[发明专利]跌倒判断模型的构建方法及系统、跌倒判断方法及系统

权利要求书

1.一种跌倒判断模型的构建方法，其特征在于包括以下步骤：

获取人形图像序列，所述人形图像序列包括若干帧人形图像，且各人形图像均标注有静态标签，用于指示相应人形的静态状态；

构建跌倒判断网络，所述跌倒判断网络包括特征提取网络、状态预测网络和变换预测网络，其中特征提取网络为多输入网络；特征提取网络的输入为人形图像序列，输出为相应的特征数据；状态预测网络和变换预测网络的输入为所述特征数据，状态预测网络的输出为静态预测标签，变换预测网络的输出为动态预测标签；

基于所述人形图像序列，对所述跌倒判断网络进行迭代训练，获得跌倒判断模型，迭代训练的步骤包括：

将人形图像序列输入至跌倒判断网络，由所述跌倒判断网络输出静态预测标签和动态预测标签，所述静态预测标签与所述静态标签一一对应；

基于静态标签和静态预测标签生成第一损失值；

基于静态标签生成相应的动态标签，基于所述动态标签和所述动态预测标签生成第二损失值；

基于第一损失值和第二损失值生成联合损失值，基于所述联合损失值更新所述跌倒判断网络。

2.根据权利要求1所述的跌倒判断模型的构建方法，其特征在于：

当达到预设的迭代终止条件时，从更新所得的跌倒判断网络中移除状态预测网络，获得跌倒判断模型。

3.根据权利要求1或2所述的跌倒判断模型的构建方法，其特征在于：

基于多分类交叉熵损失函数计算第一损失值和第二损失值。

4.根据权利要求1或2所述的跌倒判断模型的构建方法，其特征在于：

静态标签包括直立状态和跌倒状态。

5.一种跌倒判断模型的构建系统，其特征在于，包括：

获取模块，用于获取人形图像序列，所述人形图像序列包括时序在先的第一人形图像和时序在后的第二人形图像，且第一人形图像和第二人形图像均标注有静态标签；

构建模块，用于构建跌倒判断网络，所述跌倒判断网络包括特征提取网络、状态预测网络和变换预测网络，其中特征提取网络为多输入网络；特征提取网络的输入为人形图像序列，输出为相应的特征数据；状态预测网络和变换预测网络的输入为所述特征数据，状态预测网络的输出为静态预测标签，变换预测网络的输出为动态预测标签；

训练模块，用于基于所述人形图像序列，对所述跌倒判断网络进行迭代训练，获得跌倒判断模型，其包括预测单元、损失计算单元和更新单元；

所述预测单元，用于将人形图像序列输入至跌倒判断网络，由所述跌倒判断网络输出静态预测标签和动态预测标签，所述静态预测标签与所述静态标签一一对应；

所述损失计算单元，用于基于静态标签和静态预测标签生成第一损失值，还用于基于静态标签生成动态标签，基于所述动态标签和所述动态预测标签生成第二损失值，还用于基于第一损失值和第二损失值生成联合损失值；

所述更新单元，用于基于所述联合损失值更新所述跌倒判断网络。

6.一种跌倒判断方法，其特征在于包括以下步骤：

获取目标人物所对应的待测图像序列，所述待测图像序列包括若干帧按照时间顺序排列的待测图像；

将待测图像序列输入至跌倒判断模型，由所述跌倒判断模型输出相应的动态预测标签，其中跌倒判断模型为权利要求1至4任意一项方法所构建的跌倒判断模型。

7.根据权利要求6所述的跌倒判断方法，其特征在于：

获取视频帧序列，视频帧序列包括若干帧按照时间顺序排列的视频帧；

识别各视频帧中的人形区域，基于目标人物所对应的人形区域生成待测图像；

基于预设的提取规则提取待测图像，获得待测图像序列。

8.根据权利要求7所述的跌倒判断方法，其特征在于：

将各视频帧输入预先构建的人形检测模型，由所述人形检测模型输出目标人物的人形区域位置数据；

基于人形区域位置数据对相应视频帧进行裁剪，基于所得裁剪图像生成待测图像。