[发明专利]一种基于深度学习与智能手环相结合的摔倒检测方法

权利要求书

1.一种基于深度学习与智能手环相结合的摔倒检测方法，其特征在于：所述方法包括以下步骤：

采集已知行为人体图像数据，所述已知行为人体图像数据为已知摔倒或躺下的人体图像数据；

对所采集的已知行为人体图像数据建立已知行为样本集，所述已知行为样本集包括训练样本集和测试样本集两部分；

对已知行为样本集进行前景提取获得已知行为样本集的前景图；

建立深度信念网络，用已知行为样本集中的训练样本集的前景图训练深度信念网络，获取深度信念网络的较优参数；

将已知行为样本集中的测试样本集的前景图输入到深度信念网络进行识别测试，获取最优参数，完成深度信念网络模型；

采集包括人体目标的未知行为人体图像数据，建立未知行为样本集；

对未知行为样本集进行前景提取获得未知行为样本集的前景图；

通过深度信念网络模型识别未知行为是否为摔倒或躺下；

若识别未知行为是摔倒或躺下，则通过智能手环检测人体目标血压脉搏是否异常，若检测的人体目标血压脉搏异常则判断为摔倒。

2.根据权利要求1所述的一种基于深度学习与智能手环相结合的摔倒检测方法，其特征在于：通过摄像机采集已知行为人体图像数据和包括人体目标的未知行为人体图像数据。

3.根据权利要求1所述的一种基于深度学习与智能手环相结合的摔倒检测方法，其特征在于：通过对已知行为样本集或未知行为样本集使用基于高斯混合模型的背景减法进行前景提取获得已知行为样本集或未知行为样本集的前景图。

4.根据权利要求3所述的一种基于深度学习与智能手环相结合的摔倒检测方法，其特征在于：所述基于高斯混合模型的背景减法的具体过程如下：

对于图像中任一像素点随时间变化的序列{X₁,X₂,…,X_t}，基于混合高斯模型建模，当前观测点像素值的概率为：

P(Xt)=Σi=1kωi,tη(Xt,μi,t,Σi,t)]]>

式中，k为高斯模型的数量，ω_i,t为t时刻第i个高斯模型的权值，满足μ_i,t和∑_i,t分别是t时刻第i个高斯模型的均值和方差；其中，η为高斯概率密度函数:

η(Xt,μt,Σ)=1(2π)n2|Σ|12C-12(Xt,μt)TΣ-1(Xt,μt)]]>

取选择如下方法更新高斯混合模型的权值、均值和方差：

ω_n,t＝(1-α)ω_n,t-1+αΜ_n,t

μ_n,t＝(1-ρ_n,t)μ_n,t-1+ρ_n,tX_t

σn,t2=(1-ρn,t)σn,t-12+ρn,t·(Xt-μn,t)T(Xt-μn,t)]]>

式中，α为学习率，表示背景的更新速度；M_n,t为模型匹配算子，当新的像素匹配时其值为1，反之为0。