CN103903281A - 一种基于多特征分析和场景学习的老人摔倒检测方法 - Google Patents
一种基于多特征分析和场景学习的老人摔倒检测方法 Download PDFInfo
- Publication number
- CN103903281A CN103903281A CN201410136974.2A CN201410136974A CN103903281A CN 103903281 A CN103903281 A CN 103903281A CN 201410136974 A CN201410136974 A CN 201410136974A CN 103903281 A CN103903281 A CN 103903281A
- Authority
- CN
- China
- Prior art keywords
- human body
- width
- ratio
- old man
- height
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 19
- 238000001514 detection method Methods 0.000 claims description 20
- 230000003068 static effect Effects 0.000 claims description 18
- 238000004458 analytical method Methods 0.000 claims description 10
- 230000033001 locomotion Effects 0.000 claims description 10
- 206010034719 Personality change Diseases 0.000 claims description 5
- 208000031872 Body Remains Diseases 0.000 claims description 3
- 230000010339 dilation Effects 0.000 claims description 3
- 230000003628 erosive effect Effects 0.000 claims description 3
- 238000012544 monitoring process Methods 0.000 abstract description 4
- 230000005484 gravity Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 208000012802 recumbency Diseases 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Landscapes
- Image Analysis (AREA)
- Emergency Alarm Devices (AREA)
Abstract
本发明涉及一种基于多特征分析和场景学习的老人摔倒检测方法,加入人体姿态变化、人体中心位置和有效面积比三个判断条件对其进行修正。并实时的学习场景,区别休息区,从而可以检测不同监控场景下的摔倒事件。本发明所提出的算法也对已有的摔倒检测算法中的一些误判情况提供了相应的解决办法。该方法复杂度低、计算量小并且检测率较高。
Description
技术领域
本发明涉及图像识别,具体涉及一种独居老人摔倒检测的方法,特别针对于老人摔倒后短时间内无法自救的情况。
背景技术
近些年来,针对于独居老人所提供的智能家居服务,已经形成一个热门的研究领域。根据调查所显示,在所有发生在独居老人的危险亊件中,摔倒事件带来的危害是最大的,可能会致使摔倒者失去意识,造成残疾甚至引起死亡。所以及时检测出可能发生的摔倒行为并向家人报警,使老年人得到救助是非常必要的。
中国发明专利号201110267262.0发明了一种基于全方位视觉的独居老人安全监护系统。其中关于摔倒检测的方法是根据在人体在各个姿态下的高宽比不同而判断是否摔倒,该发明的不足之处是人体是否摔倒仅依靠高宽比来判断,并且各个姿态的高宽比的值也并不为一定值,它跟老人的身高,胖瘦等因素都有关系,应根据实际情况来设定阈值。
中国发明专利号201110451993.0提供了一种基于视频的摔倒检测方法和设备。该发明主要依据运动对象的重心下移量来判断对象是否摔倒。该发明的不足之处是所求出的图像质心不一定和人体的重心重合,依据图像质心判断必定会带来误差。该发明的另一缺陷是无法排除在某些家居场景下老人躺下或坐下的情况,此时重心虽然下移了,但是老人并没有摔倒。
发明内容
要解决的技术问题
为了避免现有技术的不足之处,本发明提出一种基于多特征分析和场景学习的老人摔倒检测方法,包括获得监控场景中的运动对象并进行跟踪,根据人体高宽比、姿态变化、人体中心的位置、以及有效面积比等特征来确定人体是否摔倒。
技术方案
一种基于多特征分析和场景学习的老人摔倒检测方法,其特征在于步骤如下:
步骤1:通过摄像头采集图像数据,将当前图像第k帧中坐标为(x,y)的点的像素值Ck(x,y)与背景图像中相应点的像素值Bk(x,y)相减,得到差值图像Dk(x,y),将差值图像Dk(x,y)与设定的阈值T作比较,得到二值化图像Rk(x,y):
Dk(x,y)=Ck(x,y)-Bk(x,y),(x=0,...,width-1,y=0,...height-1)
式中x的范围为[0,width-1],y的范围为[0,height-1],width及height分别表示图像的宽度和高度;在背景减法中Bk(x,y)采用了背景更新方法:
Bk(x,y)=(1-α)Bk-1(x,y)+αCk(x,y),(x=0,...,width-1,y=0,...height-1)
式中α表示调节更新速率;
步骤2:采用数学形态学上的膨胀和腐蚀算子对二值化图像Rk(x,y)进行处理得到图像Ek(x,y);
步骤3:通过对人体高度比、人体中心位置和有效面积比进行判断来检测老人是否摔倒:
a)在图像Ek(x,y)中,以最小外接矩形框提取人体的目标,当人体的高宽比大于阈值Th时,确定人体为站立状态;当人体的高宽比小于该阈值Th,计算当前帧的人体高宽比相对于前一帧的人体高宽比的变化比值K:
K=r(n-1)/r(n),(n=1,2,3...)
其中n表示是第几帧,r(n)表示当前帧的人体高宽比,r(n-1)表示前一帧的人体高宽比;当K>1.5时,人体可能发生摔倒,设置姿态变化标志down=1,当人体的高宽比再次大于阈值Th时,将down赋值为0;
b)若人体高宽比小于阈值Th并且down=1时,通过Ek(x,y)计算人体的中心位置M(xc,yc):
将当前帧的人体中心位置与其往前第20帧的人体中心位置进行比较:如果两个中心点的距离之差大于距离阈值d,则认为在当前帧人体处于运动状态;如果两个中心点的距离之差小于距离阈值d,则认为在当前帧人体处于静止状态,转入对人体有效面积比的判断;
c)计算人体的有效面积比EA-Ratio:
其中,S人表示运动人体的面积,而S矩形表示人体最小外接矩形的面积,EA-Ratio的范围为[0,1];将当前帧的有效面积比与其往前第20帧的有效面积比进行比较,若两者的差值处于[-0.05,0.05]之间,则认为有效面积比不变,人体处于静止状态;若差值在该范围之外,则认为有效面积比变化,人体在不断运动;
步骤4:当步骤3检测到老人静止状态时,获取人体的中心位置,将该中心位置与“休息区”作比对,如果该中心位置不在“休息区”,检测为老人摔倒同时相关设备向老人的家人发出报警信息。
所述的“休息区”记录方法为:当老年人在某一位置静止,超过检测时间,记老年人此时的中心点为S(x,y),记录该中心点S(x,y)到“可能是休息区”的队列中,其周围某一大小区域也被标记为“可能是休息区”;如果老人在该标记区域静止超过四次,每次的静止时间都超过检测时间,则将S(x,y)记录到“休息区”队列中,其周围某一大小区域也被标记为“休息区”。
所述的阈值T的取值范围为[40,100]。
所述的调节更新速率α的取值范围为[0,1]。
所述的阈值Th的取值范围为[1.5,2]。
所述的距离阈值d的取值范围为[0,50]。
有益效果
本发明提出的一种基于多特征分析和场景学习的老人摔倒检测方法,加入人体姿态变化、人体中心位置和有效面积比三个判断条件对其进行修正。并增加场景判断,区别休息区,从而可以检测不同监控场景下的摔倒事件。本发明所提出的算法也对已有的摔倒检测算法中的一些误判情况提供了相应的解决办法。该方法复杂度低、计算量小并且检测率较高。
附图说明
图1本发明流程图
图2人体高度比、人体中心位置和有效面积比判断流程图
具体实施方式
现结合实施例、附图对本发明作进一步描述:
步骤1:通过摄像头采集图像数据,使用背景减法获得运动目标:将当前图像第k帧中坐标为(x,y)的点的像素值Ck(x,y)与背景图像中相应点的像素值Bk(x,y)相减,得到差值图像Dk(x,y),将差值图像Dk(x,y)与设定的阈值T作比较,阈值T的取值范围为[40,100],实施例中阈值T取60,得到二值化图像Rk(x,y):
Dk(x,y)=Ck(x,y)-Bk(x,y),(x=0,...,width-1,y=0,...height-1)
式中x的范围为[0,width-1],y的范围为[0,height-1],width及height分别表示图像的宽度和高度;由于在监控场景中背景将会有一定的变化,在背景减法中Bk(x,y)采用了背景更新方法:
Bk(x,y)=(1-α)Bk-1(x,y)+αCk(x,y),(x=0,...,width-1,y=0,...height-1)
式中α表示调节更新速率,它的大小表明了更新时,第k帧图像所占的权重。α的取值范围为[0,1],当α较大时,背景更新快,α较小时,背景更新慢。如果在背景中新增加了一个或多个静止的物品,通过设置合适的α值,可以使得在相应的一段时间内这些静止物品融入背景,本实施例中α取0.5;
步骤2:采用数学形态学上的膨胀和腐蚀算子对二值化图像Rk(x,y)进行处理得到图像Ek(x,y),经过该步骤后,可去除小的空洞和噪声,能够准确提取目标区域;
步骤3:通过对人体高度比、人体中心位置和有效面积比进行判断来检测老人是否摔倒:
在图像Ek(x,y)中,以最小外接矩形框提取人体的目标,当人体的高宽比大于阈值Th时,确定人体为站立状态,阈值Th根据个人因素等会有所不同,取值范围为[1.5,2],本实施例中取1.8;当人体的高宽比小于该阈值Th,计算当前帧的人体高宽比相对于前一帧的人体高宽比的变化比值K:
K=r(n-1)/r(n),(n=1,2,3...)
其中n表示是第几帧,r(n)表示当前帧的人体高宽比,r(n-1)表示前一帧的人体高宽比;当人体基本保持同一姿态时,K值变化不大,当人正常的坐下或躺下时,K值缓慢变大,而当人摔倒的瞬间,K值急剧增大;当K>1.5时,人体可能发生摔倒,设置姿态变化标志down=1,当人体的高宽比再次大于阈值Th时,将down重新赋值为0;
在利用人体高宽比以及姿态变化标志进行初步的判断之后,若人体高宽比小于Th并且down=1时,再进行人体中心位置的判断。加入人体中心位置的因素主要是为了判别人体在检测的这段时间内是否基本处于静止状态,通过Ek(x,y)计算人体的中心位置M(xc,yc):
将当前帧的人体中心位置与其往前第20帧的人体中心位置进行比较:如果两个中心点的距离之差大于距离阈值d,则认为在当前帧人体处于运动状态,距离阈值d的取值范围为[0,50],本实施例中取20;如果两个中心点的距离之差小于距离阈值d,则认为在当前帧人体处于静止状态;
在某些情况下,例如人躺着或者坐着做一些运动时,中心位置可能变化不大,但是他却处于一种运动状态,而不是摔倒以后静止的状态。此时就会造成误判。于是加入了最后一个判断条件,有效面积比。有效面积比的加入是为了进一步确定人体此时基本处于一种静止的状态。计算人体的有效面积比EA-Ratio:
其中,S人表示运动人体的面积,而S矩形表示人体最小外接矩形的面积,EA-Ratio的范围为[0,1];当人体摔倒后处于基本静止的状态时,有效面积比可认为不变,而当人体在做一些运动时,例如手臂展开,随着动作的改变,有效面积比在一直变化。另外为了避免逐帧比较时可能会带来误差(如有效面积比平稳增加,增加速度较慢的情况),可每隔固定帧数作比较,如当前帧的有效面积比与其前20帧的那一帧的有效面积比比较,方法类似于上一步中的中心位置判断。若两者的差值处于[-0.05,0.05]之间,则认为有效面积比基本不变,人体处于静止状态,若差值在该范围之外,则认为有效面积比变化,人体在不断运动;
步骤4:场景学习:
当步骤3检测到老人静止状态时,获取人体的中心位置,将该中心位置与“休息区”作比对,如果该中心位置不在“休息区”,检测为老人摔倒同时相关设备向老人的家人发出报警信息。增加场景学习,可避免在监控过程中,老人在休息区休息时的误报警,提高了系统的准确率;
所述的“休息区”记录方法为:当老年人在某一位置静止,超过检测时间15分钟,记老年人此时的中心点为S(x,y),记录该中心点S(x,y)到“可能是休息区”的队列中,其周围某一大小区域也被标记为“可能是休息区”;如果老人在该标记区域静止超过四次,每次的静止时间都超过检测时间15分钟,则将S(x,y)记录到“休息区”队列中,其周围某一大小区域也被标记为“休息区”。
Claims (6)
1.一种基于多特征分析和场景学习的老人摔倒检测方法,其特征在于步骤如下:
步骤1:通过摄像头采集图像数据,将当前图像第k帧中坐标为(x,y)的点的像素值Ck(x,y)与背景图像中相应点的像素值Bk(x,y)相减,得到差值图像Dk(x,y),将差值图像Dk(x,y)与设定的阈值T作比较,得到二值化图像Rk(x,y):
Dk(x,y)=Ck(x,y)-Bk(x,y),(x=0,...,width-1,y=0,...height-1)
式中x的范围为[0,width-1],y的范围为[0,height-1],width及height分别表示图像的宽度和高度;在背景减法中Bk(x,y)采用了背景更新方法:
Bk(x,y)=(1-α)Bk-1(x,y)+αCk(x,y),(x=0,...,width-1,y=0,...height-1)
式中α表示调节更新速率;
步骤2:采用数学形态学上的膨胀和腐蚀算子对二值化图像Rk(x,y)进行处理得到图像Ek(x,y);
步骤3:通过对人体高度比、人体中心位置和有效面积比进行判断来检测老人是否摔倒:
a)在图像Ek(x,y)中,以最小外接矩形框提取人体的目标,当人体的高宽比大于阈值Th时,确定人体为站立状态;当人体的高宽比小于该阈值Th,计算当前帧的人体高宽比相对于前一帧的人体高宽比的变化比值K:
K=r(n-1)/r(n),(n=1,2,3...)
其中n表示是第几帧,r(n)表示当前帧的人体高宽比,r(n-1)表示前一帧的人体高宽比;当K>1.5时,人体可能发生摔倒,设置姿态变化标志down=1,当人体的高宽比再次大于阈值Th时,将down赋值为0;
b)若人体高宽比小于阈值Th并且down=1时,通过Ek(x,y)计算人体的中心位置M(xc,yc):
将当前帧的人体中心位置与其往前第20帧的人体中心位置进行比较:如果两个中心点的距离之差大于距离阈值d,则认为在当前帧人体处于运动状态;如果两个中心点的距离之差小于距离阈值d,则认为在当前帧人体处于静止状态,转入对人体有效面积比的判断;
c)计算人体的有效面积比EA-Ratio:
其中,S人表示运动人体的面积,而S矩形表示人体最小外接矩形的面积,EA-Ratio的范围为[0,1];将当前帧的有效面积比与其往前第20帧的有效面积比进行比较,若两者的差值处于[-0.05,0.05]之间,则认为有效面积比不变,人体处于静止状态;若差值在该范围之外,则认为有效面积比变化,人体在不断运动;
步骤4:当步骤3检测到老人静止状态时,获取人体的中心位置,将该中心位置与“休息区”作比对,如果该中心位置不在“休息区”,检测为老人摔倒同时相关设备向老人的家人发出报警信息。
2.根据权利要求1所述的一种基于多特征分析和场景学习的老人摔倒检测方法,其特征在于所述的“休息区”记录方法为:当老年人在某一位置静止,超过检测时间,记老年人此时的中心点为S(x,y),记录该中心点S(x,y)到“可能是休息区”的队列中,其周围某一大小区域也被标记为“可能是休息区”;如果老人在该标记区域静止超过四次,每次的静止时间都超过检测时间,则将S(x,y)记录到“休息区”队列中,其周围某一大小区域也被标记为“休息区”。
3.根据权利要求1所述的一种基于多特征分析和场景学习的老人摔倒检测方法,其特征在于所述的阈值T的取值范围为[40,100]。
4.根据权利要求1所述的一种基于多特征分析和场景学习的老人摔倒检测方法,其特征在于所述的调节更新速率α的取值范围为[0,1]。
5.根据权利要求1所述的一种基于多特征分析和场景学习的老人摔倒检测方法,其特征在于所述的阈值Th的取值范围为[1.5,2]。
6.根据权利要求1所述的一种基于多特征分析和场景学习的老人摔倒检测方法,其特征在于所述的距离阈值d的取值范围为[0,50]。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410136974.2A CN103903281B (zh) | 2014-04-04 | 2014-04-04 | 一种基于多特征分析和场景学习的老人摔倒检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410136974.2A CN103903281B (zh) | 2014-04-04 | 2014-04-04 | 一种基于多特征分析和场景学习的老人摔倒检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103903281A true CN103903281A (zh) | 2014-07-02 |
CN103903281B CN103903281B (zh) | 2016-08-17 |
Family
ID=50994588
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410136974.2A Expired - Fee Related CN103903281B (zh) | 2014-04-04 | 2014-04-04 | 一种基于多特征分析和场景学习的老人摔倒检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103903281B (zh) |
Cited By (22)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104317199A (zh) * | 2014-09-16 | 2015-01-28 | 江苏大学 | 移动式智能管家 |
CN105678811A (zh) * | 2016-02-25 | 2016-06-15 | 上海大学 | 一种基于运动检测的人体异常行为检测方法 |
CN105930871A (zh) * | 2016-04-26 | 2016-09-07 | 浪潮电子信息产业股份有限公司 | 一种基于改进的智能学习算法的老年人防摔倒技术 |
CN106073167A (zh) * | 2016-05-31 | 2016-11-09 | 常州米乔科技有限公司 | 一种坐站交替办公系统及其提醒方法 |
CN106373336A (zh) * | 2016-08-30 | 2017-02-01 | 苏州品诺维新医疗科技有限公司 | 一种检测摔倒的方法及装置 |
CN106529455A (zh) * | 2016-11-04 | 2017-03-22 | 哈尔滨工业大学 | 一种基于SoC FPGA的快速人体姿态识别方法 |
WO2017125094A1 (zh) * | 2016-01-22 | 2017-07-27 | 苏州望湖房地产开发有限公司 | 一种人体摔倒智能控制系统及其方法 |
CN108171181A (zh) * | 2017-12-31 | 2018-06-15 | 南昌大学 | 一种适用于家居内的人体摔倒检测方法 |
CN108175995A (zh) * | 2017-12-28 | 2018-06-19 | 必革发明(深圳)科技有限公司 | 跑步机安全监测方法、装置及跑步机 |
CN108491762A (zh) * | 2018-02-27 | 2018-09-04 | 浙江大华技术股份有限公司 | 一种人体跌倒的检测方法及装置 |
CN108764131A (zh) * | 2018-05-25 | 2018-11-06 | 哈尔滨理工大学 | 一种基于视频处理的自适应阈值多目标摔倒检测方法 |
CN110032932A (zh) * | 2019-03-07 | 2019-07-19 | 哈尔滨理工大学 | 一种基于视频处理和决策树设定阈值的人体姿态识别方法 |
CN110135377A (zh) * | 2019-05-21 | 2019-08-16 | 北京百度网讯科技有限公司 | 物体运动状态检测方法、装置、服务器和计算机可读介质 |
CN110310719A (zh) * | 2019-07-04 | 2019-10-08 | 友达颐康信息科技(苏州)有限公司 | 人员行为分析方法 |
CN111382606A (zh) * | 2018-12-28 | 2020-07-07 | 富士通株式会社 | 摔倒检测方法、摔倒检测装置和电子设备 |
CN111401296A (zh) * | 2020-04-02 | 2020-07-10 | 浙江大华技术股份有限公司 | 一种行为分析方法、设备及装置 |
CN111709277A (zh) * | 2020-04-29 | 2020-09-25 | 平安科技(深圳)有限公司 | 人体摔倒检测方法、装置、计算机设备和存储介质 |
CN111767888A (zh) * | 2020-07-08 | 2020-10-13 | 北京澎思科技有限公司 | 对象状态检测方法、计算机设备、存储介质和电子设备 |
CN111931733A (zh) * | 2020-09-25 | 2020-11-13 | 西南交通大学 | 基于深度相机的人体姿态检测方法 |
CN112535476A (zh) * | 2020-12-01 | 2021-03-23 | 业成科技(成都)有限公司 | 跌倒侦测系统及其方法 |
CN114677761A (zh) * | 2022-03-30 | 2022-06-28 | 北京洛必德科技有限公司 | 一种人体摔倒检测方法和装置、电子设备 |
CN118356189A (zh) * | 2024-06-17 | 2024-07-19 | 深圳市万德昌科技有限公司 | 基于智能陪护机器人的异常行为监控识别方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2005136777A (ja) * | 2003-10-31 | 2005-05-26 | Victor Co Of Japan Ltd | ネットワーク監視カメラシステム |
CN102387345A (zh) * | 2011-09-09 | 2012-03-21 | 浙江工业大学 | 基于全方位视觉的独居老人安全监护系统 |
CN102722715A (zh) * | 2012-05-21 | 2012-10-10 | 华南理工大学 | 一种基于人体姿势状态判决的跌倒检测方法 |
CN103186902A (zh) * | 2011-12-29 | 2013-07-03 | 爱思开电讯投资(中国)有限公司 | 基于视频的摔倒检测方法和设备 |
-
2014
- 2014-04-04 CN CN201410136974.2A patent/CN103903281B/zh not_active Expired - Fee Related
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2005136777A (ja) * | 2003-10-31 | 2005-05-26 | Victor Co Of Japan Ltd | ネットワーク監視カメラシステム |
CN102387345A (zh) * | 2011-09-09 | 2012-03-21 | 浙江工业大学 | 基于全方位视觉的独居老人安全监护系统 |
CN103186902A (zh) * | 2011-12-29 | 2013-07-03 | 爱思开电讯投资(中国)有限公司 | 基于视频的摔倒检测方法和设备 |
CN102722715A (zh) * | 2012-05-21 | 2012-10-10 | 华南理工大学 | 一种基于人体姿势状态判决的跌倒检测方法 |
Non-Patent Citations (1)
Title |
---|
左常玲: "基于视频的自动摔倒检测研究与实现", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Cited By (33)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104317199A (zh) * | 2014-09-16 | 2015-01-28 | 江苏大学 | 移动式智能管家 |
US10424180B2 (en) | 2016-01-22 | 2019-09-24 | Suzhou Ling Wei Technology Co., Ltd. | Body fall smart control system and method therefor |
WO2017125094A1 (zh) * | 2016-01-22 | 2017-07-27 | 苏州望湖房地产开发有限公司 | 一种人体摔倒智能控制系统及其方法 |
CN105678811A (zh) * | 2016-02-25 | 2016-06-15 | 上海大学 | 一种基于运动检测的人体异常行为检测方法 |
CN105930871B (zh) * | 2016-04-26 | 2019-06-25 | 浪潮电子信息产业股份有限公司 | 一种基于改进的智能学习算法的摔倒预警方法 |
CN105930871A (zh) * | 2016-04-26 | 2016-09-07 | 浪潮电子信息产业股份有限公司 | 一种基于改进的智能学习算法的老年人防摔倒技术 |
CN106073167A (zh) * | 2016-05-31 | 2016-11-09 | 常州米乔科技有限公司 | 一种坐站交替办公系统及其提醒方法 |
CN106373336A (zh) * | 2016-08-30 | 2017-02-01 | 苏州品诺维新医疗科技有限公司 | 一种检测摔倒的方法及装置 |
CN106529455B (zh) * | 2016-11-04 | 2019-06-11 | 哈尔滨工业大学 | 一种基于SoC FPGA的快速人体姿态识别方法 |
CN106529455A (zh) * | 2016-11-04 | 2017-03-22 | 哈尔滨工业大学 | 一种基于SoC FPGA的快速人体姿态识别方法 |
CN108175995A (zh) * | 2017-12-28 | 2018-06-19 | 必革发明(深圳)科技有限公司 | 跑步机安全监测方法、装置及跑步机 |
CN108171181A (zh) * | 2017-12-31 | 2018-06-15 | 南昌大学 | 一种适用于家居内的人体摔倒检测方法 |
CN108171181B (zh) * | 2017-12-31 | 2021-11-19 | 南昌大学 | 一种适用于家居内的人体摔倒检测方法 |
CN108491762A (zh) * | 2018-02-27 | 2018-09-04 | 浙江大华技术股份有限公司 | 一种人体跌倒的检测方法及装置 |
CN108764131A (zh) * | 2018-05-25 | 2018-11-06 | 哈尔滨理工大学 | 一种基于视频处理的自适应阈值多目标摔倒检测方法 |
CN108764131B (zh) * | 2018-05-25 | 2021-11-30 | 哈尔滨理工大学 | 一种基于视频处理的自适应阈值多目标摔倒检测方法 |
CN111382606A (zh) * | 2018-12-28 | 2020-07-07 | 富士通株式会社 | 摔倒检测方法、摔倒检测装置和电子设备 |
CN110032932B (zh) * | 2019-03-07 | 2021-09-21 | 哈尔滨理工大学 | 一种基于视频处理和决策树设定阈值的人体姿态识别方法 |
CN110032932A (zh) * | 2019-03-07 | 2019-07-19 | 哈尔滨理工大学 | 一种基于视频处理和决策树设定阈值的人体姿态识别方法 |
CN110135377A (zh) * | 2019-05-21 | 2019-08-16 | 北京百度网讯科技有限公司 | 物体运动状态检测方法、装置、服务器和计算机可读介质 |
CN110310719A (zh) * | 2019-07-04 | 2019-10-08 | 友达颐康信息科技(苏州)有限公司 | 人员行为分析方法 |
CN111401296A (zh) * | 2020-04-02 | 2020-07-10 | 浙江大华技术股份有限公司 | 一种行为分析方法、设备及装置 |
CN111401296B (zh) * | 2020-04-02 | 2023-09-29 | 浙江大华技术股份有限公司 | 一种行为分析方法、设备及装置 |
WO2021217848A1 (zh) * | 2020-04-29 | 2021-11-04 | 平安科技(深圳)有限公司 | 人体摔倒检测方法、装置、计算机设备和存储介质 |
CN111709277A (zh) * | 2020-04-29 | 2020-09-25 | 平安科技(深圳)有限公司 | 人体摔倒检测方法、装置、计算机设备和存储介质 |
CN111709277B (zh) * | 2020-04-29 | 2024-07-19 | 平安科技(深圳)有限公司 | 人体摔倒检测方法、装置、计算机设备和存储介质 |
CN111767888A (zh) * | 2020-07-08 | 2020-10-13 | 北京澎思科技有限公司 | 对象状态检测方法、计算机设备、存储介质和电子设备 |
CN111931733A (zh) * | 2020-09-25 | 2020-11-13 | 西南交通大学 | 基于深度相机的人体姿态检测方法 |
CN111931733B (zh) * | 2020-09-25 | 2021-02-26 | 西南交通大学 | 基于深度相机的人体姿态检测方法 |
CN112535476A (zh) * | 2020-12-01 | 2021-03-23 | 业成科技(成都)有限公司 | 跌倒侦测系统及其方法 |
CN112535476B (zh) * | 2020-12-01 | 2022-11-22 | 业成科技(成都)有限公司 | 跌倒侦测系统及其方法 |
CN114677761A (zh) * | 2022-03-30 | 2022-06-28 | 北京洛必德科技有限公司 | 一种人体摔倒检测方法和装置、电子设备 |
CN118356189A (zh) * | 2024-06-17 | 2024-07-19 | 深圳市万德昌科技有限公司 | 基于智能陪护机器人的异常行为监控识别方法 |
Also Published As
Publication number | Publication date |
---|---|
CN103903281B (zh) | 2016-08-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103903281A (zh) | 一种基于多特征分析和场景学习的老人摔倒检测方法 | |
CN108392208B (zh) | 一种基于多阶段模型的跌倒判断方法 | |
US10133937B2 (en) | Crowd monitoring system | |
CN107657244B (zh) | 一种基于多摄像机的人体跌倒行为检测系统及其检测方法 | |
Merrouche et al. | Depth camera based fall detection using human shape and movement | |
Shoaib et al. | View-invariant fall detection for elderly in real home environment | |
CN104318578A (zh) | 一种视频图像分析方法及系统 | |
Seredin et al. | A skeleton features-based fall detection using Microsoft Kinect v2 with one class-classifier outlier removal | |
Kong et al. | Fall detection for elderly persons using a depth camera | |
KR101515597B1 (ko) | 3차원 영상 정보를 이용한 감지 방법 및 장치 | |
EP2504825A1 (en) | Method for estimating velocities and/or displacements from accelerometer measurement samples | |
CN111767888A (zh) | 对象状态检测方法、计算机设备、存储介质和电子设备 | |
CN103186902A (zh) | 基于视频的摔倒检测方法和设备 | |
KR20140110484A (ko) | 영상정보를 이용한 위험 행동 검지방법 | |
JP2017194772A (ja) | 覚醒度判定装置 | |
CN108805021A (zh) | 基于特征算子的实时个体跌倒行为检测报警方法 | |
Lin et al. | Vision-based fall detection through shape features | |
WO2020217812A1 (ja) | 被写体の状態を認識する画像処理装置及びその方法 | |
CN111191499B (zh) | 一种基于最小中心线的跌倒检测方法及装置 | |
Merrouche et al. | Fall detection using head tracking and centroid movement based on a depth camera | |
Liu et al. | Human body fall detection based on the Kinect sensor | |
CN114373142A (zh) | 基于深度学习的行人跌倒检测方法 | |
KR101212383B1 (ko) | 홈 헬스케어 모니터링 장치 및 방법 | |
JP2010250775A (ja) | 犯罪防止装置およびプログラム | |
CN105551191A (zh) | 一种跌倒检测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20160817 |
|
CF01 | Termination of patent right due to non-payment of annual fee |