[发明专利]一种基于双流网络的跌倒检测算法

说明书

本发明公开了一种基于双流网络的跌倒检测算法，所述基于双流网络的跌倒检测算法包括数据集、数据预处理模块、特征提取模块、数据传输模块、长短时记忆网络、双流网络模块，所述数据集的输出端与数据预处理模块的的输入端连接，所述数据预处理模块的输出端与特征提取模块的输入端连接，所述特征提取模块的输出端与双流网络模块的输入端连接，所述双流网络模块的输出端与数据传输模块的输入端连接，本发明与LSTM结合的双流动作分类器，通过将RGB帧与双流场进行融合，然后再通过LSTM网络融合上下文的计算，对时序动作进行识别，时序双流网络能够取得比双流网络更好的识别准确率，对监控视角下的跌倒动作识别有着更高的识别效率。

技术领域

本发明属于跌倒检测算法技术领域，具体为一种基于双流网络的跌倒检测算法。

背景技术

根据世界卫生组织报道的数据公布，每年有大约三分之一的70岁以上老人发生跌倒，其中75岁以上老人发生跌倒的概率更是高达42％。根据中国卫生部发布的《老年人跌倒干预指南》中明确指出，发生跌倒行为是我们70岁以上人群意外死亡的主要原因。由于计划生育的原因，现在大多数年轻人为独生子女，所以独居老人发生跌倒意外死亡的概率更高，而随着中国人口老龄化，老人的人数越来越多，继而老年人的医疗健康问题引起了广泛的关注。

基于计算机视觉，一些研究人员通过从视频中提取特征的方法来判断视屏中的人是否发生跌倒动作，并与日常的行为进行区分。2014年Gasparrin等提出了一种基于室内行为的隐私保护的跌倒行为的检测方法，该方法是通过Kinect提供的深度数据作为特征输入，然后通过跟踪算法来判断动作。2016年Wang等提出通过PCAnt模型，从RGB图像中提取每一帧的特征并预测标签，然后通过标签之间的权重相加来预测跌倒动作是否发生，同年Wang K等提出了一种跌倒检测方法，通过融合梯度直方图与局部二值来提取特征，最后通过SVM分类器进行分类。在2017年，Buch,S等通过对长视屏中的特征提取目标区域，然后再通过滑动窗口法所取得特征作为分类器的输入以此来识别特定动作，但是以上方法在检测数据时，计算结果并不够精确，且动作捕捉的基本样本较少。因此需要对跌倒检测算法以改进，同时提出一种基于双流网络的跌倒检测算法，便于更好的解决上述提出的问题。

发明内容

本发明的目的在于：为了解决上述提出的问题，提供一种基于双流网络的跌倒检测算法。

本发明采用的技术方案如下：

一种基于双流网络的跌倒检测算法，所述基于双流网络的跌倒检测算法包括数据集、数据预处理模块、特征提取模块、数据传输模块、长短时记忆网络、双流网络模块，所述数据集的输出端与数据预处理模块的的输入端连接，所述数据预处理模块的输出端与特征提取模块的输入端连接，所述特征提取模块的输出端与双流网络模块的输入端连接，所述双流网络模块的输出端与数据传输模块的输入端连接。

在一优选的实施方式中，所述数据集是通过4个Kinect摄像头模拟室内监控视角，然后再3个人类生活场景中(正常行走，坐，趟)模拟跌倒的行为，所述数据集一共有40位实验者，男女各20名，年龄在18-30周岁之间，一共设计了20种动作，几乎囊括了生活会发生的动作以及意外跌倒情况，每个动作每名实验者进行3次模拟行为，并通过4个Kinect摄像头模拟监控视角进行记录，最终一共有9600段行为视屏片段，总计8小时。

在一优选的实施方式中，所述数据预处理模块主要负责对数据集中的数据进行分类，由于动作的持续时间比较短，跌倒的动作是少于非跌倒动作的，所以存在数据不平衡的问题，作为少量样本的跌倒数据显然更为重要，如果直接使用未经处理的跌倒样本数据集进行训练，分类器会因为是少量样本而做出直接忽略的选择，从而并不能正确的检测出跌倒动作。