[发明专利]基于智慧灯杆视频监控系统的行人跌倒检测方法和装置

说明书

本发明涉及一种基于智慧灯杆视频监控系统的行人跌倒检测方法和装置，具体包括以下步骤：步骤S1：位于智慧灯杆上的摄像头采集行人视频信息；步骤S2：根据目标检测算法，将行人视频信息切割出人体目标框；步骤S3：提取人体目标框的质心变化率、方向梯度直方图特征以及局部二值模式特征并将三者融合，形成融合特征；步骤S4：将融合特征分为训练数据集和测试数据集，训练数据集输入到支持向量机进行训练，训练完成后的支持向量机对测试数据集进行检测，若识别到人体目标框发生跌倒，智慧灯杆向灯杆控制中心发送跌倒预警信号。与现有技术相比，本发明具有提高行人跌倒检测的准确性、减少人数较多的复杂环境对目标识别和跌倒检测的影响等优点。

技术领域

本发明涉及神经网络和机器学习领域，尤其是涉及一种基于智慧灯杆视频监控系统的行人跌倒检测方法和装置。

背景技术

跌倒目前已经成为意外和非故意性伤害中致死率第二大的因素，心血管病死亡率仍居首位，高于肿瘤及其他疾病。心脑血管疾病发病突然，经常在行走时突然跌倒因错失最佳抢救时间而失去生命，另外跌倒本身也容易导致骨折，带来脑部损伤，心脏骤停等并发疾病。传统的跌倒检测方法是在老年人或病人身上佩戴传感器设备，通过实时采集数据，进行行为判断。这种方式因为要佩戴传感器，成本较高，对没有佩戴传感器的非高危人群不能及时发现其意外跌倒情况。

现阶段路面上的灯杆大部分只有照明功能，监控摄像头一般集中在路口和人流较大的地方，有很多视野盲区。而智慧灯杆是集监控、照明、屏幕、广播、传感器等功能为一体的智能设备，通过智慧灯杆上的监控设备可以更好的覆盖城市的各个角落，及时发现跌倒情况进行救援。

现有技术公开了一种室内老人跌倒检测方法，通过对视频数据中的一帧进行降噪、增强对比度等预处理，计算图像方向梯度直方图特征，并使用SVM分类器实现人体检测，对特征点进行加速度、角度、高度差及停留时间的计算，来判断老人是否跌倒，但是特征点的选择仅来源于图像方向梯度直方图，波动性较大，导致分类器存在较大的判断误差。

发明内容

本发明的目的就是为了克服上述现有技术存在的佩戴传感器成本较高且不普及、灯杆利用率较低的缺陷而提供一种基于智慧灯杆视频监控系统的行人跌倒检测方法和装置。

本发明的目的可以通过以下技术方案来实现：

一种基于智慧灯杆视频监控系统的行人跌倒检测方法，具体包括以下步骤：

步骤S1：位于智慧灯杆上的摄像头采集行人视频信息；

步骤S2：根据目标检测算法，将所述行人视频信息切割出人体目标框；

步骤S3：提取所述人体目标框的质心变化率、方向梯度直方图(HOG)特征以及局部二值模式(LBP)特征并将三者融合，形成融合特征；

步骤S4：将所述融合特征分为训练数据集和测试数据集，所述训练数据集输入到支持向量机进行训练，训练完成后的支持向量机对所述测试数据集进行检测，若识别到所述人体目标框发生跌倒，智慧灯杆向灯杆控制中心发送跌倒预警信号。

所述摄像头每隔5帧提取1帧图像组成行人视频信息。

进一步地，所述目标检测算法具体为Yolov3神经网络，将1帧图像的52x 52尺寸的特征图进行上采样得到104x 104尺寸的特征图，同时与浅层104x 104尺寸的卷积层合并，再经过多个所述Yolov3神经网络内的卷积层后预测输出行人目标。

进一步地，所述行人目标切割出人体目标框的过程具体为：

步骤S201：Yolov3神经网络检测出行人目标的外接方框的左上角坐标(x₁,y₁)以及右下角坐标(x₂,y₂)；