[发明专利]基于全卷积网络热度图的跌倒事件检测方法

说明书

本发明涉及一种基于全卷积网络热度图的跌倒事件检测方法，属于图像处理与计算机视觉技术领域。该方法将数据集分为训练集和测试集，首先将训练集数据分为包含跌倒事件和不包含跌倒事件的正、负样本视频图像，利用其训练一个热度图全卷积网络；然后提取图像中的人工标注的正样本区域，并随机采样若干区域作为负样本，利用其训练一个二分类卷积神经网络；将测试集视频图像序列输入到热度图全卷积网络，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；将跌倒事件候选区域放缩到统一大小，输入到二分类卷积神经网络得到分类结果。本发明在复杂背景和多人物目标的情况下能准确检测并定位出跌倒事件。

技术领域

本发明属于图像处理与计算机视觉技术领域，涉及一种基于全卷积网络热度图的跌倒事件检测方法。

背景技术

近年来，随着计算机性能的巨大进步，计算机视觉领域也在蓬勃发展。计算机视觉中的智能视频分析也成为了计算机视觉领域的一个重要分支。智能视频分析中包括了事件检测、行为识别和自动驾驶等不同方向，其中事件检测中又包括了跌倒事件检测、交通事件检测和异常事件检测等不同任务。跌倒事件作为最常见但致死致伤率最高的事件，及时救治最大程度减小后续伤害。因此，跌倒事件检测是一个值得关注的研究任务。

长期以来，独居老年人的跌倒事件检测一直是一个研究热点。然而跌倒事件给儿童、密集人群和拥挤人流带来的伤害和影响也不容小觑。在以往针对独居老人的跌倒事件检测算法中，视频画面中出现的目标人物往往只有一个，背景也多为室内这样的简单背景。通用方法主要分为四部分：前景提取(目标提取)、目标跟踪、特征提取和分类，其中目标提取和跟踪的准确度对最后检测结果准确度起决定性作用。但对于学校儿童群体、密集人群或拥挤人流这样室外、背景复杂、目标多且小的情况下，前景提取和目标跟踪的方法受影响很大，准确率会出现较大波动，进而影响检测结果。而基于热度图的方法不需要对每一个目标单独跟踪，而是对输入的视频图像序列计算全局热度图，再进一步提取候选区域进行分类，有效解决了背景复杂带来的跟踪困难问题。

基于全卷积网络热度图的跌倒事件检测方法主要由热度图产生、候选区提取、特征提取和分类四个部分组成。现阶段热度图主要用于图像识别和定位，在事件检测中涉及较少。候选区提取方式主要有基于背景减除的方法和基于目标检测的方法。基于背景减除的方法优势在于能够把前景目标全部提取出来，召回率很高，但相对应的不足之处就在于提取出的前景不一定是人物目标，甚至可能是背景移动之后产生的“鬼影”区域，而且在前景目标较多的情况下对前景目标进行分割较为困难。基于目标检测的方法的优势在于能够直接检测人物目标，但在背景复杂，人群密集的情况下，准确率和召回率都不理想。在特征提取方面，现阶段常用的特征是HOG特征以及其他基于形状的特征。这一类特征的提取计算量较小，但是所提供的信息过少。因此，基于热度图的跌倒事件检测任务的研究重点就是在复杂背景及多人物目标情况下准确识别并定位出跌倒事件。

发明内容

有鉴于此，本发明的目的在于提供一种基于全卷积网络热度图的跌倒事件检测方法，该方法将热度图用于提取跌倒事件候选区域，再对候选区域进行准确分类，使本发明在复杂背景和多人物目标的情况下能准确检测并定位出跌倒事件。

为达到上述目的，本发明提供如下技术方案：

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：

步骤1：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为负样本区域图片；

步骤2：利用步骤1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；

步骤3：利用步骤1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；