[发明专利]一种基于改进关键帧提取的跌倒检测方法

权利要求书

1.一种基于改进关键帧提取的跌倒检测方法，其特征在于，包括以下步骤：

S1：获取未经处理的原视频流；

S2：利用帧间差分法对所述原视频流初步进行关键帧提取；

S3：利用聚类算法对步骤S2产生的关键帧进行二次优化，得到最优关键帧；

S4：从所述最优关键帧中提取特征，构建特征向量；

S5：将提取的特征向量作为支持向量机SVM的输入，进行初判断，所述支持向量机用于区分非跌倒行为、跌倒行为和类跌倒行为；

S6：利用卷积神经网络对区分结果为所述类跌倒行为的特征向量进行二次分类，输出检测结果，完成对跌倒行为的最终检测；

步骤S3中得到最优关键帧具体包括以下步骤：

S3.1：计算每一关键帧的颜色特征向量；

S3.2：将所有关键帧形成的图像数据集中的第一帧图像作为初始簇类中心；

S3.3：将剩余关键帧分别与当前所有的簇类中心进行相似性度量，若相似度小于阈值，则为其新建一个类；若相似度大于阈值，则加入之前的簇中；

S3.4：重复步骤S3.3，直至取完所有的关键帧；

S3.5：聚类完成后，选取与簇类中心最邻近的关键帧作为该簇视频帧的最优关键帧；

步骤S3.1中计算每一关键帧的颜色特征向量，具体为：

S3.1.1：转换关键帧图像颜色空间，由RGB空间转换至HSV空间，具体为：

S3.1.2：将H、S、V按照8:3:3的比例进行非均匀量化，构成一个72维的颜色特征向量，其中H∈[0,360,S∈[0,1,V∈[0,1：

每一帧的HSV颜色特征向量F_i表示如下：

F_i＝9H+3S+V，i＝1,2...n。

2.根据权利要求1所述的基于改进关键帧提取的跌倒检测方法，其特征在于，步骤S2中利用帧间差分法对所述原视频流初步进行关键帧提取，具体包括以下步骤：

S2.1：读取原视频流，计算当前帧与上一帧的帧间差分；

S2.2：根据步骤S2.1的结果，得到平均帧间差分；

S2.3：对原视频流的所有帧按照平均帧间差分的值的大小进行排序，选择前n帧作为关键帧。

3.根据权利要求2所述的基于改进关键帧提取的跌倒检测方法，其特征在于，步骤S3中使用K-means聚类算法对步骤S2产生的关键帧进行二次优化。

4.根据权利要求3所述的基于改进关键帧提取的跌倒检测方法，其特征在于，步骤S3.3中当相似度大于阈值，则加入之前的簇中时，要求一次平均值，重新计算簇类中心。

5.根据权利要求4所述的基于改进关键帧提取的跌倒检测方法，其特征在于，步骤S3.3中将剩余关键帧分别与当前所有的簇类中心进行相似性度量，所述相似性度量具体为：

式中，d(F_i,F_j)为第i帧与第j帧的帧间距离，F_i(k)、F_j(k)为第i帧与第j帧的颜色特征向量的元素，取帧间距离d(F_i,F_j)＞m+2σ²的帧的总数作为需要提取的关键帧数目K，其中m,σ²分别为全部n个帧的特征向量的均值及方差。

6.根据权利要求5所述的基于改进关键帧提取的跌倒检测方法，其特征在于，步骤S4中从所述最优关键帧中提取特征，构建特征向量，具体包括以下步骤：

S4.1：从所述最优关键帧中提取宽高比Fr、质心Fcen、宽度变化率Fcha和人体轮廓的最长截线角度Fa，其中宽高比Fr为关键帧中人体的外接矩形的宽高比，质心Fcen为关键帧中人体的中心位置，宽度变化率Fcha为关键帧中目标人物的宽度变化情况，人体轮廓的最长截线角度Fa为关键帧中最长截线角度特征；

S4.2：综合上述特征，构建特征向量F＝[Fr,Fcen,Fcha,Fa]。