CN105930871B - 一种基于改进的智能学习算法的摔倒预警方法 - Google Patents
一种基于改进的智能学习算法的摔倒预警方法 Download PDFInfo
- Publication number
- CN105930871B CN105930871B CN201610269969.8A CN201610269969A CN105930871B CN 105930871 B CN105930871 B CN 105930871B CN 201610269969 A CN201610269969 A CN 201610269969A CN 105930871 B CN105930871 B CN 105930871B
- Authority
- CN
- China
- Prior art keywords
- early warning
- learning algorithm
- value
- intelligence learning
- image
- 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.)
- Active
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/086—Learning methods using evolutionary algorithms, e.g. genetic algorithms or genetic programming
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Biophysics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Physiology (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
Abstract
本发明特别涉及一种基于改进的智能学习算法的摔倒预警方法。该基于改进的智能学习算法的摔倒预警方法,首先通过摄像机获取高清图像,并均分为四个区,获取分区的信息,在数据库中通过改进的算法进行学习;通过传感器判断重心是否偏移,当重心偏移与场景学习到的内容和运动的方向一致时,预警系统计算摔倒的概率,并将摔倒的概率和应急措施反馈给监护者。该基于改进的智能学习算法的摔倒预警方法,在传统BP算法的基础上进行了优化函数,加入自动分类校验技术,提取图像大概的参数,提高了应用的实时性;通过智能学习算法,根据环境因素进行学习,快速给出摔倒几率和需要监护人采取的措施,能够有效减小老年人摔倒的几率。
Description
技术领域
本发明涉及图像内容分析技术领域,特别涉及一种基于改进的智能学习算法的摔倒预警方法。
背景技术
图像内容分析技术是将获取到的实时图像进行分类,然后进行模式识别。目前这一技术的使用多在于考勤、门禁等设备上。在人脸识别方面,通过智能学习算法分析图像关键位置的数据从而判断图像的内容反馈给用户。
目前比较先进的人脸识别解决方案是基于主动近红外图像的多光源人脸识别技术。它可以克服光线变化的影响,已经取得了卓越的识别性能,在精度、稳定性和速度方面的整体系统性能超过三维图像人脸识别。这项技术在近两三年发展迅速,使人脸识别技术逐渐走向实用化。
人脸与人体的其它生物特征(指纹、虹膜等)一样与生俱来,它的唯一性和不易被复制的良好特性为身份鉴别提供了必要的前提,与其它类型的生物识别比较人脸识别具有如下特点:
非强制性:用户不需要专门配合人脸采集设备,几乎可以在无意识的状态下就可获取人脸图像,这样的取样方式没有“强制性”;
非接触性:用户不需要和设备直接接触就能获取人脸图像;
老年人走路摔倒在社会伦理和法制方面都曾是一时的热点,基于此,本发明提出了一种基于改进的智能学习算法的摔倒预警方法。通过摄取老年人表情的实时图像,然后采取图像的信息,通过分析图像的内容给出正确的判断,方便了理解老年人需求的解读,从而为在老年人保护方面有了保证。
发明内容
本发明为了弥补现有技术的缺陷,提供了一种简单高效的基于改进的智能学习算法的摔倒预警方法。
本发明是通过如下技术方案实现的:
一种基于改进的智能学习算法的摔倒预警方法,其特征在于:在用户的鞋底和膝盖布置传感器,用于实时感应重心的移动特点和偏移特性,并在改进的BP神经网络学习算法的基础上进行;首先通过摄像机获取高清图像,并均分为四个区,获取分区的信息,在数据库中通过改进的算法进行学习;结合经验值判断学习样本是否收敛,若不收敛则进行自我诊断并重新获取分区的信息,若收敛则通过传感器判断重用户迅速移动的可能性比较大,预警系统计算摔倒的概率,并将摔倒的概率和应急措施反馈给监护者;当重心偏移与场景学习到的内容和运动的方向不一致时,则继续学习。
所述改进的算法,是指根据摄像机获取的高清图像中的分区关键参数值以及相邻图像之间的差值,进行神经网络学习;通过设定权值将图像中每四分之一的区域信息作为初始参数,权值根据路径随机设置,根据设定的权值进行学习,学习的目标值为数据库中设定的标准值,在不断的学习过程中建立数据源和优化结果的标准关系;使之在输入数据和长期优化的经验值的指导下快速判断出图像内容类型并分析出所属于的类别。
所述改进的算法还接入了过滤功能,当发现数据错误或者明显误差时启动,将不会引起老年人兴趣的图像删除。
所述改进的算法在经过BP神经网络学习的基础上进行了改进,修改了优化函数f(x),加入了动态向量,样本是动态的,但是需要多次学习之间的联系,故引入了记忆保持值cache,通过学习和设定的标准进行比对,得出下一步的动作;所述改进的算法将每次学习之前三次的结果作为记忆值加入到本次学习的优化函数f(x)中,优化函数f(x)和输入函数Sj为所述改进的算法的学习优化工具;
所述优化函数f(x)计算公式如下:
其中,radom(x)为前N次的经验值函数,c为记忆保持值,x为某一个粒子的速度;
输入函数Sj计算公式如下:
其中,bj表示阈值,xi为输入,wij为权值,rand()是平衡值函数,Wj为第j次的权值,X为粒子的速度。
本发明的有益效果是:该基于改进的智能学习算法的摔倒预警方法,在传统BP算法的基础上进行了优化函数,加入自动分类校验技术,提取图像大概的参数,提高了应用的实时性;通过智能学习算法,根据环境因素进行学习,快速给出摔倒几率和需要监护人采取的措施,能够有效减小老年人摔倒的几率。
附图说明
附图1为本发明改进的BP神经网络原理原型示意图。
附图2为本发明改进的BP神经网络学习算法示意图。
附图3为本发明基于改进的智能学习算法的摔倒预警方法示意图。
具体实施方式
为了使本发明所要解决的技术问题、技术方案及有益效果更加清楚明白,以下结合附图及实施例,对本发明进行详细的说明。应当说明的是,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明。
该基于改进的智能学习算法的摔倒预警方法,在老人或孩子等行动不便的用户的鞋底和膝盖布置传感器,在鞋底有9个传感器,膝盖部位两边各有两个传感器,用于实时感应重心的移动特点和偏移特性,并在改进的BP神经网络学习算法的基础上进行;首先通过摄像机获取高清图像,并均分为四个区,获取分区的信息,在数据库中通过改进的算法进行学习;结合经验值判断学习样本是否收敛,若不收敛则进行自我诊断并重新获取分区的信息,若收敛则通过传感器判断重心是否偏移,当重心偏移与场景学习到的内容和运动的方向一致时,则表明老年人迅速移动的可能性比较大,预警系统计算摔倒的概率,并将摔倒的概率和应急措施反馈给监护者;当重心偏移与场景学习到的内容和运动的方向不一致时,则继续学习。
改进的BP神经网络原理原型如附图1所示,本发明是在原型的基础上进行了权值和目标值的动态改变,使得整个样本都有了活性。在学习过程中不再是单纯的迭代学习,而是伴随着记忆值进行优化,加入的随机权值更贴近于现实。
原始的BP网并不是十分的完善,它学习收敛速度太慢,网络的学习记忆具有不稳定性,即:当给一个训练好的网提供新的学习记忆模式时,将使已有的连接权值被打乱,导致已记忆的学习模式的信息的消失。在此基础上对BP神经网络算法加以改造,引入动量项,加入记忆值和自我过滤技术。
学习样本是不断变化的,所以误差E也是变化的,所以神经网络的学习是动态的,为了监视每次优化之间的联系,还要加入记忆功能,
所述改进的算法,是指根据摄像机获取的高清图像中的分区关键参数值以及相邻图像之间的差值,进行神经网络学习;通过设定权值将图像中每四分之一的区域作信息作为初始参数,权值根据路由随机设置,根据设定的权值进行学习,学习的目标值为数据库中设定的标准值,在不断的学习过程中建立数据源和优化结果的标准关系;使之在输入数据和长期优化的经验值的指导下快速判断出图像内容类型并分析出所属于的类别。
分析图像内容是本发明的一个技术要求点,通过对比图像的内容可以将场景中的图像进行模糊分类,比如撞击类,或者自发类。
计算公式:
R=G=B=(0.299R+0.587G+0.114B)/(0.299+0.587+0.117)=0.299R+0.587G+0.114B
获取每个图像的像素灰度值之和,每个图像取一个相同大小的区域,n张图的情况下,输入样本值就是4*n。
图像内容分类的数据库中存放着标准的图像像素的相对值记录,也就是一个老年人按照分区的原理,通过学习每个环境中可以引起老年人兴趣的内容,划分类别。所以在智能学习的情况下需要将有限的数据记录作为目标学习值,数据库的数据记录不会很多,但是要分类,本发明中学习算法根据分析出的图像内容类,进行进一步的学习来判断结果。每次运行完都会有专门的参数来保存这次的学习的最优值。
表1数据库数据记录
type | Trafic data | Attach data | TV data | Others |
silence | 10.1 | 1.3 | 15 | Stand up |
通过图像划分场景中的事物的分类,建立一个基本的数据库,该数据库中的记录是根据学习算法初始学习的结果。比如老年人对前面的玩具比较感兴趣,或者对前面的卫生工具感兴趣系统会提前根据场景中的内容进行学习,通过改进的BP神经网络学习算法学习,最终找到相似的数据记录,将有可能引起老年人兴趣的场景或者事物反馈回来。
所述改进的算法还接入了过滤功能,当发现数据错误或者明显误差时启动,将不会引起老年人兴趣的图像删除。过滤技术的添加使得离谱的数据样本在学习很少次数以后就淘汰了,将离谱的数据提前淘汰,比学习n次以后才发现数据不合法更加智能。
所述改进的算法在经过BP神经网络学习的基础上进行了改进,修改了优化函数f(x),加入了动态向量,动态向量是公式的一个必要参数保持公式平衡;样本是动态的,但是需要多次学习之间的联系,故引入了记忆保持值cache,通过学习和设定的标准进行比对,得出下一步的动作;所述改进的算法将每次学习之前三次的结果作为记忆值加入到本次学习的优化函数f(x)中,优化函数f(x)和输入函数Sj为所述改进的算法的学习优化工具;
所述优化函数f(x)计算公式如下:
其中,radom(x)为前N次的经验值函数,c为记忆保持值,x为某一个粒子的速度;
输入函数Sj计算公式如下:
其中,bj表示阈值,xi为输入,wij为权值,rand()是平衡值函数,Wj为第j次的权值,X为粒子的速度。
样本的选取也至关重要,样本的获取主要根据时间间隔内对数据流中的服务类型进行提取。
本发明能够更加精确的提供老年人的需求辅助,在现实生活中起到非常好的辅助作用。与现有技术相比,还具有以下优点:
(1)、改进的BP神经网络算法:在传统BP算法的基础上进行了优化函数,加入自动分类校验技术,提取图像大概的参数,提高了应用的实时性。
(2)、老年人重心感应点检测、重心偏移分析,老年人走路的时候主意原因是肢体不协调导致的重心不稳而摔倒,在鞋子和衣服上添加传感器,可以分析出着力点的位置以及短时间能的变化。
(3)、摔倒预警系统的设计,引起老年人摔倒的因素不光是自身协调因素,当老年人着急走路或者紧急避险,从而导致重心的不稳,所以环境因素也是导致老年人摔倒的关键,本系统通过智能学习算法,根据环境因素进行学习,快速给出摔倒几率和需要监护人采取的措施。
Claims (4)
1.一种基于改进的智能学习算法的摔倒预警方法,其特征在于:在用户的鞋底和膝盖布置传感器,用于实时感应重心的移动特点和偏移特性,并在改进的BP神经网络学习算法的基础上进行;首先通过摄像机获取高清图像,并均分为四个区,获取分区的信息,在数据库中通过改进的算法进行学习;结合经验值判断学习样本是否收敛,若不收敛则进行自我诊断并重新获取分区的信息,若收敛则通过传感器判断重用户迅速移动的可能性比较大,预警系统计算摔倒的概率,并将摔倒的概率和应急措施反馈给监护者;当重心偏移与场景学习到的内容和运动的方向不一致时,则继续学习。
2.根据权利要求1所述的基于改进的智能学习算法的摔倒预警方法,其特征在于:所述改进的算法,是指根据摄像机获取的高清图像中的分区关键参数值以及相邻图像之间的差值,进行神经网络学习;通过设定权值将图像中每四分之一的区域信息作为初始参数,权值根据路径随机设置,根据设定的权值进行学习,学习的目标值为数据库中设定的标准值,在不断的学习过程中建立数据源和优化结果的标准关系;使之在输入数据和长期优化的经验值的指导下快速判断出图像内容类型并分析出所属于的类别。
3.根据权利要求2所述的基于改进的智能学习算法的摔倒预警方法,其特征在于:所述改进的算法还接入了过滤功能,当发现数据错误或者明显误差时启动,将不会引起老年人兴趣的图像删除。
4.根据权利要求2或3所述的基于改进的智能学习算法的摔倒预警方法,其特征在于:所述改进的算法在经过BP神经网络学习的基础上进行了改进,修改了优化函数f(x),加入了动态向量,样本是动态的,但是需要多次学习之间的联系,故引入了记忆保持值cache,通过学习和设定的标准进行比对,得出下一步的动作;所述改进的算法将每次学习之前三次的结果作为记忆值加入到本次学习的优化函数f(x)中,优化函数f(x)和输入函数Sj为所述改进的算法的学习优化工具;
所述优化函数f(x)计算公式如下:
其中,radom(x)为前N次的经验值函数,c为记忆保持值,x为某一个粒子的速度;输入函数Sj计算公式如下:
其中,bj表示阈值,xi为输入,wij为权值,rand()是平衡值函数,Wj为第j次的权值,X为粒子的速度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610269969.8A CN105930871B (zh) | 2016-04-26 | 2016-04-26 | 一种基于改进的智能学习算法的摔倒预警方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610269969.8A CN105930871B (zh) | 2016-04-26 | 2016-04-26 | 一种基于改进的智能学习算法的摔倒预警方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105930871A CN105930871A (zh) | 2016-09-07 |
CN105930871B true CN105930871B (zh) | 2019-06-25 |
Family
ID=56837406
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610269969.8A Active CN105930871B (zh) | 2016-04-26 | 2016-04-26 | 一种基于改进的智能学习算法的摔倒预警方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105930871B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109064511B (zh) * | 2018-08-22 | 2022-02-15 | 广东工业大学 | 一种人体重心高度测量方法、装置及相关设备 |
CN117100255B (zh) * | 2023-10-25 | 2024-01-23 | 四川大学华西医院 | 一种基于神经网络模型进行防摔倒判定的方法和相关产品 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101571914A (zh) * | 2008-04-28 | 2009-11-04 | 株式会社日立制作所 | 异常行为检测装置 |
CN102117533A (zh) * | 2011-03-11 | 2011-07-06 | 北京航空航天大学 | 人体跌倒检测保护与报警装置 |
CN102227189A (zh) * | 2008-11-28 | 2011-10-26 | 皇家飞利浦电子股份有限公司 | 跌倒检测方法和装置 |
CN102800170A (zh) * | 2012-09-11 | 2012-11-28 | 重庆大学 | 基于多传感器的人体跌倒检测报警器 |
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 |
CN103903281A (zh) * | 2014-04-04 | 2014-07-02 | 西北工业大学 | 一种基于多特征分析和场景学习的老人摔倒检测方法 |
CN104574441A (zh) * | 2014-12-31 | 2015-04-29 | 浙江工业大学 | 一种基于gmm和时序模型的跌倒实时检测方法 |
CN104794463A (zh) * | 2015-05-11 | 2015-07-22 | 华东理工大学 | 基于Kinect实现室内人体跌倒检测的系统及方法 |
-
2016
- 2016-04-26 CN CN201610269969.8A patent/CN105930871B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101571914A (zh) * | 2008-04-28 | 2009-11-04 | 株式会社日立制作所 | 异常行为检测装置 |
CN102227189A (zh) * | 2008-11-28 | 2011-10-26 | 皇家飞利浦电子股份有限公司 | 跌倒检测方法和装置 |
CN102117533A (zh) * | 2011-03-11 | 2011-07-06 | 北京航空航天大学 | 人体跌倒检测保护与报警装置 |
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 |
CN102800170A (zh) * | 2012-09-11 | 2012-11-28 | 重庆大学 | 基于多传感器的人体跌倒检测报警器 |
CN103903281A (zh) * | 2014-04-04 | 2014-07-02 | 西北工业大学 | 一种基于多特征分析和场景学习的老人摔倒检测方法 |
CN104574441A (zh) * | 2014-12-31 | 2015-04-29 | 浙江工业大学 | 一种基于gmm和时序模型的跌倒实时检测方法 |
CN104794463A (zh) * | 2015-05-11 | 2015-07-22 | 华东理工大学 | 基于Kinect实现室内人体跌倒检测的系统及方法 |
Non-Patent Citations (5)
Title |
---|
《A Fall Detection Study Based on Neural Network Algorithm Using AHRS》;Qingbin Zhang等;《Proceeding of the IEEE International Conference on Information and Automation》;20130831;第773-779页 * |
《Sensor Fusion-oriented Fall Detection for Assistive Technologies Applications》;Stefano Cagnoni等;《2009 Ninth International Conference on Intelligent Systems Design and Applications》;20091231;第673-678页 * |
《Triaxial Accelerometer-Based Fall Detection Method Using a Self-Constructing Cascade-AdaBoost-SVM Classifier》;Wen-Chang Cheng等;《IEEE JOURNAL OF BIOMEDICAL AND HEALTH INFORMATICS》;20130331;第17卷(第2期);第411-419页 * |
《基于加速度特征的人体跌倒检测算法》;高晓娟等;《西安工程大学学报》;20150228;第29卷(第1期);第90-94页 * |
《基于压力传感器的跌倒检测系统研究》;石欣等;《仪器仪表学报》;20100331;第31卷(第3期);第715-720页 * |
Also Published As
Publication number | Publication date |
---|---|
CN105930871A (zh) | 2016-09-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Osareh | Automated identification of diabetic retinal exudates and the optic disc | |
CN101867699B (zh) | 基于分块的非特定目标实时跟踪方法 | |
CN105404894B (zh) | 无人机用目标追踪方法及其装置 | |
CN110458101A (zh) | 基于视频与设备结合的服刑人员体征监测方法及设备 | |
CN108288015A (zh) | 基于时间尺度不变性的视频中人体动作识别方法及系统 | |
CN105260715B (zh) | 面向偏僻地段的小动物目标检测方法 | |
CN113297900B (zh) | 基于yolo的视频流安全帽识别方法、装置、设备及存储介质 | |
CN103886305A (zh) | 面向基层治安、维稳及反恐的特异人脸搜索方法 | |
CN106874877A (zh) | 一种结合局部和全局特征的无约束人脸验证方法 | |
CN106295524A (zh) | 一种基于视觉词袋的人体动作识别方法 | |
CN105809713A (zh) | 基于在线Fisher判别机制增强特征选择的目标跟踪方法 | |
CN105930871B (zh) | 一种基于改进的智能学习算法的摔倒预警方法 | |
CN107862298A (zh) | 一种基于红外摄像装置下眨眼的活体检测方法 | |
Wang et al. | Accelerometer-based human fall detection using sparrow search algorithm and back propagation neural network | |
CN109711232A (zh) | 基于多目标函数的深度学习行人重识别方法 | |
CN107688828A (zh) | 一种基于手机传感器的公交车拥挤程度估测方法 | |
Li et al. | Disguised face detection and recognition under the complex background | |
Liu | A study of athlete pose estimation techniques in sports game videos combining multiresidual module convolutional neural networks | |
Liu et al. | DCMS-YOLOv5: A Dual-Channel and Multi-Scale Vertical Expansion Helmet Detection Model Based on YOLOv5. | |
Putro et al. | Fast person detector with efficient multi-level contextual block for supporting assistive robot | |
Chong et al. | Visual based fall detection with reduced complexity horprasert segmentation using superpixel | |
İNKAYA et al. | A YOLOv3-Based Smart City Application For Children’s Playgrounds | |
Bhing et al. | Personal protective equipment detection with live camera | |
Vignesh et al. | Mask Detection for Life Protection | |
Kruppa et al. | Context-driven model switching for visual tracking |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |