[发明专利]一种基于神经网络的适用于多尺度多目标的摔倒检测方法

说明书

本发明公开了一种基于神经网络的适用于多尺度多目标的摔倒检测方法，主要解决现有摔倒检测算法对小目标检测准确率低及无法实现多目标检测的问题。其方案是：(1)对公开的摔倒检测数据集进行补充，制作摔倒检测融合数据集；(2)对YOLOv4网络进行改造，搭建针对人体特性的YOLOv4摔倒检测网络；(3)使用K‑means算法针对摔倒检测融合数据集更新anchors值；(4)采用Label Smoothing对网络标签进行改造；(5)对改造后YOLOv4网络进行训练和测试。本发明提高了小目标的摔倒检测精度，实现了多目标的摔倒检测，可应用于易发生摔倒的场所，提高对于摔倒人群的救助效率。

技术领域

本发明涉及机器视觉领域，具体为一种基于神经网络的适用于多尺度多目标的摔倒检测方法。

背景技术

近年来，随着科学技术和医疗水平的发展，人口老龄化情况不断加剧，经常发生老人独自在家中摔倒无人发现，最终致死的悲剧。因此，将机器视觉应用在摔倒检测中具有十分重要的现实意义。

基于机器视觉的摔倒检测方法主要有：基于传统图像处理的摔倒检测方法和基于深度学习的摔倒检测方法，基于传统图像处理的摔倒检测方法受检测环境的影响较大，且无法实现多目标检测；基于深度学习的摔倒检测方法受检测环境影响较小，且可精准实现对多目标检测。

已公开的基于深度学习的摔倒检测方法普遍将检测过程分为两步：运动目标检测和摔倒判定，使用两个网络进行检测，在运动目标检测阶段进行一次特征提取，在摔倒判定阶段再次进行特征提取，重复两次特征提取大大影响检测速度，造成网络模型训练困难。此外，已公开的目标检测网络模型在复杂背景下检测的准确率低，对人体征的提取效果不好，缺少语义信息。已公开的人体行为的数据集中包含小目标的样本数量极少，潜在的让目标检测模型更关注大目标检测，会造成小目标检测的准确率较低。

为解决上述问题，本发明提出一种基于神经网络的适用于多尺度多目标的摔倒检测方法，通过制作摔倒检测融合数据集，对现有摔倒数据集补充小目标样本，提高网络模型对小目标检测的准确率；针对人体特性，对YOLOv4网络模型进行改造，提高网络模型对人体目标识别的精度；将摔倒判定问题看作分类问题，将目标识别和摔倒判定均放到YOLOv4网络模型中，实现端到端的摔倒检测，降低网络训练难度，提高检测速度。

发明内容

本发明提供一种基于神经网络的适用于多尺度多目标的摔倒检测方法。拍摄包含大目标、中目标和小目标三种人体目标的摔倒视频，经过前期处理制作成摔倒检测融合数据集；将摔倒判定问题看作分类问题，将目标检测和摔倒判定均放到YOLOv4网络模型中，实现端到端的摔倒检测；针对人体特性，对YOLOv4网络模型的特征层进行改造，让网络模型更符合对人体行为的检测。

本发明采用如下方法来实现：

为实现上述目的本发明一种基于神经网络的适用于多尺度多目标的摔倒检测方法，通过以下步骤实现：

(1)对公开的摔倒检测数据集进行补充，制作摔倒检测融合数据集：

(1-1)制作融合视频：拍摄多段人体目标距离摄像头不同距离不同角度以及单人和多人的摔倒视频，并与公开的摔倒视频进行融合，视频中的人体动作包括站立、行走、坐、弯腰和摔倒；拍摄场景包括会议室、家中卧室；

(1-2)帧截取和初步筛选：对融合视频进行帧截取，每秒截取三帧，并且选取不同时刻视频数据，以防止由于光线、背景和穿着变化带来的影响，通过初步筛选，获得N1张原始图片；

(1-3)进一步筛选：人体目标在监控中是按时间段停留，会出现人体目标出现在监控区域边界的情况，当人体只有部分部位出现在监控区域时，参考人眼特性，无法对目标进行区分，当人体处于监控区域边界范围且不易被肉眼区分所处状态的目标不做检测，场景中有物体将人体遮挡三分之二以上的目标不做检测；通过进一步筛选，最终获得N2张图片；