一種基于改進的智能學習算法的摔倒預警方法技術

本發明專利技術特別涉及一種基于改進的智能學習算法的摔倒預警方法。該基于改進的智能學習算法的摔倒預警方法，首先通過攝像機獲取高清圖像，并均分為四個區，獲取分區的信息，在數據庫中通過改進的算法進行學習；通過傳感器判斷重心是否偏移，當重心偏移與場景學習到的內容和運動的方向一致時，預警系統計算摔倒的概率，并將摔倒的概率和應急措施反饋給監護者。該基于改進的智能學習算法的摔倒預警方法，在傳統BP算法的基礎上進行了優化函數，加入自動分類校驗技術，提取圖像大概的參數，提高了應用的實時性；通過智能學習算法，根據環境因素進行學習，快速給出摔倒幾率和需要監護人采取的措施，能夠有效減小老年人摔倒的幾率。

【技術實現步驟摘要】

本專利技術涉及圖像內容分析
，特別涉及一種基于改進的智能學習算法的老年人防摔倒技術。
技術介紹
圖像內容分析技術是將獲取到的實時圖像進行分類，然后進行模式識別。目前這一技術的使用多在于考勤、門禁等設備上。在人臉識別方面，通過智能學習算法分析圖像關鍵位置的數據從而判斷圖像的內容反饋給用戶。目前比較先進的人臉識別解決方案是基于主動近紅外圖像的多光源人臉識別技術。它可以克服光線變化的影響，已經取得了卓越的識別性能，在精度、穩定性和速度方面的整體系統性能超過三維圖像人臉識別。這項技術在近兩三年發展迅速，使人臉識別技術逐漸走向實用化。人臉與人體的其它生物特征(指紋、虹膜等)一樣與生俱來，它的唯一性和不易被復制的良好特性為身份鑒別提供了必要的前提，與其它類型的生物識別比較人臉識別具有如下特點：非強制性：用戶不需要專門配合人臉采集設備，幾乎可以在無意識的狀態下就可獲取人臉圖像，這樣的取樣方式沒有“強制性”；非接觸性：用戶不需要和設備直接接觸就能獲取人臉圖像；老年人走路摔倒在社會倫理和法制方面都曾是一時的熱點，基于此，本專利技術提出了一種基于改進的智能學習算法的老年人防摔倒技術。通過攝取老年人表情的實時圖像，然后采取圖像的信息，通過分析圖像的內容給出正確的判斷，方便了理解老年人需求的解讀，從而為在老年人保護方面有了保證。
技術實現思路
本專利技術為了彌補現有技術的缺陷，提供了一種簡單高效的基于改進的智能學習算法的老年人防摔倒技術。本專利技術是通過如下技術方案實現的：一種基于改進的智能學習算法的老年人防摔倒技術，其特征在于：在老人的鞋底和膝
蓋布置感應器，用于實時感應重心的移動特點和偏移特性，并在改進的BP神經網絡學習算法的基礎上進行；首先通過攝像機獲取高清圖像，并均分為四個區，獲取分區的信息，在數據庫中通過改進的算法進行學習；結合經驗值判斷學習樣本是否收斂，若不收斂則進行自我診斷并重新獲取分區的信息，若收斂則通過傳感器判斷重心是否偏移，當重心偏移與場景學習到的內容和運動的方向一致時，則表明老年人迅速移動的可能性比較大，預警系統計算摔倒的概率，并將摔倒的概率和應急措施反饋給監護者；當重心偏移與場景學習到的內容和運動的方向不一致時，則繼續學習。所述改進的算法，是指根據攝像機獲取的高清圖像中的分區關鍵參數值以及相鄰圖像之間的差值，進行神經網絡學習；通過設定權值將圖像中每四分之一的區域作信息作為初始參數，權重根據路由隨機設置，根據設定的權值進行學習，學習的目標值為數據庫中設定的標準值，在不斷的學習過程中建立數據源和優化結果的標準關系；使之在輸入數據和長期優化的經驗值的指導下快速判斷出圖像內容類型并分析出所屬于的類別。所述改進的算法還接入了過濾功能，當發現數據錯誤或者明顯誤差時啟動，將不會引起老年人興趣的圖像刪除。所述改進的算法在經過BP神經網絡學習的基礎上進行了改進，修改了優化函數f(x)，加入了動向量，樣板是動態的，但是需要多次學習之間的聯系，故引入了記憶保持值cache，通過學習和設定的標準進行比對，得出下一步的動作；所述改進的算法將每次學習之前三次的結果作為記憶值加入到本次學習的優化函數f(x)中，優化函數f(x)和輸入函數Sj為所述改進的算法的學習優化工具；所述優化函數f(x)計算公式如下： f ( x ) = 1 1 + c x + r a d o m ( - 1 ) + r a d o m ( - 2 ) + r a d o m ( - 3 ) ; ]]>其中，radom(x)為前N次的經驗值函數，c為記憶保持值；輸入函數Sj計算公式如下： S j = Σ i - i n w i j * x i + b j + r a n d ( x i ) = W j X + b j + r a n d ( x i ) ; ]]>其中，bj表示閾值，xi為輸入，Wij為權值，rand()是平衡值函數。本專利技術的有益效果是：該基于改進的智能學習算法的老年人防摔倒技術，在傳統BP算法的基礎上進行了優化函數，加入自動分類校驗技術，提取圖像大概的參數，提高了應用的實時性；通過智能學習算法，根據環境因素進行學習，快速給出摔倒幾率和需要監護人采取的措施，能夠有效減小老年人摔倒的幾率。附圖說明附圖1為本專利技術改進的BP神經網絡原理原型示意圖。附圖2為本專利技術改進的BP神經網絡學習算法示意圖。附圖3為本專利技術改進的智能學習算法的老年人防摔倒方法示意圖。具體實施方式為了使本專利技術所要解決的技術問題、技術方案及有益效果更加清楚明白，以下結合附圖及實施例，對本專利技術進行詳細的說明。應當說明的是，此處所描述的具體實施例僅用以解釋本專利技術，并不用于限定本專利技術。該基于改進的智能學習算法的老年人防摔倒技術，在老人的鞋底和膝蓋布置感應器，在鞋底有9個感應器，膝蓋部位兩邊各有兩個感應器，用于實時感應重心的移動特點和偏移特性，并在改進的BP神經網絡學習算法的基礎上進行；首先通過攝像機獲取高清圖像，并均分為四個區，獲取分區的信息，在數據庫中通過改進的算法進行學習；結合經驗值判斷學習樣本是否收斂，若不收斂則進行自我診斷并重新獲取分區的信息，若收斂則通過傳感器判斷重心是否偏移，當重心偏移與場景學習到的內容和運動的方向一致時，則表明老年人迅速移動的可能性比較大，預警系統計算摔倒的概率，并將摔倒的概率和應急措施反饋給監護者；當重心偏移與場景學習到的內容和運動的方向不一致時，則繼續學習。改進的BP神經網絡原理原型如附圖1所示，本專利技術是在原型的基礎上進行了權值和目標值的動態改變，使得整個樣本都有了活性。在學習過程中不再是單純的迭代學習，而是伴隨著記憶值進行優化，加入的隨機權值更貼近于現實。原始的BP網并不是十分的完善，它學習收斂速度太慢，網絡的學習記憶具有不穩定性，即：當給一個訓練好的網提供新的學習記憶模式時，將使已有的連接權值被打亂，導致已記憶的學習模式的信息的消失。在此基礎上對BP神經網絡算法加以改造，引入動量項，加入記憶值和自我過濾技術。學習樣本是不斷變化的，所以誤差E也是變化的，所以神經網絡的學習是動態的，為了監視每次優化之間的聯系，還要加入記憶功本文檔來自技高網...

【技術保護點】
一種基于改進的智能學習算法的老年人防摔倒技術，其特征在于：在老人的鞋底和膝蓋布置感應器，用于實時感應重心的移動特點和偏移特性，并在改進的BP神經網絡學習算法的基礎上進行；首先通過攝像機獲取高清圖像，并均分為四個區，獲取分區的信息，在數據庫中通過改進的算法進行學習；結合經驗值判斷學習樣本是否收斂，若不收斂則進行自我診斷并重新獲取分區的信息，若收斂則通過傳感器判斷重心是否偏移，當重心偏移與場景學習到的內容和運動的方向一致時，則表明老年人迅速移動的可能性比較大，預警系統計算摔倒的概率，并將摔倒的概率和應急措施反饋給監護者；當重心偏移與場景學習到的內容和運動的方向不一致時，則繼續學習。

【技術特征摘要】
1.一種基于改進的智能學習算法的老年人防摔倒技術，其特征在于：在老人的鞋底和膝蓋布置感應器，用于實時感應重心的移動特點和偏移特性，并在改進的BP神經網絡學習算法的基礎上進行；首先通過攝像機獲取高清圖像，并均分為四個區，獲取分區的信息，在數據庫中通過改進的算法進行學習；結合經驗值判斷學習樣本是否收斂，若不收斂則進行自我診斷并重新獲取分區的信息，若收斂則通過傳感器判斷重心是否偏移，當重心偏移與場景學習到的內容和運動的方向一致時，則表明老年人迅速移動的可能性比較大，預警系統計算摔倒的概率，并將摔倒的概率和應急措施反饋給監護者；當重心偏移與場景學習到的內容和運動的方向不一致時，則繼續學習。2.根據權利要求1所述的基于改進的智能學習算法的老年人防摔倒技術，其特征在于：所述改進的算法，是指根據攝像機獲取的高清圖像中的分區關鍵參數值以及相鄰圖像之間的差值，進行神經網絡學習；通過設定權值將圖像中每四分之一的區域作信息作為初始參數，權重根據路由隨機設置，根據設定的權值進行學習，學習的目標值為數據庫中設定的標準值，在不斷的學習過程中建立數據源和優化結果的標準關系；使之在輸入數據和長期優化的經驗值的指導下快速判斷出圖像內容類型并分析出所屬于的類別。3.根據權利要求2所述的基于改進的智能學習算法的老年人防摔倒技術，其特征在于：所述改進的算法還接入了過濾功能，當發現數據錯誤或者明顯誤差時啟動，將不會引起老年人興趣的圖像刪除。4.根據權利要求2或3所述的基于改進的智能學習算法的老年人防摔倒技術，其特征在于：所述改進的算法在經過BP神經網絡學習的基礎上進行了改進，修改了優化函數f(x)，加入了動向量，樣板是動態的，但是需要多次學習之間的聯系，故引入了記憶保持值cache，通過學習和設定的標準進行比對，得出下一步的動作；所述改進的算法將每次學習之前三次的結果作為記憶值加入到本次...

【專利技術屬性】
技術研發人員：路廷文，
申請(專利權)人：浪潮電子信息產業股份有限公司，
類型：發明
國別省市：山東;37