预览加载中,请您耐心等待几秒...
1/10
2/10
3/10
4/10
5/10
6/10
7/10
8/10
9/10
10/10

亲,该文档总共17页,到这已经超出免费预览范围,如果喜欢就直接下载吧~

如果您无法下载资料,请参考说明:

1、部分资料下载需要金币,请确保您的账户上有足够的金币

2、已购买过的文档,再次下载不重复扣费

3、资料包下载后请先用软件解压,在使用对应软件打开

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN113743295A(43)申请公布日2021.12.03(21)申请号202111028907.5(22)申请日2021.09.02(71)申请人南京创维信息技术研究院有限公司地址210012江苏省南京市雨花台区宁双路19号云密城1号楼901室(72)发明人孙爽(74)专利代理机构深圳市世纪恒程知识产权代理事务所44287代理人胡海国(51)Int.Cl.G06K9/00(2006.01)G06K9/62(2006.01)G06N3/04(2006.01)G06N3/08(2006.01)权利要求书2页说明书11页附图3页(54)发明名称跌倒检测方法、装置、设备及存储介质(57)摘要本发明公开了一种跌倒检测方法、装置、设备及存储介质,其中,跌倒检测方法包括:获取目标区域的视频图像,并提取视频图像中含有目标人体的人体图像集;对人体图像集进行状态特征检测,以获得人体图像集中各个人体图像的图像状态特征;其中,图像状态特征包括宽高比、质心距离和高度变化率;基于图像状态特征,从人体图像集中筛选出待检测的目标人体图像;基于预设的跌倒检测模型,对目标人体图像进行跌倒检测,获得跌倒检测结果。本发明公开的跌倒检测方法可解决现有跌倒检测方式检测精度较差,容易出现误判的技术问题。CN113743295ACN113743295A权利要求书1/2页1.一种跌倒检测方法,其特征在于,所述跌倒检测方法包括以下步骤:获取目标区域的视频图像,并提取所述视频图像中含有目标人体的人体图像集;对所述人体图像集进行状态特征检测,以获得所述人体图像集中各个人体图像的图像状态特征;其中,所述图像状态特征包括宽高比、质心距离和高度变化率;基于所述图像状态特征,从所述人体图像集中筛选出待检测的目标人体图像;基于预设的跌倒检测模型,对所述目标人体图像进行跌倒检测,获得跌倒检测结果。2.根据权利要求1所述的跌倒检测方法,其特征在于,所述提取所述视频图像中含有目标人体的人体图像集的步骤,包括:通过预设的背景差分法获取所述视频图像中含有运动物体的运动物体图像集;通过预设的DPM算法从所述运动物体图像集中筛选出含有目标人体的所述人体图像集。3.根据权利要求1所述的跌倒检测方法,其特征在于,当所述图像状态特征包括所述质心距离时,所述对所述人体图像集进行状态特征检测,以获得所述人体图像集中各个人体图像的图像状态特征的步骤,包括:提取所述人体图像集中各个所述人体图像的质心点坐标和底边端点坐标;基于提取到的所述质心点坐标和所述底边端点坐标,通过预设的质心距离计算公式计算出所述人体图像集中各个所述人体图像的所述质心距离;其中,所述质心距离h是指在矩形的所述人体图像中,质心点O(x0,y0)到两个底边端点A(x1,y1)和B(x2,y2)之间的连线AB的距离;所述质心距离计算公式为:4.根据权利要求1所述的跌倒检测方法,其特征在于,当所述图像状态特征包括所述高度变化率时,所述对所述人体图像集进行状态特征检测,以获得所述人体图像集中各个人体图像的图像状态特征的步骤,包括:通过预设的高度变化率计算公式计算出所述人体图像集中各个人体图像的所述高度变化率;其中,所述高度变化率计算公式为:式中,height为矩形的所述人体图像中目标人体的实时高度,heightavg为所述人体图像集中目标人体的平均高度。5.根据权利要求1所述的跌倒检测方法,其特征在于,所述基于所述图像状态特征,从所述人体图像集中筛选出待检测的目标人体图像的步骤,包括:判断所述人体图像集中各个所述人体图像的所述宽高比是否大于第一预设阈值、所述质心距离是否小于第二预设阈值以及所述高度变化率是否小于第三预设阈值;若所述人体图像的所述宽高比大于第一预设阈值且所述质心距离小于第二预设阈值,或者,所述宽高比大于第一预设阈值且所述高度变化率小于第三预设阈值,或者,所述质心2CN113743295A权利要求书2/2页距离小于第二预设阈值且所述高度变化率小于第三预设阈值,则将所述人体图像确定为所述目标人体图像。6.根据权利要求1至5中任一项所述的跌倒检测方法,其特征在于,所述基于预设的跌倒检测模型,对所述目标人体图像进行跌倒检测,获得跌倒检测结果的步骤之前,还包括:获取带有标签的训练样本数据,其中,所述训练样本数据包括跌倒样本图像和非跌倒样本图像,所述跌倒样本图像的标签为“1”,所述非跌倒样本图像的标签为“0”;构建卷积神经网络模型,其中,所述卷积神经网络模型包括卷积层、池化层、全连接层和Softmax层;将所述训练样本数据输入所述卷积神经网络模型进行训练,并通过随机梯度下降法优化所述卷积神经网络的模型参数,得到训练完成的所述跌倒检测模型。7.根据权利要求1至5中任一项所述的跌倒