[发明专利]一种基于可穿戴式传感器及视频监控的跌倒检测方法及系统

说明书

本发明涉及一种基于可穿戴式传感器及视频监控的跌倒检测方法及系统，由两个独立的模型级联组成，分别是基于门控循环单元网络的传感数据分析一阶段GRU模型，基于改进时间移位模块TSM的监控视频分析的二阶段TSM监控视频处理模型；在一阶段GRU模型中，GRU是LSTM的一种变体，在减少计算的同时可以维持和LSTM相当的性能。在二阶段TSM监控视频处理模型中，将改进TSM插入到堪比Resnet152的特征提取网络CSPDarknet53中，并利用卷积块注意力CBAM对提取出的特征图中的目标区域进行增强，从而提高视频检测的准确度与鲁棒性。

技术领域

本发明涉及一种基于可穿戴式传感器及视频监控的跌倒检测方法及系统，属于深度学习、信号处理技术领域。

背景技术

医院、养老院、居家照顾等领域对人员发生意外跌倒的检测需求不断提升，对于病人、老人等特定人员，在发生跌倒时，需要及时检测到并提供相应的救助，否则可能发生严重的身体损害。近些年,基于深度学习的跌倒检测技术不断发展，长短时记忆网络(LongShort-Term Memory,LSTM)及其变体在基于可穿戴式传感数据的跌倒检测中得到了广泛应用，它能够有效解决时间序列分析中存在的长期依赖问题，提高检测的准确度。时间移位模块(Temporal Shift Module，TSM)采用2D卷积的复杂度能够实现3D卷积的性能，在视频中的时空特征学习上表现出良好的性能。

LSTM复杂的网络模型能够提高检测精确度，同时也产生了比较大的计算量，延长了推理的时间，占用了更多的硬件计算资源，尤其是当同时检测几百上千人时，这个问题将变的十分严重。此外，TSM中的时序移位是一种与视频无关的固定运算，无法自适应的调整，而在面对复杂场景下多样的视频数据时，这种视频无关的建模方式缺乏足够的表达能力，难以有效挖掘视频中所蕴含的深层次语义特征。因此，如何减少可穿戴式传感数据处理部分计算量并提高视频数据检测精确度，是保证跌倒检测模型实用性的关键问题。

在某些场所中，人员佩戴可穿戴终端，比如手环，周围空间没有安装摄像头，一般仅依靠可穿戴终端的传感数据来判断人员是否跌倒。而在其他某些场所中，人员没有佩戴可穿戴终端，但是周围空间中安装有监控摄像头，一般仅基于监控视频来判断人员是否跌倒。在另外一些场所中，人员配有可穿戴终端，同时周边场所中也安装了监控摄像头，目前还没有同时处理传感数据和视频数据以检测人员跌倒的模型及系统，特别是对于众多人员共存的场景，在计算资源有限的情况下，如何准确地进行人员跌倒检测是亟需解决的问题。

发明内容

针对现有技术的不足，本发明提供了一种基于可穿戴式传感器及视频监控的跌倒检测方法及系统。

本发明考虑到传感数据的计算量较低，视频处理计算量较高的情况，分为两个阶段检测是否发生人员跌倒行为。第一阶段基于传感数据实时研判是否有人员发生跌倒行为。为了提高检测的准确率，减少误报率，对于疑似发生跌倒的人员进行第二阶段的视频检测分析。相比已有的基于单视频的跌倒检测模型和系统，本发明在第一阶段大幅减少了计算量，在计算资源有限的情况下，能够保证同时检测众多人员的跌倒行为；相比已有的基于单传感数据的跌倒检测模型和系统，本发明在第二阶段采用监控视频分析提升了检测的精确度，并且在复杂的场景中仍能有很好的鲁棒性。当人员跌倒时，本系统能够及时发出警报，提醒监管人员及时介入。本发明充分利用轻量级传感数据和大容量视频数据，实现了大规模人员和大范围场景下的高可靠性跌倒检测分析，对于医院、养老院、居家养老等场所及时准确检测人员跌倒行为，提供紧急医疗救助等，具有重要的社会意义。

本发明通过对可穿戴传感数据和视频监控数据的分析，在减少计算量的同时提高了检测的准确度，保证了系统的实用性。

本发明的技术方案为：

一种基于可穿戴式传感器及视频监控的跌倒检测方法，包括步骤如下：