[发明专利]一种基于MobileNetV2模型的跌倒检测方法及系统

说明书

本发明涉及跌倒检测技术领域，提供了一种基于MobileNetV2模型的跌倒检测方法及系统，包括：获取待检测的人体运动图像；将人体运动图像输入基于注意力机制的MobileNetV2模型，得到跌倒检测结果；其中，基于注意力机制的MobileNetV2模型在MobileNetV2网络的特征提取部分前或者特征提取部分中，加入CBAM注意力机制的通道注意力机制和空间注意力机制，并在特征提取部分后依次连接注意力层、池化层、展平操作和全连接层。不仅在不增加网络额外计算量的情况下提高其对于重点信息的捕获率，而且可以解决信息丢失过多问题，使得网络更加有效地利用所提取到的特征信息进行跌倒检测。

技术领域

本发明属于跌倒检测技术领域，尤其涉及一种基于MobileNetV2模型的跌倒检测方法及系统。

背景技术

本部分的陈述仅仅是提供了与本发明相关的背景技术信息，不必然构成在先技术。

随着人口老龄化问题的加剧，独居老人的健康问题成为医疗卫生领域关注的重点。意外跌倒导致的死亡是老年人因意外伤害而致死的主要原因，当他们因跌倒而失去行动能力无法进行自救时，可能会面临非常危急的情况，因此对独居老人进行跌倒检测非常重要。

跌倒检测可抽象为二分类问题，检测目的在于利用算法判断最终人体姿态属于跌倒状态或非跌倒状态。随着Res-Net、VGG-Net、Google-Net等网络的出现，CNN(Convolutional Neural Networks，卷积神经网络)被广泛地应用于深度学习、计算机视觉领域进行分类、识别等任务。许多研究人员选择在CNN的基础上对网络进行改进，从而更加有效地检测跌倒。但由于现有算法所用的主网络参数量较大，移植到移动端设备中进行应用时设备压力较大，难以适应智能跌倒检测环境。

由于CNN本身存在一定的局限性，不能很好的结合全局信息，为了解决这个问题，注意力机制成为研究热点。注意力机制的迅猛发展，为网络优化提供了新的可能，单纯的注意力机制虽然可以有效的结合上下文信息，但其对视频图像中的目标位置信息获取存在一定的困难，不能有效地解决位置编码问题，所以许多算法将CNN与注意力机制进行融合改进。

但是，现有算法均证实了将CNN与注意力机制进行融合可以有效地提高算法应用性，但它们只关注了通道注意力或者空间注意力其中一个方向。空间注意力忽略了通道内的信息交互，而通道注意力忽略了通道之间的信息交互。而混合注意力机制CBAM结合了通道和空间的注意力机制，是一种即插即用的轻量级卷积注意力模块。所以本发明选择借鉴CBAM的工作原理，对MobileNetV2的block结构进行改进。

发明内容

为了解决上述背景技术中存在的技术问题，本发明提供一种基于MobileNetV2模型的跌倒检测方法及系统，在MobileNetV2模型中引入CBAM注意力机制，在不增加网络额外计算量的情况下提高其对于重点信息的捕获率，并对分类器进行处理，可以解决信息丢失过多问题，使得网络更加有效地利用所提取到的特征信息进行跌倒检测。

为了实现上述目的，本发明采用如下技术方案：

本发明的第一个方面提供一种基于MobileNetV2模型的跌倒检测方法，其包括：

获取待检测的人体运动图像；

将人体运动图像输入基于注意力机制的MobileNetV2模型，得到跌倒检测结果；

其中，基于注意力机制的MobileNetV2模型在MobileNetV2网络的特征提取部分前或者特征提取部分中，加入CBAM注意力机制的通道注意力机制和空间注意力机制，并在特征提取部分后依次连接注意力层、池化层、展平操作和全连接层。