_t-1+u_ox_t+b₀) (5)

h_t＝p_t×tanh(c_t) (6)

其中w_t、w_i、w_g和w_o是每个控制门的权重的前一个特征向量的输出，u_t、u_i、u_g和u_o是每个控制门的权重的当前特征向量的输入，b_t、b_i、b_g和b_o是通过控制门的偏置项。

5.根据权利要求4所述的一种基于深度学习的跌倒事件检测方法，其特征在于，在步骤S4中，所述注意力层包括注意力模型，在每个时间步长t处，区域的特征向量都通过注意力模型进行加权，注意力层在时间t的输出可以表示为αt是xt位置上的softmax，定义为