[发明专利]一种基于养老机器人平台的摔倒动作检测方法

摘要

本发明涉及一种动作的识别，属于图像识别与人机交互技术领域，具体的说，是指一种基于养老机器人平台的摔倒动作检测方法，该方法不需要预先采用人体检测或跟踪算法来提取包含目标人体的边界，能够直接从单摄像机获取的视频中检测出有没有摔倒动作、有几个摔倒动作以及摔倒动作发生的位置；另外，并且该算法考虑了摔倒动作中人体形状变化的特点，设置了多个尺度的图像窗口，并采用马尔科夫模型来表达多个尺度窗口之间的转移概率，建模了视频中相邻图像帧之间的局部上下文信息，因而可以取得更好的摔倒动作检测结果。

主权项

一种基于养老机器人平台的摔倒动作检测方法，其特征在于，所述的方法通过如下步骤实现：步骤1：训练阶段，根据若干有标注的视频训练模型；步骤1.1收集一组包含摔倒动作的视频和一组包含除摔倒动作以外的其它动作的视频，对于包含摔倒动作的视频，在每一帧图像中标注摔倒动作发生的位置，具体做法为：用一个矩形窗口将摔倒的人框起来，记录矩形窗口的左上角位置和右下角位置，从多种尺度的窗口中选择最适合尺度的窗口来标注摔倒动作在图像帧中的位置，假设定义了N种尺度的窗口，并为每一种尺度的窗口训练相应的SVM分类器，对于第i个窗口尺度si＝{wi,hi}，其中wi表示窗口的宽度，hi表示窗口的高度，wi和hi的单位是像素；步骤1.2训练针对上述第i个尺度窗口的二分类线性SVM分类器：首先，收集摔倒的正样本和负样本，其中正样本为包含摔倒动作的窗口集合，负样本为不包含摔倒动作的窗口集合；为了收集正样本，从摔倒动作训练视频的每帧图像中提取已标注的摔倒动作窗口，如果该窗口的尺度是si，则将其加入到正样本集；为了收集负样本，从不包含摔倒动作的训练视频的图像帧中随机采样尺度为si的窗口，并将其加入负样本集；然后，从每个正样本和负样本中提取方向梯度直方图特征和光流特征，并将两种特征连接起来构成一个样本的特征表示；最后，用正样本和负样本的特征及相应的类别标签训练二分类线性SVM分类器；对于一个新的样本x，SVM分类器对它的打分为f(x)＝ω·x+b，通过训练，可以得到模型的参数{ω；b}；步骤1.3统计训练视频中不同尺度窗口之间的转移概率；首先，统计所有训练视频中前一帧图像标注的摔倒动作窗口尺度为si＝{wi,hi}且后一帧图像标注的摔倒动作窗口尺度为sj＝{wj,hj}的频次aij，得到不同尺度窗口之间转移的频次矩阵它的第i行、第j列元素为aij，对频次矩阵A的每一行做归一化，得到不同尺度窗口之间转移的频率矩阵它的第i行、第j列元素为pij，满足条件∑j＝1:Npij＝1；步骤2：对于一个新的视频，模型自动检测摔倒动作，输出视频中是否有人摔倒以及摔倒动作在图像帧中的位置；在每帧图像中稠密采样若干点，以每个点为中心采样N种尺度的窗口，在窗口中提取方向梯度直方图特征和光流特征，并将两种特征连接起来构成该窗口的特征表示；将每个窗口的特征向量输入到相应尺度的线性SVM分类器中，得到窗口的打分；利用动态规划算法提取视频中包含摔倒动作的窗口序列。