[发明专利]一种基于深度学习的跌倒事件检测方法和系统

说明书

本发明提供一种基于深度学习的跌倒事件检测方法，包括以下步骤：Mask‑RCNN层对人体轮廓进行背景减除，形成二值人体轮廓图像；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；深度特征矩阵通过双向LSTM层得到对应的特征向量；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。首先使用Mask‑RCNN层来检测视频中的人，形成二值人体轮廓图像，从检测到的二值人体轮廓图像中提取有用的特征，输出深度特征矩阵，将深度特征矩阵输入到双向LSTM层中得到对应的特征向量，以进行跌落检测，双向LSTM层具有高准确率的特点，注意力层计算特征向量的权重，使整个网络模型表现出更好的性能。

技术领域

本发明涉及深度学习领域，更具体地，涉及一种基于深度学习的跌倒事件检测方法和系统。

背景技术

随着老年人口的增长，独居老人的安全成为社会日益关注的问题。由于老年人的身体功能正在退化，感觉反应缓慢，失去平衡，所以跌倒事件是老年人在室内孤独环境中最常见和最潜在的危险之一。一般来说，跌倒会导致受伤、失去行动能力，甚至更严重的健康问题。因此，跌倒事件的检测对老年人在室内独居环境中的安全来说至关重要。

近年来，人们提出了多种基于先进设备的跌倒事件检测方法。可穿戴设备发展迅速，它们依赖于附着在人体上的传感器，如倾斜传感器、加速度计、陀螺仪、界面压力传感器和磁强计，因此在以前的研究中得到了广泛的应用。虽然这些方法在老年人跌倒事件检测中取得了很好的效果，但由于要求老人在日常生活中佩戴传感器，这不是一个实际的解决办法，因为对老年人来说长期使用特定设备非常困难。而基于视觉的设备方法越来越多地应用于不同的场景中。各种视觉传感器已经广泛应用于跌倒检测任务，包括RGB摄像机、深度传感器和红外传感器。其中，RGB相机是最便宜、最容易安装的，因为监控系统在我们的日常生活中已经得到了很好的发展。大量的跌倒检测工作集中在基于摄像机的方法上，并且在现有的数据集上表现良好。算法分为背景减法和特征分类两个阶段。在背景减法阶段，这些方法分为传统方法和深度学习方法。前者包括帧间差分法、高斯混合模型(GMM)和几何多重网格(GMG)，后者则是常用的Yolov3。然而，传统的技术在光照变化、阴影变化以及短时运动引起的背景变化时表现不好，难以满足目前复杂场景下坠落检测的迫切需要。另外，Yolov3需要与跟踪技术相结合，且无法从提取出单个人的边界框，得到前景对象中获取轮廓信息。

现有的技术中，中国发明专利CN105869353A公开了“人体跌倒事件的检测方法、装置及移动终端”，公开日为2016年08月17日，具体公开了从移动终端的加速度传感器获取加速度值；根据获取的加速度值计算加速度是否突然增大且在突然增大后的预设时间内保持为零；以及如果是，则确定发生人体跌倒事件，并向移动终端中预设的紧急联系人发送报警信息，其中所述报警信息携带有当前位置信息，该专利需要老人长时间佩戴检测设备，以便于在摔倒时及时检测并发布信息告知他人，但是长时间佩戴会造成不适，佩戴在手臂或者腿部会影响老人的生活。

发明内容

本发明为解决老年人长期佩戴可穿戴检测设备会影响老年人的生活、现有的算法难以满足目前复杂场景下坠落检测的技术缺陷，提供了一种基于深度学习的跌倒事件检测方法和系统。

为实现以上发明目的，采用的技术方案是：

一种基于深度学习的跌倒事件检测方法，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。