[发明专利]一种基于图像的人体跌倒判别方法

说明书

本发明公开了一种基于图像的人体跌倒判别方法，该方法首先对人体姿态数据库进行扩充，并添加真实人体跌倒图像；然后设计了一种人体姿态检测的深度学习网络模型，提供了一种高效的姿态关键点坐标回归损失函数；进一步，基于人体运动链模型提取表征人体跌倒状态判断的特征参数；最后通过SVM模型对人体跌倒进行判断。本发明基于单帧图像判断人体跌倒状态，具有关键点定位精度高、判断准确且快速的特点。

技术领域

本发明属于智能视频监控技术领域，具体涉及一种基于图像的人体跌倒判别方法。

背景技术

对于独自居住的老人而言，发生意外摔倒如果不能得到及时的救助，将会出现严重后果。如果能在摔倒行为发生后立刻检测出来并通知救援人员，则将大幅度减少老年人摔倒后进一步发生危险程度概率。因此，及时准确的对老年人跌倒状态进行判断，具有重要的研究意义和实际应用价值。

目前，针对室内出现的单人摔倒状态检测，有三种主流方法。第一种是基于传感器的方法，具体应用为老人的智能监护手环，通过传感器感应到佩戴者运动速度的变化，来判断有没有摔倒情况发生，但是由于人体运动的本身的复杂性，这种方法的检测准确度不高，没有得到广泛的认可。第二是基于Kinect骨架追踪的摔倒检测方法，使用Kinect拍摄视频，重建每一帧人体运动的骨架模型，通过人体质心点的运动速度，来判断是否发生了摔倒行为，这种做法要求具备Kinect骨架追踪相机，使用成本过高且存在着遮挡的情况无法处理。第三种方法是基于对视频流进行时序分析的方法，通过提取加速度时间序列并训练模型，然后通过分析输入视频与模型的匹配程度来判断发生跌倒行为的概率，这种方法的缺点在于能够用于建立模型的人体行为视频序列数量比较少，模型没有足够的泛化能力。

发明内容

本发明的目的是提供一种基于图像的人体跌倒判别方法，解决了现有技术中存在的检测不够准确、模型鲁棒性不够强及检测速度较慢的问题。

本发明所采用的技术方案是，一种基于图像的人体跌倒判别方法，具体按照以下步骤实施：

步骤1、对姿态检测库MPII中的图像进行预处理，包括水平镜像翻转、尺寸缩放、旋转，扩充原始单人姿态数据；在收集到的真实跌倒图像中手工标记出人体运动链模型中的14个关键点的坐标位置，将其加入到MPII数据库中；

步骤2、设计人体姿态检测的深度学习网络模型，对所设计的网络进行训练；

步骤3、将人体看作成一个由关节连接起来的铰链式物体，基于人体运动链模型；提取表征人体跌倒状态的4个特征angle1、angle2、angle3、angle4；

步骤4，训练SVM分类器，进行跌倒状态的判断。

本发明的特点还在于，

步骤1中，14个关键点包括左脚踝、右脚踝、左膝盖、右膝盖、左髋关节、右髋关节、左手腕、右手腕、左手肘、右手肘、左肩膀、右肩膀、颈部及头部。

步骤2，具体步骤如下：

步骤2.1，建立人体姿态检测的深度学习网络模型；

深度学习网络模型包括：1个卷积层、1个最大池化层、4个残差模块及1个预测层；

其中，预测层包括14个关键点类别的预测和14个关键点的坐标位置预测；14个关键点包括左脚踝、右脚踝、左膝盖、右膝盖、左髋关节、右髋关节、左手腕、右手腕、左手肘、右手肘、左肩膀、右肩膀、颈部及头部；

步骤2.2，对步骤2.1的人体姿态检测的深度学习网络模型进行训练，训练时的网络损失函数为：关键点定位损失与关键点坐标回归损失之和，其中关键点定位损失采用交叉熵损失函数；

设网络预测的关键点坐标位置用向量形式表示为真实标记的关键点坐标位置用向量形式表示为则关键点坐标回归损失Loss为公式(1)所示：