[发明专利]隐私保护跌倒检测方法和系统

说明书

公开了基于视觉的隐私保护嵌入式跌倒检测系统的多个实施例。该嵌入式跌倒检测系统包括一个或多个用于捕捉一个或多个人的视频图像的摄像头。此外，该嵌入式跌倒检测系统包括多个用于处理该已捕捉视频图像的跌倒检测模块，包括姿势估计模块、行为识别模块和的跌倒检测模块，所有这些模块可以在该嵌入式系统环境中实时执行期望的跌倒检测功能，从而检测一个或多个个人的跌倒。当检测到跌倒时，该嵌入式跌倒检测系统可将去特征化的视频图像发送至服务器，而无需发送该原始捕捉图像，其中每个被检测个人用骨骼图来代替真人图像，从而保护该被检测个人的隐私。该嵌入式跌倒检测系统可以作为安装在单一固定位置的嵌入式视觉传感器实现。

优先权要求及相关专利申请

本申请根据35U.S.C.119(e)，要求美国临时专利申请62/786,541的优先权，标题为“隐私保护跌倒检测方法和系统”，发明人为吴谦伟、王星、郑健楠、区峻康、陈智琮、林冠寰、张栋、埃里克·汉斯、陈鈞杰、欧继雷、马凯伦、吴建兵和卢晔，申请日为2018年12月30日(代理档案号为AVS010.PRV01)。上述申请以其整体并入本文并作为本文的一部分。

技术领域

本申请一般涉及医疗和健康监测领域，具体地，涉及一种用于对人体进行高可靠性并且隐私保护的跌倒检测的系统、设备和技术。

背景技术

随着全球范围的寿命持续延长，快速老龄化已经成为很多国家面临的严重社会问题。老年人群一般由65岁以上的人群构成。随着老年群体数量的快速增长，对高质量的医疗护理服务的日益增长的需求为医疗护理供应者及社会带来了严峻的挑战。在众多与老年群体相关的医疗和健康问题当中，跌倒是老年人面临的最为常见，同时也极为严重的问题之一。老年人具有非常高的跌倒风险，并且随着年龄的增长，这种风险也随之提高；而且，跌倒通常会导致严重并且不可挽回的医疗后果。然而，跌倒一旦发生，能够在跌倒后的第一时间立即发出警戒/报警信号，从而可以立即提供医疗救助是极其重要的。如今，可以通过多种跌倒检测设备生成这种跌倒报警，这些跌倒报警可以监测和检测具有高跌倒风险的人群是否跌倒。

如今已经开发出多种类型的跌倒检测设备。例如，这些跌倒检测设备包括可穿戴跌倒检测设备，该可穿戴跌倒检测设备通常依赖加速度传感器和陀螺仪进行跌倒检测。然而，可穿戴跌倒检测设备需要在大部分时间由被监测的人佩带，并且需要经常充电，从而使用繁琐不便。此外，很多人容易忘记佩带，甚至有一些人拒绝佩带。一些现有的可穿戴跌倒检测设备基于声音/震动传感器。然而，这些跌倒检测设备具有较低的精确度，并且通常只能用来检测重度撞击。

另一种类型的跌倒检测设备采用各种基于视觉的跌倒检测技术，例如基于获取的高风险个人的视频。例如，一现有技术采用深度摄像头检测跌倒。然而，该深度摄像头的精确度通常不足以监测大面积区域。在另一现有技术中，该获取视频的视场被划分为上区域和下区域，并且基于运动的幅度和区域检测对应于人体下区域的运动事件。在又一现有技术中，还通过获取视频中检测到的人的高度和纵横比进行跌倒检测。然而，在上述技术中，识别跌倒的决策规则较为简单朴素，并且这些系统的性能表现无法满足理想的精度要求。

在另一基于视频的跌倒检测系统中，从视频图像中计算基于梯度的特征向量，并将该特征向量用于表征人体对象。这些特征向量之后被发送至一个简单的三层埃尔曼循环神经网络(RNN)，用于跌倒检测。然而，这些简单的RNN架构的普遍低复杂度也限制了相关跌倒检测输出的性能。

最近，基于卷积神经网络(CNN)的技术已经应用到跌倒检测。这些基于CNN的技术通常更加精确并且比上述技术更具鲁棒性，该基于CNN的技术采用简单的规则或参数来作出跌倒预测。例如，其中一个该技术采用基于CNN架构识别图像中捕捉到的人体活动。然而，现有的基于CNN的跌倒检测技术需要非常大量的计算资源，因而不能适用于嵌入式系统实现。

发明内容