[发明专利]一种基于视觉的摔倒检测方法及监测预警系统

说明书

本发明提供了一种基于视觉的轻量级摔倒事件监测方法，具体包括如下步骤：步骤一：对指定范围内的区域进行视频拍摄；步骤二：实时获取拍摄的视频并进行人体目标检测；步骤三：对检测到的人体目标获取视频中每一帧人体目标的几何特征；步骤四：根据几何特征获取对应于人体目标摔倒可能性的异常分值y1；步骤五：计算视频中相邻的两帧图像的光流信息；步骤六：根据所述光流信息获取对应于人体目标摔倒可能性的异常分值y2；步骤七：将由视频对应的帧得到的y1和y2进行加权融合得到一融合值，将融合值与预设的阈值进行比较，通过比较结果判断所述对应的帧是否为摔倒帧；步骤八：如果为摔倒帧，将摔倒帧的数量加1；步骤九：当一段视频长度内的摔倒帧的数量大于预设的阈值时，判断为摔倒。该方法能够更加准确地判断人体目标是否摔倒。

技术领域

本发明涉及摔倒识别领域，具体涉及一种基于视觉的摔倒检测方法及监测预警系统。

背景技术

据世界卫生组织发布的统计信息，摔倒是导致人类意外受伤或死亡的最主要因素，尤其对于老年人或易受伤害的人群。摔倒检测技术是当前医疗健康领域的研究热点，具有极大应用前景和社会意义。其目的在于及时发现摔倒事件，及时采取救助措施以尽可能减轻因摔倒导致的伤害及影响。

摔倒检测技术主要分为3类，即基于可穿戴传感器的检测、基于场景传感设备的检测和基于视觉的检测。其中基于视觉的检测是利用监控视频，对视频进行人体活动分析来检测是否摔倒。基于视觉的检测技术以不需要穿戴任何设备、非接触处、易于实施部署的优势成为当前最具有应用前景的检测方式。

在基于视觉的摔倒检测方法中，大多基于传统机器学习的摔倒检测方法，其检测准确率、有效性不高。如基于定义规则的方法，使用一些预定义的规则来定义正常或摔倒活动。这些方法只能对预定义的特定摔倒行为进行检测，对于未出现过的摔倒行为缺乏可扩展性。基于深度学习的摔倒检测方法较传统机器学习方法而言，展现了相对较好的检测效果，然而也仍然存在复杂场景下检测准确性不高的问题，且深度学习的检测方法普遍存在模型较大、需占用较大的存储空间、需要较好的硬件计算装置。这导致难以将深度学习算法模型嵌入到一般家用摄像头中真正推广应用。

发明内容

本发明的主要目的在于提供一种基于视觉的摔倒检测方法及监测预警系统，采用轻量级的模型，便于部署，能够准确地对摔倒事件进行监测。

为达到以上目的，本发明采用的技术方案为：一种基于视觉的轻量级摔倒事件监测方法，具体包括如下步骤：

步骤一：对指定范围内的区域进行视频拍摄；

步骤二：实时获取拍摄的视频并进行人体目标检测；

步骤三：对检测到的人体目标获取视频中每一帧人体目标的几何特征；

步骤四：根据几何特征获取对应于人体目标摔倒可能性的异常分值y1；

步骤五：计算视频中相邻的两帧图像的光流信息；

步骤六：根据所述光流信息获取对应于人体目标摔倒可能性的异常分值y2；

步骤七：将由视频对应的帧得到的y1和y2进行加权融合得到一融合值，将融合值与预设的阈值进行比较，通过比较结果判断所述对应的帧是否为摔倒帧；

步骤八：如果为摔倒帧，将摔倒帧的数量加1；

步骤九：当一段视频长度内的摔倒帧的数量大于预设的阈值时，判断为摔倒。

优选地，步骤七中，相互融合的异常分值y1对应的帧与异常分值y2对应的帧相对应，异常分值y1和异常分值y2实时且同步计算。

优选地，步骤二中采用Tiny-YOLOv3模型，在步骤三中采用Tiny-YOLOv3模型获取人体目标的几何特征。

优选地，所述异常分值y1取值在0-1之间，所述异常分值y2取值在0-1之间。