[发明专利]基于CNN-LSTM的人体跌倒检测实现方法及系统

权利要求书

1.基于CNN-LSTM的人体跌倒检测方法，其特征在于，包括：

获取人体跌倒行为数据集，对所述人体跌倒行为数据集进行归一化处理；通过OpenPose模型对所述归一化处理后的数据集进行计算，获取人体关节点信息；

通过将卷积神经网络对人体关节点信息进行空间特征提取，得到跌倒行为的特征向量；通过长短时记忆神经网络对所述特征向量进行分类识别，得到人体跌倒的检测结果。

2.根据权利要求1所述基于CNN-LSTM的人体跌倒检测方法，其特征在于：

获取人体跌倒行为数据集的过程包括，获取视频图像序列，提取视频图像序列中的每一帧图像，将提取的图像保存为人体跌倒行为数据集。

3.根据权利要求1所述基于CNN-LSTM的人体跌倒检测方法，其特征在于：

获取人体骨骼关键点的过程包括，通过VGG19卷积神经网络对所述归一化处理后的数据集进行特征提取，得到特征图；通过OpenPose模型对所述特征图进行计算，得到关键部位置信集合及人体关键部位亲和域集合；

基于关键部位置信集合及人体关键部位亲和域集合通过偶匹配方法进行计算，得到人体关节点信息。

4.根据权利要求1所述基于CNN-LSTM的人体跌倒检测方法，其特征在于：

通过将卷积神经网络对人体关节点信息进行空间特征提取过程中，卷积神经网络为两层卷积神经网络，两层卷积神经网络包括输入层、第一卷积层、第一层池化层、第二卷积层、第二池化层；其中第一卷积层为3*3的一维卷积核、卷积核数32个、卷积核步长为1，第二卷积层为3*2一维卷积核、卷积核数64个、卷积核步长为1；第一层池化层、第二池化层均采用2*2滑动窗口、步长为1的最大池化，且第二池化层和第三池化层均采用SAME方式填充。

5.根据权利要求1所述基于CNN-LSTM的人体跌倒检测方法，其特征在于：

得到人体跌倒的检测结果的过程包括，通过长短时记忆神经网络的遗忘门及记忆门对人体关节点信息进行计算，得到人体跌倒行为空间特征和时域信息向量，通过全连接层对人体跌倒行为空间特征和时域信息向量进行特征融合，将所述特征融合数据进行二分类预测识别，得到人体跌倒的检测结果。

6.基于权利要求1-5所述任意一项的基于CNN-LSTM的人体跌倒检测方法的检测系统，其特征在于：包括

获取模块及处理模块；

获取模块用于获取人体跌倒行为数据集，对所述人体跌倒行为数据集进行归一化处理；通过OpenPose模型对所述归一化处理后的数据集进行计算，获取人体关节点信息；

处理模块用于通过将卷积神经网络对人体关节点信息进行空间特征提取，得到跌倒行为的特征向量；通过长短时记忆神经网络对所述特征向量进行分类识别，得到人体跌倒的检测结果。

7.根据权利要求6所述基于CNN-LSTM的人体跌倒检测系统，其特征在于：

所述获取模块包括采集模块，所述采集模块用于获取视频图像序列，通过使用一个变量提取视频图像序列中的每一帧图像，将提取的图像保存为人体跌倒行为数据集。

8.根据权利要求6所述基于CNN-LSTM的人体跌倒检测系统，其特征在于：

所述获取模块包括提取模块，提取模块用于通过VGG19卷积神经网络对所述归一化处理后的数据集进行特征提取，得到特征图；通过OpenPose模型对所述特征图进行计算，得到关键部位置信集合及人体关键部位亲和域集合；基于关键部位置信集合及人体关键部位亲和域集合通过偶匹配方法进行计算，得到人体关节点信息。