CN110532966A

CN110532966A - 一种基于分类模型进行跌倒识别的方法及设备

Info

Publication number: CN110532966A
Application number: CN201910819035.0A
Authority: CN
Inventors: 陈海波
Original assignee: Deep Blue Technology Shanghai Co Ltd
Current assignee: Deep Blue Technology Shanghai Co Ltd
Priority date: 2019-08-30
Filing date: 2019-08-30
Publication date: 2019-12-03

Abstract

本发明公开了一种基于分类模型进行跌倒识别的方法及设备，该方法包括：获取包含人体目标的目标图像，并提取所述目标图像中反映人体指定部位弯曲角度的预设点的坐标；将所述预设点的坐标作为输入特征输入到分类模型，根据所述分类模型的输出特征确定是否为跌倒状态，其中，预先采集多个图像样本，并提取图像样本中反应人体指定部位弯曲角度的预设点的坐标，并确定该图像样本的人体的姿态，将所述提取的预设点的坐标作为输入特征，将对应的人体的姿态作为输出特征，对分类模型进行训练。本发明通过提取目标图像的相关数据作为分类模型的输入特征，利用分类模型对所述目标图像进行识别，增加了识别的准确性，提高了识别的效率。

Description

一种基于分类模型进行跌倒识别的方法及设备

技术领域

本发明涉及图像识别技术领域，尤其涉及一种基于分类模型进行跌倒识别的方法及设备。

背景技术

我国社会的老龄化问题日益加剧，其中老年人的健康安全监护问题的需求日益增加。老年人由于肌肉能力退化，成为易跌倒人群，根据调查49.7％的城市老人独自居住，每年有25％的70岁以上老人在家中发生跌倒，在跌倒后会面临双重危险，首先是跌倒本身直接造成的人体伤害，其次是如果跌倒后不能得到及时的救助，可能会导致更加严重的后果，因此跌倒是老年人群伤残、失能和死亡的重要原因之一，严重影响老年人日常生活能力、身体健康及精神状态，会给老年人造成巨大伤害，伤痛、慢性病急性发作、生活质量急剧下降及沉重的医疗负担往往接踵而至，会给家庭和社会增加巨大的负担。

因此，如何预知老人跌倒的风险并最大限度地减少跌伤程度，往往是亲属们最为关心的问题，能够随时检测老年人跌倒事件的发生，让老年人能够及时获得救治就显得极为重要，这引起了跌倒检测系统研制的兴起，它能够有效检测老年人是否发生跌倒并及时报警，保护了老年人群的健康与安全。

在现有的识别人体跌倒的方法中，基于雷达的人体运动状态识别，存在对定位精度要求高，作用距离有限，对于一些复杂的跌倒行为识别率不高等问题。采用三维加速度传感器进行跌倒识别，存在仅通过加速度进行跌倒识别，无法识别人体正常的下蹲、弯腰等动作，导致跌倒识别不准确，误报率较高的问题。

发明内容

本发明提供一种基于分类模型进行跌倒识别的方法及设备，解决了现有技术中识别跌倒的方法速率低，识别准确率不高的问题。

为了解决上述的技术问题，本发明提供了一种基于分类模型进行跌倒识别的方法及设备，具体包括：

依照本发明第一方面，提供一种识别跌倒的方法，该方法包括：

获取包含人体目标的目标图像，并提取所述目标图像中反映人体指定部位弯曲角度的预设点的坐标；

将所述预设点的坐标作为输入特征输入到分类模型，根据所述分类模型的输出特征确定是否为跌倒状态，其中，预先采集多个图像样本，并提取图像样本中反应人体指定部位弯曲角度的预设点的坐标，并确定该图像样本的人体的姿态，将所述提取的预设点的坐标作为输入特征，将对应的人体的姿态作为输出特征，对分类模型进行训练，所述姿态包括跌倒状态和非跌倒状态。

在一种可能的实现方式中，所述多个图像样本包括训练图像样本和测试图像样本，对分类模型进行训练，包括：

随机化深度学习网络模型的模型参数得到初始的分类模型；

触发模型训练时，利用预设数量的训练图像样本的预设点坐标作为输入特征，将对应的人体的姿态作为输出特征，对当前的分类模型进行一次训练；

该次训练结束后，利用所述测试图像样本中的预设点坐标作为输入特征输入到分类模型，将得到的输出特征与对应测试样本中的人体的姿态进行比较，确定测试结果满足预设精度要求时，结束训练过程，否则重新触发模型训练。

在一种可能的实现方式中，对当前分类模型的训练过程中，所述分类模型根据输入特征和输出特征，通过损失函数调整模型参数。

在一种可能的实现方式中，每次训练结束后，确定测试结果不满足预设精度要求时，还包括：

从所述多个图像样本中未训练的训练图像样本中，利用当前分类模型重新筛选出预设数量的训练图像样本，并重新触发模型训练。

在一种可能的实现方式中，利用当前分类模型重新筛选出预设数量的训练图像样本，包括：

将所述未经训练的每个训练图像样本中反映人体指定部位弯曲角度的预设点的坐标作为输入特征，输入到当前的预测分类模型，根据所述分类模型的输出特征评估该训练图像样本的有效性；

从所有有效性满足预设要求的训练图像样本中，筛选出预设数量的训练图像样本。

在一种可能的实现方式中，所述分类模型为采用如下任一分类算法构建的分类模型，包括：

决策树分类算法、随机森林分类算法、逻辑回归分类算法、神经网络分类算法。

在一种可能的实现方式中，所述图像样本中跌倒状态包括倾斜状态、躺卧状态、趴下状态，所述图像样本中的非跌倒状态包括站立状态、坐着状态和蹲着状态。

依照本发明第二方面，提供一种基于分类模型进行跌倒识别的设备，所述设备包括存储器和中央处理器，其中，所述存储器用于存储所述中央处理器可执行的程序，所述中央处理器，用于读取所述存储器中的程序并执行下列过程：

在一种可能的实现方式中，所述多个图像样本包括训练图像样本和测试图像样本，所述中央处理器对分类模型进行训练，包括：

随机化深度学习网络模型的模型参数得到初始的分类模型；

在一种可能的实现方式中，所述中央处理器对当前分类模型的训练过程中，所述分类模型根据输入特征和输出特征，通过损失函数调整模型参数。

在一种可能的实现方式中，所述中央处理器每次训练结束后，确定测试结果不满足预设精度要求时，还包括：

在一种可能的实现方式中，所述中央处理器利用当前分类模型重新筛选出预设数量的训练图像样本，包括：

依照本发明第三方面，提供一种基于分类模型进行跌倒识别的设备，包括：

特征提取模块，用于获取包含人体目标的目标图像，并提取所述目标图像中反映人体指定部位弯曲角度的预设点的坐标；

分类模块，用于将所述预设点的坐标作为输入特征输入到分类模型，根据所述分类模型的输出特征确定是否为跌倒状态，其中，预先采集多个图像样本，并提取图像样本中反应人体指定部位弯曲角度的预设点的坐标，并确定该图像样本的人体的姿态，将所述提取的预设点的坐标作为输入特征，将对应的人体的姿态作为输出特征，对分类模型进行训练，所述姿态包括跌倒状态和非跌倒状态。

所述多个图像样本包括训练图像样本和测试图像样本，所述分类模块对分类模型进行训练，包括：

随机化深度学习网络模型的模型参数得到初始的分类模型；

在一种可能的实现方式中，所述分类模块对当前分类模型的训练过程中，所述分类模型根据输入特征和输出特征，通过损失函数调整模型参数。

在一种可能的实现方式中，所述分类模块每次训练结束后，确定测试结果不满足预设精度要求时，还包括：

在一种可能的实施方式中，所述分类模型利用当前分类模型重新筛选出预设数量的训练图像样本，包括：

在一种可能的实施方式中，所述分类模型为采用如下任一分类算法构建的分类模型，包括：

在一种可能的实施方式中，所述图像样本中跌倒状态包括倾斜状态、躺卧状态、趴下状态，所述图像样本中的非跌倒状态包括站立状态、坐着状态和蹲着状态。

提供一种计算机存储介质，所述计算机存储介质存储有计算机程序，该计算机程序被执行时实现上述的方法。

本发明提供的一种基于分类模块进行跌倒识别的方法及设备，与现有技术相比，具有如下优点和有益效果：

本发明通过提取目标图像中反映人体指定部位弯曲角度的预设点的坐标，作为识别人体目标是否为跌倒状态的依据，同时通过分类模型对所述目标图像进行识别，增加了识别的准确性，提高了识别的效率。

附图说明

图1为实施例一提供的一种基于分类模型进行跌倒识别的方法示意图；

图2为实施例二提供的一种基于分类模型进行跌倒识别的设备示意图；

图3为本发明实施例提供的分类模型进行训练的方法流程图；

图4为实施例二提供的另一种基于分类模型进行跌倒识别的设备示意图。

具体实施方式

为了使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作进一步地详细描述，显然，所描述的实施例仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。

下面对文中出现的一些词语进行解释：

1、本发明实施例中术语“和/或”，描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。

2、本发明实施例中术语“目标”，指待识别的人体目标。

本发明实施例描述的应用场景是为了更加清楚的说明本发明实施例的技术方案，并不构成对于本发明实施例提供的技术方案的限定，本领域普通技术人员可知，随着新应用场景的出现，本发明实施例提供的技术方案对于类似的技术问题，同样适用。其中，在本发明的描述中，除非另有说明，“多个”的含义是两个或两个以上。

在现实生活中，需要对一些特殊人群或者特殊场合的行人的行为进行识别，特别是幼儿、老人等，以及在幼儿园、养老院以及医院的行人，或者车站、商场等公共场合的行人，以便在其即将或正在跌倒时，为其或其周围的人发出提醒，以帮助即将或正在跌倒的行人，预防更大的安全事故发生。

基于上述场景，本发明提供一种基于分类模型进行跌倒识别的方法和设备。

下面结合说明书附图对本发明实施例做进一步详细描述。

实施例一

本发明提供一种基于分类模型进行跌倒识别的方法，如图1所示，包括：

步骤101，获取包含人体目标的目标图像，并提取所述目标图像中反映人体指定部位弯曲角度的预设点的坐标；

在上述步骤101中，通过图像采集设备获取包含人体目标的目标图像，上述图像采集设备可以是设置在需要监控场所的摄像头，如设置在幼儿园教室或操场的摄像头，设置在养老院的房间或室外公共区域的摄像头，或者是设置在医院等的摄像头。

作为一种可选的实施方式，可以但不局限于采用一个/多个普通摄像头/旋转摄像头，对上述人体目标进行固定角度/多角度拍照，获取上述人体目标的目标图像；

在上述步骤101获取人体目标的目标图像时，若获取的是人体目标的多个角度的图像，可以但不局限于从中选择一张像素最佳/包含上述人体目标的图像作为输入特征识别模型的目标图像，对此不做过多限定，本领域的技术人员可根据实际需求设置。

应当理解的是，上述包含人体目标的目标图像可以为包含人体指定部位的目标图像，所述人体指定部位可以是人体腿部或人体上半部，此处不对人体指定部位做限定，本领域相关技术人员可以根据实际情况进行设置。

在上述步骤101中，为目标图像建立坐标系，提取所述目标图像中反映人体指定部位弯曲角度的预设点的坐标，此处不对建立坐标系的方式做限定，本领域相关技术人员可根据实际情况建立。

步骤102，将所述预设点的坐标作为输入特征输入到分类模型，根据所述分类模型的输出特征确定是否为跌倒状态。

本实施例中，预先采集多个图像样本，并提取图像样本中反应人体指定部位弯曲角度的预设点的坐标，并确定该图像样本的人体的姿态，将所述提取的预设点的坐标作为输入特征，将对应的人体的姿态作为输出特征，对分类模型进行训练，所述姿态包括跌倒状态和非跌倒状态

在分类模型训练过程中，从图像样本中提取反应人体指定部位弯曲角度的预设点的坐标的方式，与进行跌倒识别时的提取方式相同，这里不再重述。

本实施例的分类模型训练过程，可以图像样本分为训练样本和测试样本，抽取一定数量的训练样本完成一次训练，利用测试样本进行测试，如果测试通过，则训练过程结束，否则，重新触发抽取一定数量的样本进行训练，如图2所示，具体包括如下步骤：

步骤201，随机化深度学习网络模型的模型参数得到初始的分类模型；

步骤202，触发模型训练时，利用预设数量的训练图像样本的预设点坐标作为输入特征，将对应的人体的姿态作为输出特征，对当前的分类模型进行一次训练；

步骤203，完成该次训练后，利用所述测试图像样本中的预设点坐标作为输入特征输入到分类模型，将得到的输出特征与对应测试样本中的人体的姿态进行比较，确定测试结果是否满足预设精度要求，若是执行步骤S204，否则返回步骤202重新触发模型训练。

在实施中，由于提取所述目标图像中反映人体指定部位弯曲角度的预设点的坐标，反应了人体指定部位的弯曲角度，上述分类模型可以对不同状态下的对应的弯曲角度进行聚类，调整模型参数具有识别跌倒状态对应的人体指定部位的弯曲角度，及非跌倒状态对应的人体指定部位的弯曲角度，当采集到跌倒状态下反映人体指定部位弯曲角度的预设点的坐标时，该分类模型可以将其聚类到跌倒状态。

实施中，上述分类模型具体可以输出跌倒状态对应的概率，如果输出的概率超过设定阈值，说明识别到跌倒状态，否则确定未识别到跌倒状态。

以包含人体腿部的目标图像为例，此时，反映人体腿部弯曲角度的预设关键点包括以下任一组合或任多组合：

关键点组合A1：左脚踝关键点、左膝盖关键点和左臀关键点；

关键点组合A2：右脚踝关键点、右膝盖关键点和右臀关键点；

关键点组合A3：左膝盖关键点、左臀关键点和左肩关键点；

关键点组合A4：右膝盖关键点、右臀关键点和右肩关键点。

在本实施例中，提取目标图像或图像样本中反映人体指定部位弯曲角度的预设点的坐标，可以但不局限于利用上述关键点组合A1-A4中的任一组合。

上述关键点组合A1的左脚踝关键点、左膝盖关键点和左臀关键点三个关键点连接形成第一腿部弯曲角度；

上述关键点组合A2的左脚踝关键点、左膝盖关键点和左臀关键点三个关键点连接形成第二腿部弯曲角度；

上述关键点组合A3的左膝盖关键点、左臀关键点和左肩关键点三个关键点连接形成第三腿部弯曲角度；

上述关键点组合A4的右膝盖关键点、右臀关键点和右肩关键点三个关键点连接形成第四腿部弯曲角度。

通过分类模型可以根据不同的关键点组合得到对应的输入特征向量，利用不同的输入特征向量对是否处于跌倒状态进行聚类，并调整模型参数。

对当前分类模型的训练过程中，分类模型根据输入特征和输出特征，通过损失函数调整模型参数。

应当理解的是，人即将跌倒时的腿部弯曲角度的小于临界值时，即认为上述行人即将发生跌倒，本实施例中的分类模型训练完成后，形成具有识别上述状态特征的AI模型。

在实施中，为保证识别的准确性，从所述包含人体目标的目标图像中尽可能提取较多的反映人体指定部位弯曲角度的预设点的坐标，此处不对提取的预设点的坐标的个数做限定，本领域相关技术人员可以根据实际情况设置需要提取坐标的预设点及需要提取的预设点的个数。

需要说明的是，本实施例以人体腿部为例，对根据提取的人体指定部位的任意两个或多个预设点的坐标之间的关系，判断是否符合跌倒状态的方式进行了说明，在实施中，并不只限于上述提到的这一种方式，任何可以通过人体指定部位预设点的坐标之间的关系，判断是否符合跌倒状态的方法都在本发明保护的范围内。

作为另一种可选的实施方式，以所述预设点的坐标作为分类模型的输入特征，经过分类模型中预设层数的网络的计算，输出反映所述预设点的坐标之间关系是否符合跌倒状态的不同值。

可选的，以0值为判断不符合跌倒状态，以1值为判断符合跌倒状态，当以所述预设点的坐标作为输入特征，经过跌倒识别网络模型中预设层数的网络的计算确定不满足预设跌倒条件时，输出0，此时，确定所述目标图像中的人体目标没有处于跌倒状态；当以所述预设点的坐标作为输入数据，经过跌倒识别网络模型中预设层数的网络的计算确定满足预设跌倒条件时，输出1，确定所述目标图像中的人体目标处于跌倒状态。

在上述步骤102中，上述预先构建的分类模型可以但不限于为深度学习网络模型，对上述深度学习网络模型不做过多限定，本领域的技术人员可根据实际需求设置，在本实施例中，上述深度学习网络模型可以但不局限于包括：卷积神经网络CNN(ConvolutionalNeural Network)、循环神经网络RNN(Recurrent Neural Network)、深度神经网络DNN(Deep Neural Networks)等。

作为一种可选的实施方式，作为训练样本和测试样本的目标图像包括以下至少之一：

包含站立状态人体的图像；

包含坐着状态人体的图像；

包含蹲着状态人体的图像；

包含倾斜状态人体的图像；

包含躺卧状态人体的图像；

包含趴下状态人体的图像。

在实施中，尽可能多的提取上述目标图像中反映人体指定部位的弯曲角度的预设点的坐标作为训练样本/测试样本。

作为一种可选的实施方式，每次利用所述训练样本集中的预设数量的训练样本，对当前预测识别模型进行训练，包括：

将预设数量的训练样本中所述目标图像中反映人体指定部位弯曲角度的预设点的坐标作为分类模型的输入特征，将是否符合跌倒状态的结果作为输出特征对分类模型进行训练，在训练过程中利用损失函数调整当前的分类模型的模型参数。

作为一种可选的实施方式，将未经训练的每个训练图像样本中反映人体指定部位弯曲角度的预设点的坐标作为输入特征，输入到当前的预测分类模型，根据分类模型的输出特征评估该训练图像样本的有效性；从所有有效性满足预设要求的训练图像样本中，筛选出预设数量的训练图像样本。即将所有有效性不满足预设要求的训练样本，从所述训练样本集中删除得到新的训练样本集。

本实施例中的分类模型可以但不限于为采用如下任一分类算法构建的分类模型，包括如下任一分类算法：

1)决策树分类算法

决策树算法是一种逼近离散函数值的方法，它是一种典型的分类方法，首先对数据进行处理，利用归纳算法生成可读的规则和决策树，然后使用决策对新数据进行分析，本质上决策树是通过一系列规则对数据进行分类的过程。

决策树构造可以分两步进行：第一步，决策树的生成，具体由训练样本集生成决策树的过程；第二步，决策树的剪枝，决策树的剪枝是对上一阶段生成的决策树进行检验、校正和修下的过程，主要是用新的样本数据集(称为测试数据集)中的数据校验决策树生成过程中产生的初步规则，将那些影响预衡准确性的分枝剪除。

2)随机森林分类算法；

随机森林指的是利用多棵树对样本进行训练并预测的一种分类器，包括多个节点，从训练样本中以抽样的方式，取样N次，形成一个训练集，并用未抽到的样本作预测，评估其误差。

对于每一个节点，随机选择m个特征，决策树上每个节点的决定都是基于这些特征确定的，根据这m个特征，计算其最佳的分裂方式。

3)逻辑回归分类算法

逻辑回归分类算法是分类和预测算法中的一种，通过历史数据的表现对未来结果发生的概率进行预测。

逻辑回归其实仅为在线性回归的基础上，套用了一个逻辑函数。对于多元逻辑回归，对于训练数据集，特征数据x＝{x1,x2,…,xm}和对应的分类数据y＝{y1,y2,…,ym}。构建逻辑回归模型f(θ)，最典型的构建方法便是应用极大似然估计。

4)神经网络分类算法

神经网络分类算法思维方式的根本之点在于以下两点：信息是通过神经元上的兴奋模式分布存储在网络上；信息处理是通过神经元之间同时相互作用的动态过程来完成的，通过训练使神经网络分类模型具有逻辑思维推理能力。

上述上述任一类型机器学习分类算法，需要基于相应的训练样本进行训练，得到本实施例中的分类模型，可以实现基于目标图像进行跌倒识别。

实施例二

本实施例提供一种基于分类模型进行跌倒识别设备，如图3所示，包括存储器302和中央处理器301，收发器310以及总线系统312，其中，所述存储器302用于存储所述中央处理器301可执行的程序，所述中央处理器301，用于读取所述存储器302中的程序并执行下列过程：

图3是本发明实施例提供的一种基于分类模型的跌倒识别的设备的结构示意图，该基于分类模型的跌倒识别的设备300可因配置或性能不同而产生比较大的差异，可以包括一个或一个以上中央处理器(英文全称：central processingunits，英文简称：CPU)301(例如，一个或一个以上处理器)和存储器302，一个或一个以上存储应用程序304或数据305的存储介质303(例如一个或一个以上海量存储设备)。其中，存储器302和存储介质303可以是短暂存储或持久存储。存储在存储介质303的程序可以包括一个或一个以上模块(图示没标出)，每个模块可以包括对信息处理装置中的一系列指令操作。更进一步地，中央处理器301可以设置为与存储介质303通信，在基于分类模型的跌倒识别的设备300上执行存储介质303中的一系列指令操作。

基于分类模型的跌倒识别的设备300还可以包括一个或一个以上电源306，一个或一个以上有线或无线网络接口307，一个或一个以上输入输出接口308，和/或，一个或一个以上操作系统309，例如Windows Server，Mac OS X，Unix，Linux，FreeBSD等。

作为一种可选的实施方式，所述多个图像样本包括训练图像样本和测试图像样本，所述中央处理器301对分类模型进行训练，包括：

随机化深度学习网络模型的模型参数得到初始的分类模型；

可选地，所述中央处理器对当前分类模型的训练过程中，所述分类模型根据输入特征和输出特征，通过损失函数调整模型参数。

可选地，所述中央处理器确定测试结果不满足预设精度要求时，还用于：

可选地，所述中央处理器利用当前分类模型重新筛选出预设数量的训练图像样本，包括：

可选地，所述分类模型为采用如下任一分类算法构建的分类模型，包括：

可选地，所述图像样本中跌倒状态包括倾斜状态、躺卧状态、趴下状态，所述图像样本中的非跌倒状态包括站立状态、坐着状态和蹲着状态。

上述设备解决问题的原理与该方法相似，因此该设备的实施可以参见方法的实施，重复之处不再赘述。

本实施例还提供一种基于分类模型进行跌倒识别的设备，设备示意图如图4所示，上述设备包括：

特征提取模块401，用于获取包含人体目标的目标图像，并提取所述目标图像中反映人体指定部位弯曲角度的预设点的坐标；

分类模块402，用于将所述预设点的坐标作为输入特征输入到分类模型，根据所述分类模型的输出特征确定是否为跌倒状态，其中，预先采集多个图像样本，并提取图像样本中反应人体指定部位弯曲角度的预设点的坐标，并确定该图像样本的人体的姿态，将所述提取的预设点的坐标作为输入特征，将对应的人体的姿态作为输出特征，对分类模型进行训练，所述姿态包括跌倒状态和非跌倒状态。

作为一种可选的实施方式，所述多个图像样本包括训练图像样本和测试图像样本，分类模块对分类模型进行训练，包括：

随机化深度学习网络模型的模型参数得到初始的分类模型；

可选地，分类模块对当前分类模型的训练过程中，所述分类模型根据输入特征和输出特征，通过损失函数调整模型参数。

可选地，分类模块每次训练结束后，确定测试结果不满足预设精度要求时，还用于：

可选地，分类模块利用当前分类模型重新筛选出预设数量的训练图像样本，包括：

实施例三

本实施例为一种计算机存储介质，上述计算机存储介质存储有计算机程序，该计算机程序被执行时实现上述实施例一至二任一项的内容。

本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器和光学存储器等)上实施的计算机程序产品的形式。

本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。

Claims

1.一种基于分类模型进行跌倒识别的方法，其特征在于，包括：

2.根据权利要求1所述的方法，其特征在于，所述多个图像样本包括训练图像样本和测试图像样本，对分类模型进行训练，包括：

随机化深度学习网络模型的模型参数得到初始的分类模型；

3.根据权利要求2所述的方法，其特征在于，

对当前分类模型的训练过程中，所述分类模型根据输入特征和输出特征，通过损失函数调整模型参数。

4.根据权利要求2所述的方法，其特征在于，每次训练结束后，确定测试结果不满足预设精度要求时，还包括：

5.根据权利要求4所述的方法，其特征在于，利用当前分类模型重新筛选出预设数量的训练图像样本，包括：

6.根据权利要求1所述的方法，其特征在于，所述分类模型为采用如下任一分类算法构建的分类模型，包括：

7.根据权利要求1-6任一所述的方法，其特征在于，所述图像样本中跌倒状态包括倾斜状态、躺卧状态、趴下状态，所述图像样本中的非跌倒状态包括站立状态、坐着状态和蹲着状态。

8.一种基于分类模型进行跌倒识别的设备，其特征在于，所述设备包括存储器和中央处理器，其中，所述存储器用于存储所述中央处理器可执行的程序，所述中央处理器，用于读取所述存储器中的程序并执行下列过程：

9.一种基于分类模型进行跌倒识别的设备，其特征在于，包括：

10.一种计算机存储介质，其特征在于，所述计算机存储介质存储有计算机程序，该计算机程序被执行时实现权利要求1-7任意一项所述的方法。