[发明专利]基于全卷积网络热度图的跌倒事件检测方法

权利要求书

1.一种基于全卷积网络热度图的跌倒事件检测方法，该方法包括以下步骤：

S1：将数据集分为训练集和测试集；对于训练集数据，首先根据人工标注把视频图像序列分为包含跌倒事件的正样本视频图像和不包含跌倒事件的负样本视频图像；然后再提取图像中的人工标注的视频图像区域作为正样本区域图片，并随机采样若干视频图像区域作为负样本区域图片；

S2：利用S1中包含跌倒事件的正样本视频图像和不包含跌倒事件的负样本视频图像训练一个热度图全卷积网络；

S3：利用S1中标注并提取出的正样本区域图片和随机采样得到的负样本区域图片训练一个二分类卷积神经网络；

S4：对于测试集视频图像序列，首先输入到S2得到的热度图全卷积网络，得到跌倒事件热度图，根据得到的热度图，定位并提取出跌倒事件候选区域；

S5：将S4中提取到的跌倒事件候选区域放缩到统一大小，输入到S3得到的二分类卷积神经网络得到分类结果。

2.如权利要求1所述的基于全卷积网络热度图的跌倒事件检测方法，在S1中所述训练集分为两个阶段使用，第一阶段是整张视频图像作为包含跌倒事件的正样本或不包含跌倒事件的负样本使用，这一阶段用于训练热度图全卷积网络；第二阶段是把人工标注的正样本区域提取出，并随机采样获取负样本，用于二分类卷积神经网络的训练；

对图像进行负样本的采样，采样的区域的宽度和高度大小的范围由正样本的最大和最小宽度和高度决定，并且负样本的区域与正样本的重叠率不能超过0.5，重叠率的计算公式为：

其中IoU为重叠率，r_g为正样本区域，r_n为随机采样负样本区域。

3.如权利要求1所述的基于全卷积网络热度图的跌倒事件检测方法，在S2中所述的训练全卷积网络的过程为：首先，构造一个适合于数据集规模的全卷积网络，本发明的网络为全卷积层，输出层为上采样层的多层网络；再利用反向传播算法传递误差信号，更新梯度，寻找最优值。

4.如权利要求1所述的基于全卷积网络热度图的跌倒事件检测方法，在S3中所述的训练卷积神经网络的过程为：首先，构造一个适合于数据集规模的卷积神经网络，本发明的网络为卷积层和抽样层交替出现，输出层为softmax分类器层的多层网络，再利用反向传播算法传递误差信号，更新梯度，寻找最优值。

5.如权利要求1所述的基于全卷积网络热度图的跌倒事件检测方法，在S4中所述的候选区域提取过程为：首先将测试集视频图像序列缩放到统一大小，并输入S2中得到的热度图全卷积网络中得到相应的热度图；然后取一个阈值，把每张热度图中的高于阈值的区域用限定框框出，得到跌倒事件的位置候选区域。

6.如权利要求1所述的基于全卷积网络热度图的跌倒事件检测方法，在S5中所述的候选区域图片块，首先缩放到统一大小，输入到S3中训练得到的分类卷积神经网络中进行分类以确定候选区内是否为跌倒事件，最终得到测试数据集的检测结果。