【技術實現步驟摘要】
本專利技術涉及計算機視覺，具體為一種基于人體骨骼點智能識別人員摔倒的方法及系統。
技術介紹
1、摔倒是導致許多意外傷害和事故的主要原因之一，特別是對于老年人和行動不便的人群，檢測人員摔倒對于人們的生活安全和健康管理至關重要。在人員摔倒檢測領域，傳統方法主要依賴于傳感器設備或視頻監控系統。傳感器設備通常基于加速度計原理，通過檢測突然的重力加速度變化來識別摔倒事件。
2、然而，這種方法存在諸多局限性：首先，佩戴傳感器設備可能會給用戶帶來不便，影響日常活動；其次，傳感器的電池壽命有限，需要定期更換或充電，增加了維護成本；再者，傳感器可能會因為誤操作或設備故障而產生誤報或漏報。視頻監控系統則利用計算機視覺技術，分析監控視頻中的人員行為來檢測摔倒事件。這種方法雖然不需要用戶佩戴額外設備，但也面臨著諸多挑戰：傳統的視頻分析算法往往依賴于背景建模和運動檢測，在復雜環境下容易受到干擾，導致誤識別率較高；同時，這些算法通常需要大量的計算資源，難以實現實時處理。
3、隨著深度學習技術的發展，基于計算機視覺的方法取得了顯著進展，如人體姿態估計和行為識別等領域，為人員摔倒檢測提供了新的思路和方法。然而，現有的深度學習方法仍然存在一些問題：首先，大多數模型都需要大量標注數據進行訓練，而摔倒數據的采集和標注工作量巨大；其次，深度學習模型通常計算復雜度高，對硬件要求較高，難以在邊緣設備上實時運行；再者，這些模型往往是端到端的黑盒模型，缺乏可解釋性，難以進行有針對性的優化和改進。此外，現有方法在摔倒檢測方面仍然存在其他挑戰：準確度不高，
技術實現思路
1、鑒于上述存在的問題，提出了本專利技術。
2、因此，本專利技術解決的技術問題是：如何解決現有人員摔倒檢測技術中存在的解決數據處理量大、系統實時性差、對環境變化敏感、隱私保護不足、摔倒檢測準確性不高、可解釋性差的問題。
3、為解決上述技術問題，本專利技術提供如下技術方案：一種基于人體骨骼點智能識別人員摔倒的方法，包括：利用人體檢測模型對實時獲取的監控攝像頭視頻幀進行判斷，若所述人體檢測模型判斷所述監控攝像頭視頻幀中存在人體，則截取人體區域圖像；通過人體關節點檢測模型提取所述人體區域圖像中關鍵人體關節點的位置坐標；基于所述關鍵人體關節點的位置坐標，通過位置判斷、姿勢判斷和身體折疊判斷的組合調優算法，計算關鍵人體關節點之間的距離、角度和相對位置關系，綜合判斷人體是否呈現摔倒動作。
4、作為本專利技術所述的基于人體骨骼點智能識別人員摔倒的方法的一種優選方案，其中：在所述利用人體檢測模型對實時獲取的監控攝像頭視頻幀進行判斷之前，包括如下步驟，
5、實時獲取監控攝像頭的視頻流：
6、；
7、其中，表示時間的視頻幀，是視頻流的總幀數。
8、從所述視頻流中提取單幀圖像作為待處理的視頻幀，具體為在時間，提取視頻幀：
9、；
10、其中，是從視頻流中提取單幀的函數。
11、作為本專利技術所述的基于人體骨骼點智能識別人員摔倒的方法的一種優選方案，其中：所述利用人體檢測模型對實時獲取的監控攝像頭視頻幀進行判斷，若所述人體檢測模型判斷所述監控攝像頭視頻幀中存在人體，則截取人體區域圖像包括如下步驟，將待處理的視頻幀輸入預先訓練的人體檢測模型進行多尺度特征提取、cnn檢測器處理和輸出檢測結果；通過人體檢測模型判斷視頻幀中是否存在人體；如果檢測到人體，則確定人體在視頻幀中的位置和大小；根據確定的人體位置和大小，在視頻幀中截取包含完整人體的區域圖像；如果未檢測到人體，則繼續處理下一幀圖像。
12、作為本專利技術所述的基于人體骨骼點智能識別人員摔倒的方法的一種優選方案，其中：所述通過人體檢測模型判斷視頻幀中是否存在人體包括，將所有cnn?檢測器的檢測結果加權組合，得到綜合得分：
13、；
14、其中，是綜合得分函數；是檢測器的數量；是第個cnn檢測器的權重；是常數；是包含人體的候選區域的位置坐標；是包含人體的候選區域的尺度；是cnn?檢測器的檢測結果。
15、判斷是否存在人體：
16、；
17、其中，是判斷函數；是指示函數。
18、當最大的綜合得分時，指示函數返回1，因此1，認為檢測到人體；當最大的綜合得分時；指示函數返回0，因此0，表示未檢測到人體。
19、所述如果檢測到人體，則確定人體在視頻幀中的位置和大小包括：
20、若1時，則：
21、；
22、其中，是檢測到的人體的中心坐標和尺度；是返回使函數取得最大值的參數。
23、所述根據確定的人體位置和大小，在視頻幀中截取包含完整人體的區域圖像包括如下步驟：通過人體檢測模型得到；將結合裁剪區域擴展因子，調用裁減函數來從視頻幀中截取與相應的區域。通過裁減函數確定截取區域的具體位置和大小；將截取結果賦值給，得到裁剪后的人體圖像；其中，
24、；
25、其中，是裁剪區域擴展因子；）是檢測到的人體位置和尺度；是裁剪后的人體圖像；是裁減函數。
26、作為本專利技術所述的基于人體骨骼點智能識別人員摔倒的方法的一種優選方案，其中：通過人體關節點檢測模型提取所述人體區域圖像中關鍵人體關節點的位置坐標包括如下步驟：對裁剪后的人體圖像進行預處理；使用多個預訓練的人體關節點檢測模型輸出多個關鍵人體關節點檢測結果；將多個關鍵人體關節點檢測結果進行加權融合；進行關鍵人體關節點的坐標提取和置信度計算；歸一化關鍵人體關節點的坐標；引入時空一致性檢查，通過速度約束和運動平滑性來調整當前幀的關鍵人體關節點位置。對于置信度低或未檢測到的關鍵人體關節點的位置，通過相鄰關節點的位置關系進行估計；其中，所述關鍵人體關節點為鼻子、左眼、右眼、左耳、右耳、左肩、右肩、左肘、右肘、左腕、右腕、左胯、右胯、左膝、右膝、左踝、右踝中的至少一個。
27、作為本專利技術所述的基于人體骨骼點智能識別人員摔倒的方法的一種優選方案，其中：基于所述關鍵人體關節點的位置坐標，通過位置判斷、姿勢判斷和身體折疊判斷的組合調優算法，計算關鍵人體關節點之間的距離、角度和相對位置關系，綜合判斷人體是否呈現摔倒動作包括如下步驟：?基于所述關鍵人體關節點的位置坐標，通過位置判斷、姿勢判斷和身體折疊判斷的組合調優算法，計算關鍵人體關節點之間的距離、角度和相對位置關系，綜合判斷人體是否呈現摔倒動作包括：?位置判斷為：若連續多幀視頻幀滿足：鼻子的y坐標大于兩肩和兩髖的y坐標平均值，且軀干與垂直線的夾角大于第一預設角度a的兩倍，則認為頭部朝下，本文檔來自技高網...
【技術保護點】
1.一種基于人體骨骼點智能識別人員摔倒的方法，其特征在于，包括：
2.如權利要求1所述的基于人體骨骼點智能識別人員摔倒的方法，其特征在于：在利用人體檢測模型對實時獲取的監控攝像頭視頻幀進行判斷之前，包括如下步驟，
3.如權利要求2所述的基于人體骨骼點智能識別人員摔倒的方法，其特征在于：所述利用人體檢測模型對實時獲取的監控攝像頭視頻幀進行判斷，若所述人體檢測模型判斷所述監控攝像頭視頻幀中存在人體，則截取人體區域圖像包括如下步驟，
4.如權利要求3所述的基于人體骨骼點智能識別人員摔倒的方法，其特征在于：所述通過人體檢測模型判斷視頻幀中是否存在人體包括，
5.如權利要求4所述的基于人體骨骼點智能識別人員摔倒的方法，其特征在于：通過人體關節點檢測模型提取所述人體區域圖像中關鍵人體關節點的位置坐標包括如下步驟：
6.如權利要求5所述的基于人體骨骼點智能識別人員摔倒的方法，其特征在于：基于所述關鍵人體關節點的位置坐標，通過位置判斷、姿勢判斷和身體折疊判斷的組合調優算法，計算關鍵人體關節點之間的距離、角度和相對位置關系，綜合判斷人體是
7.如權利要求6所述的基于人體骨骼點智能識別人員摔倒的方法，其特征在于：基于所述關鍵人體關節點的位置坐標，通過位置判斷、姿勢判斷和身體折疊判斷的組合調優算法，計算關鍵人體關節點之間的距離、角度和相對位置關系，綜合判斷人體是否呈現摔倒動作還包括：
8.如權利要求1~7任一所述的一種基于人體骨骼點智能識別人員摔倒的方法的系統，其特征在于，包括：
9.一種計算機設備，包括存儲器和處理器，所述存儲器存儲有計算機程序，其特征在于，所述處理器執行所述計算機程序時實現權利要求1至7中任一項所述的基于人體骨骼點智能識別人員摔倒的方法的步驟。
10.一種計算機可讀存儲介質，其上存儲有計算機程序，其特征在于，所述計算機程序被處理器執行時實現權利要求1至7中任一項所述的基于人體骨骼點智能識別人員摔倒的方法的步驟。
...【技術特征摘要】
1.一種基于人體骨骼點智能識別人員摔倒的方法，其特征在于，包括：
2.如權利要求1所述的基于人體骨骼點智能識別人員摔倒的方法，其特征在于：在利用人體檢測模型對實時獲取的監控攝像頭視頻幀進行判斷之前，包括如下步驟，
3.如權利要求2所述的基于人體骨骼點智能識別人員摔倒的方法，其特征在于：所述利用人體檢測模型對實時獲取的監控攝像頭視頻幀進行判斷，若所述人體檢測模型判斷所述監控攝像頭視頻幀中存在人體，則截取人體區域圖像包括如下步驟，
4.如權利要求3所述的基于人體骨骼點智能識別人員摔倒的方法，其特征在于：所述通過人體檢測模型判斷視頻幀中是否存在人體包括，
5.如權利要求4所述的基于人體骨骼點智能識別人員摔倒的方法，其特征在于：通過人體關節點檢測模型提取所述人體區域圖像中關鍵人體關節點的位置坐標包括如下步驟：
6.如權利要求5所述的基于人體骨骼點智能識別人員摔倒的方法，其特征在于：基于所述關鍵人體關節點的位置坐標，通過...
【專利技術屬性】
技術研發人員：袁存發，耿天濤，李輝，宋金峰，徐興云，王鄭，周菲，
申請(專利權)人：朗坤智慧科技股份有限公司，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。