[发明专利]基于深度学习从视频中判别人体意外摔倒的方法及装置

权利要求书

1.一种基于深度学习从视频中判别人体意外摔倒的方法，其特征在于，包括：

获取包含人体的视频数据；

利用深度学习模型提取人体的关键骨骼点，所述关键骨骼点至少包括肩、肘、头、躯干以及膝，其中，肩包括两个关键特征点，肘包括两个关键特征点，头包括一个关键特征点，躯干包括四个关键特征点，膝包括两个关键特征点；

引入三维坐标系，确定所述关键特征点在三维坐标系中的坐标，输出N*m*3矩阵，其中，N是人体的数量，m是关键特征点的数量，3是三维坐标系的坐标轴数量；

从每秒所述视频数据中抽取前后连续的k帧数据；

利用所述前后连续的k帧数据组成新矩阵N*k*m*3，其中，N是人体的数量，k是帧数，m是关键特征点的数量，3是三维坐标系的坐标轴数量；

计算所述新矩阵中每个人体的肩、肘、头、躯干以及膝的关键特征点的趋势向量；

计算所述新矩阵中每个人体的肩、肘、头、躯干以及膝的关键特征点的相对位移；

确定所述新矩阵中每个人体的躯干的中心点的坐标；

计算所述新矩阵中每个人体的肩、肘、头以及膝的关键特征点相对于躯干的中心点的角动量偏移；

根据帧数k换算出对应的视频时间长度，并根据所述角动量偏移和视频时间长度计算角动量的加速度；

判断所述新矩阵中每个人体是否符合预设的跌倒判定条件，其中，所述跌倒判定条件为同时满足以下条件：肩、肘、头以及膝的关键特征点的角动量的加速度大于第一阈值，肘、膝的关键特征点的趋势向量与躯干的关键特征点的趋势向量的差值大于第二阈值，头的关键特征点的相对位移大于躯干中心点的相对位移；

如果人体符合预设的跌倒判定条件，输出判定结果为所述人体产生跌倒。

2.如权利要求1所述的方法，其特征在于，利用深度学习模型提取人体的关键骨骼点的步骤中，所述关键骨骼点的关键特征点的总数为25个。

3.如权利要求1所述的方法，其特征在于，从每秒所述视频数据中抽取前后连续的k帧数据的步骤中，k为5。

4.如权利要求1所述的方法，其特征在于，判断所述新矩阵中每个人体是否符合预设的跌倒判定条件的步骤中，所述第一阈值为1.2。

5.如权利要求1所述的方法，其特征在于，判断所述新矩阵中每个人体是否符合预设的跌倒判定条件的步骤中，所述第二阈值为200％。