[发明专利]基于时空运动特性的异常摔倒行为检测方法

摘要

本发明涉及一种基于时空运动特性的异常摔倒行为检测方法。在基于图像信息的条件下，提炼体现人体姿态的五点倒立摆模型，进而构建体现时间、空间双特性的运动标准时空模型；再以标准时空图为基础，应用动力学原理研究运动本质特征，构建定轴运动模型，以旋转能量实现特征量化，构建摔倒行为、正常行走或站立态的特征编码数据集并进行训练，形成二类分类器，用于对处理后的实时采集的视频数据进行识别，判断是否为异常摔倒行为。本发明采用单视角场景，算法实时性更强，避免了多视角在场景融合方面的同步性等难题；以旋转能量为特征，避免了形态类特征对于顺向摔倒姿态的局限性，提升了检测有效性，对典型摔倒姿态具有较好的普适性。

主权项

1.一种基于时空运动特性的异常摔倒行为检测方法，其特征在于包括如下步骤：（1）实时输入视频序列中的原始图像T帧，T为连续视频帧数值，设定间隔，选取采样帧，T被整除；（2）采用深度学习的方法，将人体的主要器官及有效肢体连接，形成具有运动目标整体空间特性的骨骼模型；（3）获取采样帧图像中各运动个体的头部（1）、颈部（2）、臀部（3）、左膝（4）和右膝（5）为人体部位的5个关键点，按部位依次连接头部‑颈部、（1‑2）、颈部‑臀部（2‑3）、臀部‑左膝（3‑4）、臀部‑右膝（3‑5）和左膝‑右膝（4‑5），得到每帧图像中表达各运动个体运动目标姿态的“五点倒立摆”模型；（4）分别连接相邻两帧“五点倒立摆”模型中所对应的头部（1）、颈部（2）和臀部（3）关键点,构成具有时间连续性的矢量边；（5）将输入帧中的各关键点构成节点集，各矢量边构成边集，由节点集和边集得到时空模型；（6）将时空模型中的每一个运动目标的臀部（3）关键点聚集于基准帧的臀部关键点位置，得到标准时空模型；（7）以标准时空模型中头部（1）和颈部（2）两个关键点为质点，臀部（3）为轴心，对标准时空模型中的每一个“五点倒立摆”模型进行旋转能量计算:，；其中，t为视频序列中的某一采样帧，i 为质点，是t采样帧中质点i的转动惯量， 为t帧中质点i的质量, 是t帧中质点i和转轴的垂直距离, 是t帧中质点i的角速度；（8）将计算得到的旋转能量按时序形成特征编码，分别形成摔倒行为、正常行走或站立态的特征编码数据集；（9）采用支持向量机对特征编码数据集进行学习训练，形成识别摔倒行为、正常行走或站立态的二类分类器；（10）将实时采集的视频序列生成的特征编码输入分类器，用于判断是否为异常摔倒行为。