[发明专利]基于传感器与图像处理融合的人体摔倒检测方法和系统

权利要求书

1.一种基于传感器与图像处理融合的人体摔倒检测方法，其特征在于，包括以下步骤：

S1、获取人体传感器组的传感数据；

S2、提取传感数据的特征，并输入训练好的贝叶斯分类器，得到分类结果；

S3、判断分类结果是否为摔倒，若否，则执行步骤S1；若是，则基于Unity根据人体关节点信息建立下肢实时模型，并抽取下肢实时模型摔倒时刻的关键帧；

S4、根据关键帧，使用图像识别神经网络判断是否摔倒，若未摔倒则执行步骤S1，若摔倒则输出摔倒信息；

所述贝叶斯分类器的训练过程如下：

将带有摔倒分类标签和未摔倒分类标签的传感数据的特征作为输入，将分类标签作为输出，训练贝叶斯分类器。

2.根据权利要求1所述的一种基于传感器与图像处理融合的人体摔倒检测方法，其特征在于，所述步骤S2中传感数据特征提取步骤如下：

S21、通过卡尔曼滤波器对传感数据进行滤波，消除随机偏差，得到一次滤波数据；

S22、设定阈值，去除一次滤波数据中超过阈值的数据，得到二次滤波数据；

S23、计算二次滤波数据的标准差、均值和协方差作为数据特征。

3.根据权利要求2所述的一种基于传感器与图像处理融合的人体摔倒检测方法，其特征在于，所述卡尔曼滤波器的滤波步骤如下：

S211、获取传感数据的初始值和初始置信度，结合噪声的协方差矩阵和采样时间，获取观测值；

S212、根据观测值更新协方差矩阵和传感数据的值。

4.根据权利要求1所述的一种基于传感器与图像处理融合的人体摔倒检测方法，其特征在于，所述传感数据包括加速度计数据、重力计数据和磁力计数据。

5.根据权利要求1所述的一种基于传感器与图像处理融合的人体摔倒检测方法，其特征在于，所述步骤S4中，图像识别神经网络的建立步骤如下：

将大量带有摔倒分类标签和未摔倒分类标签的图像信息输入神经网络，将分类标签作为输出，训练图像识别神经网络。

6.根据权利要求1所述的一种基于传感器与图像处理融合的人体摔倒检测方法，其特征在于，所述步骤S3中，基于Unity建立下肢实时模型的具体步骤如下：

S31、获取原始人体关节若干节点的世界坐标，并转化为世界坐标系下的姿态四元数；

S32、根据传感数据中的IMU数据，获取世界坐标系下的角速度信息，结合姿态四元数，计算下一时刻的姿态四元数；

S33、根据下一时刻的姿态四元数，更新下肢实时模型的关节节点信息。

7.根据权利要求6所述的一种基于传感器与图像处理融合的人体摔倒检测方法，其特征在于，所述下一时刻的姿态四元数的计算表达式如下：

其中，q_t表示下一时刻的姿态四元数，q_t-1表示此刻的姿态四元数，ω_t表示角速度信息，Δt表示单位时间。

8.一种基于传感器与图像处理融合的人体摔倒检测系统，其特征在于，包括数据获取模块和PC处理模块：

所述数据采集模块用于获取身体各个节点的传感器的传感信息，汇聚并进行时间同步后传输至PC处理模块；

所述PC处理模块执行以下步骤：

A1、提取传感信息的特征，并输入训练好的贝叶斯分类器，获取分类结果；

A2、判断分类结果是否为摔倒，若否，则继续接收数据采集模块的数据；若是，则基于Unity根据人体关节点信息建立下肢实时模型，并抽取下肢实时模型摔倒时刻的关键帧；

A3、根据关键帧使用图像识别神经网络判断是否摔倒，若未摔倒则继续接收数据采集模块的数据，若摔倒则输出摔倒信息。