[发明专利]一种基于深度学习的实时跌倒检测方法

说明书

本发明涉及一种基于深度学习的实时跌倒检测方法，其中检测方法流程包括:人体姿态估计模块：将摄像头或本地视频解析之后的视频流依次取出单帧图片，输入到openpose算法模型人体进行检测，得到人体各个部分的关键点坐标，使用SSD‑Mobilenet算法排除非人体区域的关键点，跌倒检测模块：之后对检测到的人体骨骼关键点坐标使用SVDD算法进行分类，该方法解决了传统视频监控方法耗费人力物力的缺点，相比较于使用kinect的跌倒检测方法对于场景和环境要求严格的问题，本方法使用使用普通摄像头，对于环境和使用角度要求较低，同时成本低廉，具有实时性，而且误检率较低，具有较高的鲁棒性，可以适应不同的复杂场景。

技术领域

本发明涉及一种基于深度学习的实时跌倒检测方法。根据openpose人体姿态估计算法结合SVDD分类算法，设计出一种更加准确高效的实时跌倒检测算法，属于深度学习技术领域、人体姿态估计技术领域、和图像处理技术领域。

背景技术

近年来，随着我国人口老龄化的速度不断加快，老年人的安全和健康已经成为了社会广泛关注的话题。根据世界卫生组织的报告，每年65岁及以上的老年人中，有大约28-35％曾经跌倒，因此，准确并且快速识别跌倒并且通知老年人的监护人或者医护人员是非常有必要的。目前很多养老院都存在着看护人员不足，不能及时发现老年人身体安全出现状况的问题，对于老年人的监护存在着很大的缺陷。

近年来，研究人员提出了多种实现自动跌倒检测的方法，分别是基于可穿戴式设备的跌倒检测方法、基于环境传感器的跌倒检测方法和基于机器视觉的跌倒检测方法。

可穿戴式跌倒检测系统检测不受空间的限制，但往往需要被检测者长时间佩戴可穿戴式设备，这些设备通常安装较为繁琐，长时间佩戴使用者会出现厌烦情绪，而且老年人通常记忆力都会有一定程度的减弱从而忘记佩戴可穿戴设备。基于环境传感器的跌倒检测方法具有无需穿戴、检测区域大的优点，而且具有一次安装长期多人使用的优势，可以适用于家庭、养老院等场合。缺点在于对比其他两种方法对于环境设备的要求更高，成本也比较高，同时准确率也存在不稳定的问题。

随着人工智能、模式识别等技术的发展，越来越的基于机器视觉的跌倒检测方法被提出，监控系统作为公共安全领域的一项重要技术已经得到广泛应用。但是，目前的大多数监控系统仅仅停留在对捕获的视频信号进行人工监控和事后录像分析阶段，需要大量的物力人力。所谓的智能监控系统，要求计算机自动对捕捉到的图像数据进行实时分析和处理，对目标进行检测、识别与跟踪，并对目标的行为进行分析，当目标行为异常时，监控系统会执行报警、保存视频数据等一系列操作。把智能监控系统和跌倒检测结合在一起，可以在老年人摔倒的第一时间通知监护人或者报警，大大缩短了老年人从跌倒到得到救治的时间，减少了二次伤害的可能性，减少后期治疗等费用，对于提高老年人的晚年生活质量，减少社会公共资源的浪费具有重大的意义。

发明内容

本发明要解决的技术问题在于，针对现有的使用传统图像处理进行跌倒检测的技术误检率和实时性上的缺陷，提高检测的速度和准确率。。

为了解决上述技术问题，本发明提供一种基于深度学习的实时跌倒检测方法。

本跌倒检测算法主要步骤如下：

步骤1，使用摄像头等设备采集人体图像；

步骤2，进行人体骨骼关键点识别；

步骤2.1，使用神经网络卷积VGG-19提取特征，预测每个关键点的热点图谱，通过多阶段的网络迭代，每一个阶段的输出作为下一个阶段的输入，对上一个阶段的结果优化；

步骤2.2，对于预测的关键点增加矢量编码，对于图像中的关键点进行组合，同一个人的不同部位进行连接；

步骤2.3，迁移学习训练图像数据集，使模型可以更好地应用于特定场景；

步骤3，使用SSD-Mobilenet目标检测算法对检测的人体关键点区域进行目标检测，去掉非人体的部分；