[发明专利]基于CNN-LSTM的人体跌倒检测实现方法及系统

说明书

本发明公开基于CNN‑LSTM的人体跌倒检测实现方法及系统，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。本发明能够对人体跌倒行为进行准确识别，具有很强的实用性。

技术领域

本发明涉及人体跌倒检测识别技术领域，特别涉及基于CNN-LSTM的人体跌倒检测实现方法及系统。

背景技术

根据国家卫生部发布的《老年人跌倒干预技术指南》中显示，摔倒是我国人们受伤和死亡的第四大原因，也是年龄在65岁以上老年群体受伤和死亡的第一大原因。通过分析高龄老年群体的死因发现超过一半以上是由跌倒事件导致的，因此及时发现跌倒的老年群体并对他们实施救助至关重要。

现有的人体跌倒检测技术根据获取信息来源方式的差异性主要分为三种，分别是：依赖于加速度传感器、陀螺仪、压力传感器等穿戴式设备传感器采集人体跌倒信息进行检测识别，这一类方法的缺点是需要使用者进行佩戴，由于跌倒检测的需求者多为年龄较大的人群，衰减的记忆力容易让他们发生忘记使用的情况；从布置在环境中的各类传感器包括红外传感器、声波传感器和震动传感器等采集信息的人体跌倒识别，这一类技术的缺点是对于噪声信息比较敏感，误测率大；由基于RGB图像或是深度图像的计算机视觉技术出发的人体跌倒检测识别，但是在视频监控下容易侵犯使用者的隐私生活。

因此，研究一种无需使用人员穿戴，识别准确率高，适用性广的人体跌倒行为检测方法，具有重大的研究价值和现实意义。

发明内容

为解决上述现有技术中所存在的人体跌倒检测识别方法，需要使用人员穿戴以及识别准确率低下等问题，本发明提供基于CNN-LSTM的人体跌倒检测实现方法及系统，不需要使用人员进行穿戴，且识别准确率高。

为了实现上述技术目的，本发明提供了如下技术方案：基于CNN-LSTM的人体跌倒检测方法，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。

可选的，获取人体跌倒行为数据集的过程包括，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。

可选的，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。

可选的，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。

可选的，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。