[发明专利]一种基于图卷积神经网络的视角自适应多目标摔倒检测方法

说明书

本发明为克服因依赖数据集所导致的视角问题导致摔倒检测准确率低的问题，公开了一种基于图卷积神经网络的视角自适应多目标摔倒检测方法，包括以下步骤：采用目标检测算法检测目标视频源中每一帧图像的人物目标，采用姿态估计算法提取每一帧图像中人物目标的关键骨骼点数据，当连续检测到同一人物目标的帧数大于预设的检测阈值时，将所提取的关键骨骼点数据输入完成训练的视角自适应子网络中，得到视角调整参数；根据视角调整参数对关键骨骼点数据进行视角调整，再根据视角调整后的关键骨骼点数据计算运动数据，将视角调整后的关键骨骼点数据和运动数据输入完成训练的图卷积摔倒识别主网络进行摔倒检测，输出检测结果标签。

技术领域

本发明涉及动作识别摔倒检测技术领域，更具体地，涉及一种基于图卷积神经网络的视角自适应多目标摔倒检测方法。

背景技术

针对老年群体的跌倒检测，目前主要利用视频流图像数据、佩戴式的陀螺仪传感器数据、地板传感器数据或者是骨骼数据等等进行检测摔倒。其中，基于佩戴式传感器的摔倒检测方法是让老人在腰部、手腕等地方穿戴陀螺仪、压力传感器等组成的装置，不仅使老人行动不便，而且识别准确率较低。

而在基于计算机视觉分析的摔倒检测方法中，智能视频监控与传统视频监控有本质区别，智能视频监控不需要人工实时观察，而是通过计算机智能识别视频中发生的事件，具体做法是通过摄像头实时获得视频流数据，对视频中的人物进行检测、跟踪，在提取了一系列必要的特征后由某种方法判断人物的行为，从而达到智能监控的效果；因此在老人摔倒检测的问题中应用智能监控技术，对比穿戴式的设备，可以在完全不干扰老人的日常生活下，实时捕获摔倒行为并通知救护人员。如公开号为CN110738154A(公开日：2020-01-31)公开了一种基于人体姿态估计的行人摔倒检测方法，基于LSTM模型与openpose，其中，openpose是自下而上的姿态估计算法，先检测骨骼点再使用匈牙利算法进行匹配，高精度的openpose算力较大，无法应用到实际场景，而轻量级的openpose在多人混淆时误检率较高，单纯利用骨骼信息的跟踪算法难以满足复杂情况，对后续的判断有较大的影响；而LSTM虽说可以很好地捕捉时间序列的信息，但是缺乏空间信息的解读，并且依赖数据集，而目前现有的能应用于摔倒检测的训练数据集非常有限，并且难以囊括所有的视角，不能自适应不同视角的位置部署，仍然存在摔倒检测准确率低的问题。

发明内容

本发明为解决现有的摔倒检测方法中，因依赖数据集所导致的视角问题导致摔倒检测准确率低的问题，提供一种基于图卷积神经网络的视角自适应多目标摔倒检测方法。

为解决上述技术问题，本发明的技术方案如下：

一种基于图卷积神经网络的视角自适应多目标摔倒检测方法，包括以下步骤：

采用目标检测算法检测训练视频源中每一帧图像的人物，采用姿态估计算法提取训练视频源中每一帧图像的关键骨骼点数据，根据所提取的关键骨骼点数据作为训练集并进行预处理；

将预处理后的训练集输入视角自适应子网络中进行训练及视角调整，并根据视角调整后的关键骨骼点数据计算样本运动数据，将视角调整后的训练集和所述样本运动数据输入图卷积摔倒识别主网络中进行训练；

采用目标检测算法检测目标视频源中每一帧图像的人物目标，采用姿态估计算法提取每一帧图像中人物目标的关键骨骼点数据，当连续检测到同一人物目标的帧数大于预设的检测阈值时，将所提取的关键骨骼点数据输入完成训练的视角自适应子网络中，得到视角调整参数；

根据所述视角调整参数对所述关键骨骼点数据进行视角调整，再根据视角调整后的关键骨骼点数据计算运动数据，将所述视角调整后的关键骨骼点数据和所述运动数据输入完成训练的图卷积摔倒识别主网络进行摔倒检测，输出检测结果标签。