[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

说明书

本发明公开一种跌倒判断模型的构建方法及系统，还公开一种利用所述跌倒判断模型进行的跌倒判断方法及系统，其中构建跌倒判断模型的过程中，基于人形图像序列对跌倒判断网络进行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，静态预测标签与静态标签一一对应；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，并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所生成的联合损失值更新所述跌倒判断网络。本发明由联合损失值指导空间特征及时序特征的特征学习，能够有效提高跌倒判断的准确性。

技术领域

本发明涉及图像识别领域，尤其涉及一种跌倒判断技术。

背景技术

现今通过图像进行跌倒判断的方法为：检测图像中人形的关键点，基于所得关键点进行处理判断，以识别人形是否为跌倒状态；

但跌倒的情况复杂，人形跌倒状态多变，且拍摄角度以及光照的不同亦会对关键点的提取造成影响，且基于关键点进行跌倒检测时，将放弃人形轮廓等空间信息，导致检测效果不稳定。

发明内容

本发明针对现有技术中基于图像进行跌倒判断的方案中，效果浮动偏大，在跌倒场景复杂时判断准确率低的缺点，提供了一种跌倒判断模型的构建技术，还提供一种基于所构建的跌倒判断模型进行跌倒判断的技术。

为了解决上述技术问题，本发明通过下述技术方案得以解决：

本发明提出一种跌倒判断模型的构建方法，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，所述静态标签用于指示相应人形的静态状态，即，对应人形的姿态；

构建跌倒判断网络，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；

跌倒判断网络为多输入网络，本领域技术人员可自行设定其输入层的数量，人形图像序列中人形图像的数量与跌倒判断网络中输入层的数量相对应。本领域技术人员可根据实际需要自行设定迭代终止条件，如根据迭代次数或相应的损失值判定跌倒终止，将所得跌倒判断网络作为训练获得的跌倒判断模型。

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，即，跌倒判断网络具有两个预测分支，一个预测分支单独对每一帧人形图像的姿态进行预测，另一个预测分支对整个人形图像序列姿态变换情况进行预测。

基于静态标签和静态预测标签生成第一损失值，该第一损失值用于指导网络对空间特征的学习；

基于静态标签生成相应的动态标签，已知各人形图像的静态标签，将各静态标签按照时间顺序进行拼接即可获得相应的动态标签；

基于所述动态标签和所述动态预测标签生成第二损失值，该第二损失值用于指导网络对时序特征的学习；

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。

在对姿态变化情况进行预测时，将同时用到空间特征和时序特征，即，本申请中利用第一损失值指导网络对空间特征的学习，对姿态变换的预测亦起到优化效果。

作为一种可实施方式：

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；

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；