CN108960056B - 一种基于姿态分析和支持向量数据描述的跌倒检测方法 - Google Patents
一种基于姿态分析和支持向量数据描述的跌倒检测方法 Download PDFInfo
- Publication number
- CN108960056B CN108960056B CN201810536981.XA CN201810536981A CN108960056B CN 108960056 B CN108960056 B CN 108960056B CN 201810536981 A CN201810536981 A CN 201810536981A CN 108960056 B CN108960056 B CN 108960056B
- Authority
- CN
- China
- Prior art keywords
- human body
- support vector
- sample
- vector data
- data description
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/20—Movements or behaviour, e.g. gesture recognition
- G06V40/23—Recognition of whole body movements, e.g. for sport training
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
- G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
- G06V10/464—Salient features, e.g. scale invariant feature transforms [SIFT] using a plurality of salient features, e.g. bag-of-words [BoW] representations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
- G06V20/46—Extracting features or characteristics from the video content, e.g. video fingerprints, representative shots or key frames
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Psychiatry (AREA)
- Social Psychology (AREA)
- Human Computer Interaction (AREA)
- Health & Medical Sciences (AREA)
- Image Analysis (AREA)
- Alarm Systems (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
本发明公开了一种基于姿态分析和支持向量数据描述的跌倒检测方法,包括以下步骤:步骤1:获取采集区域内的视频数据,截取人体行为的关键帧;步骤2:将步骤1中每一帧图像通过基于深度学习的人体姿态估计模型得到人体关节点的坐标;步骤3:选取部分关节点的运动轨迹特征;步骤4:将步骤3得到的特征通过支持向量数据描述模型判断是否为跌倒;本发明能够很好的处理人的体积和形状并不固定、衣着变化多样、遮挡及非平衡数据中跌倒数据少等问题;自动化处理水平较高,具有较高的识别率和较低的误检率,可以极大减小老年人跌倒不能及时发现的风险。
Description
技术领域
本发明涉及摔倒监控安全领域,具体涉及一种基于姿态分析和支持向量数据描述的跌倒检测方法。
背景技术
科技的进步使得生活和医疗水平不断提高,人类的寿命不断提高;据官方统计,截止到2015年世界60岁以上的老年人口达到9.01亿,预计2050年将达到20亿;随着年龄的增长,老年人的身体机能逐步下降,意外摔倒的风险将逐年提高;摔倒已经成为导致65岁以上老年人意外死亡和受伤的最大诱因;老年人摔倒后,如能得到及时的救助,可以有效降低80%的死亡风险和26%的住院长期治疗风险;因此,如何对摔倒行为进行检测和报警具有重要的意义。
目前摔倒自动检测报警系统主要是通过可穿戴设备自动采集人体运动的加速度信息,综合人体加速度和运动时间之间的关系,判断人体是否摔倒以及是否需要求助;然而,可穿戴设备需要额外佩戴和充电,阻碍了实际使用的效果;如果老人忘记穿戴或者设备没电,此时一旦发生危险,不能及时报警求助,后果将不堪设想。
随着家庭安全监控的普及和计算机视觉技术的发展,基于视频的老人跌倒检测技术得到越来越多的关注;传统基于视频的跌倒检测方法是先确定视频中人体位置,然后提取特征,最后通过跌倒检测算法进行跌倒检测;这类方法往往在实际应用中不能很好的适用于日常生活情况,因为训练所用的数据集,情况简单并不符合实际情况;尤其现实生活中的场景复杂、遮挡问题严重,对人的识别容易出现误检和漏检;兵器实际跌倒样本不容易获得,造成真实的跌倒样本较少,提取的特征不能完全覆盖跌倒情况;国内近年来对通过2D人体姿态进行跌倒检测的方法有所研究,公开号为CN107103733A的中国发明专利“一种摔倒报警方法、装置及设备”,将环境视频处理成多帧第一图像序列;得到环境视频中人体的多个关键点,将多个关键点按预设规则生成第一关键点序列;根据多帧连续的第一图像序列对应的第一关键点序列判断人体是否摔倒,此方法容易产生误检、漏检。
发明内容
本发明提供一种适用于多种环境、具有较高的识别率和较低的误检率的基于姿态分析和支持向量数据描述的跌倒检测方法。
本发明采用的技术方案是:一种基于姿态分析和支持向量数据描述的跌倒检测方法,包括以下步骤:
步骤1:获取采集区域内的视频数据,截取人体行为的关键帧;
步骤2:将步骤1中每一帧图像通过基于深度学习的人体姿态估计模型得到人体关节点的坐标;
步骤3:选取部分关节点的运动轨迹特征;
步骤4:将步骤3得到的特征通过支持向量数据描述模型判断是否为跌倒。
进一步的,步骤3之前还包括对人体关节点的坐标进行归一化处理;具体处理过程如下:
选取肩部位置作为基准,纵坐标选择α倍的肩宽为基准;
式中:P为归一化后的坐标,x1,y1为中心点的横坐标和纵坐标,x2,y2为右肩膀的横坐标和纵坐标,x5,y5为左肩膀的横坐标和纵坐标,xn,yn为要归一化的横坐标和纵坐标。
进一步的,所述步骤3具体过程如下:
关节点i在时刻t的位置为pi(t),整个序列关节点i的运动轨迹为ci(t)=(pi(1),pi(2),...,pi(T));
动作A表示为:
A=ci(t),t∈[0,T],0≤i≤17。
进一步的,所述步骤4中判断是否跌倒的方法如下:
非跌倒样本被完全包围时的超球体球心为a,半径为R,对应的优化方程为:
S.L.R2+ξi-(xi-a)(xi-a)T≥0
式中:ζi为松弛变量,C为惩罚因子,N为样本总数,xi为第i个样本;
引入朗格朗日乘子对函数进行求解,得到:
式中:L为拉格朗日函数,αi为拉格朗日算子,αj为拉格朗日算子,xj为第j个样本;
对于新的测试样本z,若满足以下条件则为非跌倒样本,若否则为跌倒样本;
||z-a||2≤R2。
进一步的,所述步骤2中基于深度学习的人体姿态估计模型需首先进行训练,训练过程如下:
S1:获取人体关节点的标注图片;
S2:构建深度学习网络;
S3:将步骤S1中的图片通过深度学习网络进行训练,得到人体姿态估计模型。
进一步的,还包括以下步骤:
当步骤4判断为跌倒时,设置为发出警报。
进一步的,所述步骤3中选取六个关节点,分别为左肩膀、右肩膀、左臀部、右臀部、左膝盖、右膝盖。
本发明的有益效果是:
(1)本发明有效利用现有的视频设备,视频信息量更丰富,简单方便,可以应用于多种环境;
(2)本发明能够很好的处理人的体积和形状并不固定、衣着变化多样、遮挡及非平衡数据中跌倒数据少等问题;
(3)本发明的自动化处理水平较高,具有较高的识别率和较低的误检率,可以极大减小老年人跌倒不能及时发现的风险。
附图说明
图1为本发明人体关键点索引。
图2为本发明流程示意图。
具体实施方式
下面结合附图和具体实施例对本发明做进一步说明。
一种基于姿态分析和支持向量数据描述的跌倒检测方法,包括以下步骤:
步骤1:获取采集区域内的视频数据,截取人体行为的关键帧;通过视频采集器等设备获取采集区域内的视频数据,本实施例中所用的设备包括工业摄像机和工控计算机,计算机通过接口驱动CCD摄像机获取影像;截取人体行为的关键帧,可以清楚的是,可以根据具体情况,设置每秒提取多少帧图像;例如设置每秒内提取10帧图像,然后每2秒组成一个样本。
步骤2:将步骤1中每一帧图像通过基于深度学习的人体姿态估计模型得到人体关节点的坐标。
关键点索引如图1,得到对应图像中人体关节点的坐标的步骤之前,还包括对所述基于深度学习算法的人体姿态估计模型进行训练;训练过程如下:
S1:获取人体关节点的标注图片;在此采用COCO数据集,并对图片中的人物进行标注,并对图片进行旋转、缩放等变化扩充数据集;将数据转换为LMDB格式;
S2:构建深度学习网络;把网络结构写成caffe接受的prototxt格式;
S3:将步骤S1中的图片通过深度学习网络进行训练,得到人体姿态估计模型。
步骤3:选取部分关节点的运动轨迹特征;
在提取特征前首先要消除对于个人身体的差异和距离摄像头的远近,造成的坐标差距过大的问题;采用归一化的方式进行处理,消除这些差异;在实际运动过程中,肩部的距离相对稳定,因此,肩部的位置可以被用作基准;因为人体身高约等于人体肩宽的α倍,所以纵坐标选择α倍的肩宽为基准。
式中:P为归一化后的坐标,x1,y1为中心点的横坐标和纵坐标,x2,y2为右肩膀的横坐标和纵坐标,x5,y5为左肩膀的横坐标和纵坐标,xn,yn为要归一化的横坐标和纵坐标;本实施例中α取4。
一个关节点的运动轨迹是由该关节点不同时刻的位置向量构成的序列;设关节点i在时刻t的位置为pi(t),整个序列关节点i的运动轨迹为ci(t)=(pi(1),pi(2),...,pi(T));
动作A表示为:
A=ci(t),t∈[0,T],0≤i≤17。
关节点空间位置的变化反映了人体动作的变化过程;所有关节点的空间运动轨迹完整地描述了人体动作。
由于生活中很容易出现遮挡问题,造成关节点识别不到或者识别错误,又因为部分关节点的运动轨迹就能很好的表示出行为,可以采用部分关节点的运动轨迹特征;通过实验可以看出采用六个关节点的运动轨迹特征时效果最好;并且较少的关节点个数也为后续步骤减少运算量;本实施例中选取六个关键点分别为:左肩膀、右肩膀、左臀部、右臀部、左膝盖和右膝盖。
步骤4:将步骤3得到的特征通过支持向量数据描述模型判断是否为跌倒。
在把特征输入模型之前,还包括对支持向量数据描述模型的训练;支持向量数据描述模型的训练步骤如下:
(1)首先获取非跌倒数据视频,并提取关键帧;
(2)把关键帧输入深度学习的姿态估计模型;
(3)获得关键点后利用算法提取特征;
(4)把特征输入支持向量数据描述模型进行训练。
实际生活中很容易采集到大量非跌倒样本数据,而真实跌倒数据较难获取,对于这样的非平衡数据利用支持向量数据描述算法对非跌倒样本的特征数据进行训练并得到模型;支持向量数据描述算法是一种一类分类算法,其基本思想是通过对一类数据进行训练得到其训练边界,即超球体的边界;判断测试样本时,通过判断测试样本与其边界的关系,若在边界内,则为非跌倒数据,相反,为跌倒数据。
设非跌倒样本被完全包围时的超球体球心为a,半径为R,对应的优化方程为:
S.L.R2+ξi-(xi-a)(xi-a)T≥0
式中:ζi为松弛变量,C为惩罚因子,N为样本总数,xi为第i个样本;
对于上式这一典型二次规划问题,通过引入朗格朗日乘子对函数进行求解,得到:
式中:L为拉格朗日函数,αi为拉格朗日算子,αj为拉格朗日算子,xj为第j个样本;
对于新的测试样本z,若满足以下条件则为非跌倒样本,若否则为跌倒样本;
||z-a||2≤R2。
一般情况下,除去异常数据点后数据依旧不会呈球状分布,因此引入核函数K,将低维空间中的非线性问题转化为高维中的线性问题;构造超球体时,为了降低异常数据点被纳入正常域的影响,引入了惩罚因子C和松弛变量;由于正常域边界主要由惩罚因子C和核函数中的参数g决定,因此发明中采用了参数寻优的方法对设定阈值范围内的C和g进行寻优,以找到最优参数组。
当判断为跌倒时,通过设备发出警报,通过相关实验验证可知,本发明方法能够很好地判断人体跌倒行为。
本发明采集视频帧数据并截取人体行为的关键帧,针对传统方法在对于遮挡问题有可能造成的识别错误的问题,引入姿态估计,识别出人体关节点的坐标,这样即使出现遮挡也能识别出大部分关节;将每一帧所述的图像输入到基于深度学习算法的人体姿态估计模型,得到图片中人体关节点对应的坐标;采用算法对坐标进行处理,消除个人身体的差异和距离摄像头的远近造成的坐标差异过大;并利用处理后的坐标构成人体运动轨迹特征;针对实际中非跌倒数据样本容易获取,而跌倒样本获取困难且较少的特点,引入基于一类分类的支持向量数据描述方法,利用支持向量数据描述算法形成非跌倒样本特征训练的正常域,通过此边界实现对人体的跌倒检测;本发明可以有效的处理人的体积和形状并不固定、衣着变化多样、遮挡及非平衡数据中跌倒数据少等问题;自动化水平较高,具有较高的识别率和较低的误检率,可以极大减小老年人跌倒不能及时发现的风险的同时保证使用的方便性。
Claims (5)
1.一种基于姿态分析和支持向量数据描述的跌倒检测方法,其特征在于,包括以下步骤:
步骤1:获取采集区域内的视频数据,截取人体行为的关键帧;
步骤2:将步骤1中每一帧图像通过基于深度学习的人体姿态估计模型得到人体关节点的坐标;
步骤3:选取部分关节点的运动轨迹特征;在提取特征前对人体关节点的坐标进行归一化处理;具体处理过程如下:
选取肩部位置作为基准,纵坐标选择α倍的肩宽为基准;
式中:P为归一化后的坐标,x1,y1为中心点的横坐标和纵坐标,x2,y2为右肩膀的横坐标和纵坐标,x5,y5为左肩膀的横坐标和纵坐标,xn,yn为要归一化的横坐标和纵坐标;
步骤4:将步骤3得到的特征通过支持向量数据描述模型判断是否为跌倒;
非跌倒样本被完全包围时的超球体球心为a,半径为R,对应的优化方程为:
S.L.R2+ξi-(xi-a)(xi-a)T≥0
式中:ζi为松弛变量,C为惩罚因子,N为样本总数,xi为第i个样本;
引入朗格朗日乘子对函数进行求解,得到:
式中:L为拉格朗日函数,αi为拉格朗日算子,αj为拉格朗日算子,xj为第j个样本;
对于新的测试样本z,若满足以下条件则为非跌倒样本,若否则为跌倒样本;
||z-a||2≤R2。
2.根据权利要求1所述的一种基于姿态分析和支持向量数据描述的跌倒检测方法,其特征在于,所述步骤3具体过程如下:
关节点i在时刻t的位置为pi(t),整个序列关节点i的运动轨迹为ci(t)=(pi(1),pi(2),...,pi(T));
动作A表示为:
A=ci(t),t∈[0,T],0≤i≤17。
3.根据权利要求1所述的一种基于姿态分析和支持向量数据描述的跌倒检测方法,其特征在于,所述步骤2中基于深度学习的人体姿态估计模型需首先进行训练,训练过程如下:
S1:获取人体关节点的标注图片;
S2:构建深度学习网络;
S3:将步骤S1中的图片通过深度学习网络进行训练,得到人体姿态估计模型。
4.根据权利要求1所述的一种基于姿态分析和支持向量数据描述的跌倒检测方法,其特征在于,还包括以下步骤:
当步骤4判断为跌倒时,设置为发出警报。
5.根据权利要求1所述的一种基于姿态分析和支持向量数据描述的跌倒检测方法,其特征在于,所述步骤3中选取六个关节点,分别为左肩膀、右肩膀、左臀部、右臀部、左膝盖、右膝盖。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810536981.XA CN108960056B (zh) | 2018-05-30 | 2018-05-30 | 一种基于姿态分析和支持向量数据描述的跌倒检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810536981.XA CN108960056B (zh) | 2018-05-30 | 2018-05-30 | 一种基于姿态分析和支持向量数据描述的跌倒检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108960056A CN108960056A (zh) | 2018-12-07 |
CN108960056B true CN108960056B (zh) | 2022-06-03 |
Family
ID=64492934
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810536981.XA Active CN108960056B (zh) | 2018-05-30 | 2018-05-30 | 一种基于姿态分析和支持向量数据描述的跌倒检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108960056B (zh) |
Families Citing this family (28)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109726672B (zh) * | 2018-12-27 | 2020-08-04 | 哈尔滨工业大学 | 一种基于人体骨架序列和卷积神经网络的摔倒检测方法 |
US11179064B2 (en) * | 2018-12-30 | 2021-11-23 | Altum View Systems Inc. | Method and system for privacy-preserving fall detection |
CN110096616B (zh) * | 2019-04-25 | 2023-05-26 | 南京邮电大学 | 一种基于二维姿态估计的运动训练姿态分析方法 |
CN110472473A (zh) * | 2019-06-03 | 2019-11-19 | 浙江新再灵科技股份有限公司 | 基于姿态估计检测扶梯上人跌倒的方法 |
CN110287825B (zh) * | 2019-06-11 | 2022-12-02 | 沈阳航空航天大学 | 一种基于关键骨骼点轨迹分析的摔倒动作检测方法 |
CN112120703A (zh) * | 2019-06-25 | 2020-12-25 | 株式会社日立制作所 | 一种跌倒风险评估方法及装置 |
CN110457999B (zh) * | 2019-06-27 | 2022-11-04 | 广东工业大学 | 一种基于深度学习和svm的动物姿态行为估计与心情识别方法 |
CN110490070A (zh) * | 2019-07-12 | 2019-11-22 | 浙江省北大信息技术高等研究院 | 一种基于人体姿态估计的跌倒检测方法 |
CN110490080B (zh) * | 2019-07-22 | 2023-05-09 | 毕昇云(武汉)信息技术有限公司 | 一种基于图像的人体跌倒判别方法 |
CN110555463B (zh) * | 2019-08-05 | 2022-05-03 | 西北工业大学 | 一种基于步态特征的身份识别方法 |
CN110490126B (zh) * | 2019-08-15 | 2023-04-18 | 成都睿晓科技有限公司 | 一种基于人工智能的保险柜安全管控系统 |
CN110598569B (zh) * | 2019-08-20 | 2022-03-08 | 江西憶源多媒体科技有限公司 | 一种基于人体姿态数据的动作识别方法 |
CN110532966A (zh) * | 2019-08-30 | 2019-12-03 | 深兰科技(上海)有限公司 | 一种基于分类模型进行跌倒识别的方法及设备 |
CN110738154A (zh) * | 2019-10-08 | 2020-01-31 | 南京熊猫电子股份有限公司 | 一种基于人体姿态估计的行人摔倒检测方法 |
CN111091060B (zh) * | 2019-11-20 | 2022-11-04 | 吉林大学 | 基于深度学习的跌倒和暴力检测方法 |
CN111027417B (zh) * | 2019-11-21 | 2023-09-01 | 复旦大学 | 基于人体关键点检测算法的步态识别方法及步态评估系统 |
CN111209848B (zh) * | 2020-01-03 | 2023-07-21 | 北京工业大学 | 一种基于深度学习的实时跌倒检测方法 |
CN111274954B (zh) * | 2020-01-20 | 2022-03-15 | 河北工业大学 | 基于改进姿态估计算法的嵌入式平台实时跌倒检测方法 |
CN113284607A (zh) * | 2020-02-20 | 2021-08-20 | 艾科科技股份有限公司 | 时间连续性侦测判断系统及方法 |
CN111444812A (zh) * | 2020-03-23 | 2020-07-24 | 星汉智能科技股份有限公司 | 一种用于公安日常训练的人体姿态评估方法及系统 |
CN111898518A (zh) * | 2020-07-28 | 2020-11-06 | 中移(杭州)信息技术有限公司 | 一种摔倒检测方法、电子设备和存储介质 |
CN112115827B (zh) * | 2020-09-09 | 2022-06-07 | 中南大学 | 基于人体姿态动态特征的跌倒行为识别方法 |
CN111881898B (zh) * | 2020-09-27 | 2021-02-26 | 西南交通大学 | 基于单目rgb图像的人体姿态检测方法 |
CN112380946B (zh) * | 2020-11-09 | 2022-12-16 | 苏州爱可尔智能科技有限公司 | 一种基于端侧ai芯片的跌倒检测方法及装置 |
CN112906548B (zh) * | 2021-02-07 | 2024-05-28 | 广东省科学院智能制造研究所 | 一种基于边缘计算的跌倒检测方法及系统 |
CN112782664B (zh) * | 2021-02-22 | 2023-12-12 | 四川八维九章科技有限公司 | 一种基于毫米波雷达的卫生间跌倒检测方法 |
CN112906667B (zh) * | 2021-04-07 | 2023-05-02 | 南开大学 | 基于三维人体关键点的人体姿态分层分类方法 |
CN117671799A (zh) * | 2023-12-15 | 2024-03-08 | 武汉星巡智能科技有限公司 | 结合深度测量的人体跌倒检测方法、装置、设备及介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105930767A (zh) * | 2016-04-06 | 2016-09-07 | 南京华捷艾米软件科技有限公司 | 一种基于人体骨架的动作识别方法 |
CN106875630A (zh) * | 2017-03-13 | 2017-06-20 | 中国科学院计算技术研究所 | 一种基于层次分类的可穿戴跌倒检测方法及系统 |
CN107103733A (zh) * | 2017-07-06 | 2017-08-29 | 司马大大(北京)智能系统有限公司 | 一种摔倒报警方法、装置及设备 |
CN107220604A (zh) * | 2017-05-18 | 2017-09-29 | 清华大学深圳研究生院 | 一种基于视频的跌倒检测方法 |
CN107293175A (zh) * | 2017-08-04 | 2017-10-24 | 华中科技大学 | 一种基于体感技术的机车手信号操作训练方法 |
CN107563431A (zh) * | 2017-08-28 | 2018-01-09 | 西南交通大学 | 一种结合cnn迁移学习和svdd的图像异常检测方法 |
Family Cites Families (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP4886707B2 (ja) * | 2008-01-09 | 2012-02-29 | 日本放送協会 | オブジェクト軌道識別装置、オブジェクト軌道識別方法、及びオブジェクト軌道識別プログラム |
WO2009090584A2 (en) * | 2008-01-18 | 2009-07-23 | Koninklijke Philips Electronics N.V. | Method and system for activity recognition and its application in fall detection |
CN103211599A (zh) * | 2013-05-13 | 2013-07-24 | 桂林电子科技大学 | 一种监测跌倒的方法及装置 |
CN104679860B (zh) * | 2015-02-27 | 2017-11-07 | 北京航空航天大学 | 一种不平衡数据的分类方法 |
CN104598936B (zh) * | 2015-02-28 | 2018-07-27 | 北京畅景立达软件技术有限公司 | 人脸图像面部关键点的定位方法 |
GB201506444D0 (en) * | 2015-04-16 | 2015-06-03 | Univ Essex Entpr Ltd | Event detection and summarisation |
CN105320944B (zh) * | 2015-10-24 | 2019-09-27 | 西安电子科技大学 | 一种基于人体骨架运动信息的人体行为预测方法 |
CN105913559B (zh) * | 2016-04-06 | 2019-03-05 | 南京华捷艾米软件科技有限公司 | 一种基于体感技术的银行atm机智能监控方法 |
CN105956514B (zh) * | 2016-04-15 | 2019-07-23 | 南京航空航天大学 | 一种振动数据驱动的直升机旋翼异常检测方法 |
CN106650562A (zh) * | 2016-06-14 | 2017-05-10 | 西安电子科技大学 | 一种基于Kinect的在线连续人体行为识别方法 |
CN106446931A (zh) * | 2016-08-30 | 2017-02-22 | 苏州大学 | 基于支持向量数据描述的特征提取及分类方法及其系统 |
CN107808111B (zh) * | 2016-09-08 | 2021-07-09 | 北京旷视科技有限公司 | 用于行人检测和姿态估计的方法和装置 |
CN106650619A (zh) * | 2016-11-15 | 2017-05-10 | 上海师范大学 | 一种人体动作识别方法 |
CN107506706A (zh) * | 2017-08-14 | 2017-12-22 | 南京邮电大学 | 一种基于三维摄像头的人体跌倒检测方法 |
CN107729876A (zh) * | 2017-11-09 | 2018-02-23 | 重庆医科大学 | 基于计算机视觉的老人室内跌倒检测方法 |
-
2018
- 2018-05-30 CN CN201810536981.XA patent/CN108960056B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105930767A (zh) * | 2016-04-06 | 2016-09-07 | 南京华捷艾米软件科技有限公司 | 一种基于人体骨架的动作识别方法 |
CN106875630A (zh) * | 2017-03-13 | 2017-06-20 | 中国科学院计算技术研究所 | 一种基于层次分类的可穿戴跌倒检测方法及系统 |
CN107220604A (zh) * | 2017-05-18 | 2017-09-29 | 清华大学深圳研究生院 | 一种基于视频的跌倒检测方法 |
CN107103733A (zh) * | 2017-07-06 | 2017-08-29 | 司马大大(北京)智能系统有限公司 | 一种摔倒报警方法、装置及设备 |
CN107293175A (zh) * | 2017-08-04 | 2017-10-24 | 华中科技大学 | 一种基于体感技术的机车手信号操作训练方法 |
CN107563431A (zh) * | 2017-08-28 | 2018-01-09 | 西南交通大学 | 一种结合cnn迁移学习和svdd的图像异常检测方法 |
Non-Patent Citations (1)
Title |
---|
基于人体姿态时空变化的摔倒事件检测研究;王俊;《中国优秀硕士学位论文全文数据库 信息科技辑》;20160715(第7期);第I138-1104页 * |
Also Published As
Publication number | Publication date |
---|---|
CN108960056A (zh) | 2018-12-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108960056B (zh) | 一种基于姿态分析和支持向量数据描述的跌倒检测方法 | |
Chen et al. | Robust activity recognition for aging society | |
Dikovski et al. | Evaluation of different feature sets for gait recognition using skeletal data from Kinect | |
CN110287825B (zh) | 一种基于关键骨骼点轨迹分析的摔倒动作检测方法 | |
CN107480586B (zh) | 基于人脸特征点位移的生物识别照片仿冒攻击检测方法 | |
CN105138967B (zh) | 基于人眼区域活动状态的活体检测方法和装置 | |
CN110575663A (zh) | 一种基于人工智能的体育辅助训练方法 | |
CN111914643A (zh) | 一种基于骨骼关键点检测的人体动作识别方法 | |
US20230040650A1 (en) | Real-time, fine-resolution human intra-gait pattern recognition based on deep learning models | |
Qian et al. | Home environment fall detection system based on a cascaded multi-SVM classifier | |
Mehrizi et al. | Automatic health problem detection from gait videos using deep neural networks | |
Ge et al. | Human fall detection using segment-level CNN features and sparse dictionary learning | |
Dileep et al. | Suspicious human activity recognition using 2D pose estimation and convolutional neural network | |
Bandini et al. | A wearable vision-based system for detecting hand-object interactions in individuals with cervical spinal cord injury: First results in the home environment | |
Li et al. | Dynamic long short-term memory network for skeleton-based gait recognition | |
Dai | Vision-based 3d human motion analysis for fall detection and bed-exiting | |
Khan et al. | Video analytic for fall detection from shape features and motion gradients | |
CN112257559A (zh) | 一种基于生物个体步态信息的身份识别方法 | |
Uddin et al. | A thermal camera-based activity recognition using discriminant skeleton features and rnn | |
CN114639168B (zh) | 一种用于跑步姿态识别的方法和系统 | |
Arisandi et al. | Human Detection and Identification for Home Monitoring System | |
Kaluža et al. | Fall detection and activity recognition methods for the confidence project: a survey | |
CN114255509A (zh) | 一种基于OpenPose的学生监督辅助工具 | |
Kareem et al. | Multimodal approach for fall detection based on support vector machine | |
Ismail et al. | Human gesture recognition using a low cost stereo vision in rehab activities |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |