CN111144174A - 利用神经网络与传统算法识别视频中老人跌倒行为的系统 - Google Patents

利用神经网络与传统算法识别视频中老人跌倒行为的系统 Download PDF

Info

Publication number
CN111144174A
CN111144174A CN201811305712.9A CN201811305712A CN111144174A CN 111144174 A CN111144174 A CN 111144174A CN 201811305712 A CN201811305712 A CN 201811305712A CN 111144174 A CN111144174 A CN 111144174A
Authority
CN
China
Prior art keywords
image
frame
neural network
falling behavior
area
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.)
Pending
Application number
CN201811305712.9A
Other languages
English (en)
Inventor
杨海波
祝云凯
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
ZHEJIANG HANGJIA TECHNOLOGY DEVELOPMENT CO LTD
Zhejiang Shuren University
Original Assignee
ZHEJIANG HANGJIA TECHNOLOGY DEVELOPMENT CO LTD
Zhejiang Shuren University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by ZHEJIANG HANGJIA TECHNOLOGY DEVELOPMENT CO LTD, Zhejiang Shuren University filed Critical ZHEJIANG HANGJIA TECHNOLOGY DEVELOPMENT CO LTD
Priority to CN201811305712.9A priority Critical patent/CN111144174A/zh
Publication of CN111144174A publication Critical patent/CN111144174A/zh
Pending legal-status Critical Current

Links

Classifications

    • 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
    • G06V20/41—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items
    • G06V20/42—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items of sport video content
    • 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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/20—Analysis of motion
    • G06T7/246—Analysis of motion using feature-based methods, e.g. the tracking of corners or segments
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10016—Video; Image sequence
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30196—Human being; Person

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Psychiatry (AREA)
  • Social Psychology (AREA)
  • Human Computer Interaction (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Image Analysis (AREA)

Abstract

本发明《利用神经网络与传统算法识别视频中老人跌倒行为的系统》公开了一种基于人工智能识别跌倒行为的方法。该方法利用深度卷积神经网络实时检测视频中的头部目标，进而提取一秒钟内连续25帧图像中目标的运动特征，然后通过SVM分类器判断是否有跌倒行为的发生，该发明的优势在于使用深度神经网络检测目标物体，提高了系统的稳定性和实时性。

Description

利用神经网络与传统算法识别视频中老人跌倒行为的系统
技术领域：本发明涉及视频监控领域，尤其涉及一种深度神经网络与传统图像算法相结合的识别老人跌倒行为的方法和系统。
技术背景：
据相关调查结果显示，意外跌倒是造成老年人伤害最主要的因素之一。并且发生率也一直居高不下。跌倒所造成的骨折、软组织甚至脏器的损伤，将对老人的健康带来巨大威胁，并成为诱发老年人死亡的重要因素之一。但如果能第一时间发现老年人跌倒并且及时救护，这将大大减小跌倒事故对老年人伤害。因此针对如何及时监测到老年人跌倒行为的研究具有重大的社会价值。目前的检测流程大都是先通过不同手段采集人体运动特性，然后根据这些特性进行判断，其中数据采集方式主要有以下几种手段：(1)基于可穿戴设备。(2)基于外周传感设备。(3)基于视频图像。这三种方式中，可穿戴设备很容易被老年人忘记佩戴；外周设备最主要的问题是安装不便。当前摄像头已经非常普及，基于视频的方式是目前最为经济和有效的方式，但目前对于目标的检测，大多数还停留在传统的图像处理方式，比如利用三帧差法提取视频中的目标图像轮廓，这种方式很容易受到光照、背景等环境因素的影响，导致目标检测的精确度不高，但随着人工智能技术的发展这一难题得到了很好的解决，因此本文基于人工智能技术提出了一种新型的检测方式。
发明内容：
鉴于以上问题，本发明的目的在于提供一种老人跌倒行为的监控方法。其步骤为：
(1)将每帧图像输入神经网络系统，得到人体头部在图像中的坐标位置。
(2)计算连续25张图像中头部位置在图像上的运动特征，并形成特征向量。
(3)将特征向量输入SVM分类器中进行分类，判断是否有跌倒行为的发生。
更为具体的是：
(1)摄像头按照每秒25帧的频率采集图像，并将每一帧图像送入神经网络系统，检测人体头部在图像中的坐标位置，以x1，y1，x2，y2的格式输出，其中x1、y1为位置边界框左上角的坐标，x2、y2位位置边界框右下角坐标。头部目标中心点的坐标Cx＝x1+(x2-x1)/2，Cy＝y1+(y2-y1)/2。
(2)计算连续25张图像中头部位置在图像上的运动特征，并形成特征向量。首先根据公式
Figure BSA0000173311160000011
(其中Rd1-2为相对运动距离，D1-2为相邻两帧目标中心的像素距离，Area1为前一帧目标box的像素面积，Area2为后一帧目标box的像素面积)计算出下一帧图像中目标相对于当前帧的相对移动距离Rd1-2，然后根据公式V1-2＝Rd1-2/time(time为相邻两帧的间隔时间)计算出目标中心的移动速度，然后将其分解为X轴和Y轴方向。
(3)将特征向量输入SVM分类器中进行分类，判断是否有跌倒行为的发生。
具体实施方式
(1)采用海康摄像机(型号DS-2DC2204IW-DE3/W)采集视频，并将将每帧图像输入神经网络系统，得到人体头部在图像中的坐标位置。
(2)计算连续25张图像中头部位置在图像上的运动特征，并形成特征向量。
(3)将特征向量输入SVM分类器中进行分类，判断是否有跌倒行为的发生。
与其他专利相比本发明的优势在于使用深度神经网络检测目标物体，提高了系统的稳定性和实时性。

Claims (3)

1.一种基于人工智能识别跌倒行为的方法，其步骤为：
(1)将每帧图像输入神经网络系统，得到人体头部在图像中的坐标位置；
(2)计算连续25张图像中头部位置在图像上的运动特征，并形成特征向量；
(3)将特征向量输入SVM分类器中进行分类，判断是否有跌倒行为的发生。
2.根据权利要求1的方法，其步骤(1)中的神经网络结构如下表所示
表1网络结构
Figure FSA0000173311150000011
3.根据权利要求1的方法，其步骤(2)的特征向量获取过程为：先通过卷积神经网络检测头部目标，并获得box的中心坐标及其高度和宽度，然后根据后一帧图像数据计算出当前图像中头部在X轴与Y轴的速度大小。由于近距离物体比远距离物体在图像上呈现的区域更大，近距离物体微小的位置变化都会在图像上引起较大波动，为了消除不同距离对运动特性的影响，采用相对运动距离作为计算加速度和及其方向的基础，详情如下：
(1)
Figure FSA0000173311150000021
其中Rd1-2为相对运动距离，D1-2为相邻两帧目标中心的像素距离，Area1为前一帧目标box的像素面积，Area2为后一帧目标box的像素面积。
(2)V1-2＝Rd1-2/time其中V1-2为前一帧的速度标量，time为相邻两帧的间隔时间。
每帧图像提取出运动速度后将其分解为X轴和Y轴方向的分量，每帧图像可以获取2个特征，将一定数量连续的图像组成多维特征向量作为下一步分类算法的输入。
CN201811305712.9A 2018-11-02 2018-11-02 利用神经网络与传统算法识别视频中老人跌倒行为的系统 Pending CN111144174A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811305712.9A CN111144174A (zh) 2018-11-02 2018-11-02 利用神经网络与传统算法识别视频中老人跌倒行为的系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811305712.9A CN111144174A (zh) 2018-11-02 2018-11-02 利用神经网络与传统算法识别视频中老人跌倒行为的系统

Publications (1)

Publication Number Publication Date
CN111144174A true CN111144174A (zh) 2020-05-12

Family

ID=70516388

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811305712.9A Pending CN111144174A (zh) 2018-11-02 2018-11-02 利用神经网络与传统算法识别视频中老人跌倒行为的系统

Country Status (1)

Country Link
CN (1) CN111144174A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111724566A (zh) * 2020-05-20 2020-09-29 同济大学 基于智慧灯杆视频监控系统的行人跌倒检测方法和装置
CN113269033A (zh) * 2021-04-12 2021-08-17 南京瀚元科技有限公司 基于视频序列的跌倒检测算法
CN113469150A (zh) * 2021-09-03 2021-10-01 中国电力科学研究院有限公司 一种用于对风险行为进行识别的方法及系统
CN114533040A (zh) * 2022-01-12 2022-05-27 北京京仪仪器仪表研究总院有限公司 一种固定空间内人员特定活跃度的监测方法

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111724566A (zh) * 2020-05-20 2020-09-29 同济大学 基于智慧灯杆视频监控系统的行人跌倒检测方法和装置
CN113269033A (zh) * 2021-04-12 2021-08-17 南京瀚元科技有限公司 基于视频序列的跌倒检测算法
CN113469150A (zh) * 2021-09-03 2021-10-01 中国电力科学研究院有限公司 一种用于对风险行为进行识别的方法及系统
CN113469150B (zh) * 2021-09-03 2021-11-12 中国电力科学研究院有限公司 一种用于对风险行为进行识别的方法及系统
CN114533040A (zh) * 2022-01-12 2022-05-27 北京京仪仪器仪表研究总院有限公司 一种固定空间内人员特定活跃度的监测方法
CN114533040B (zh) * 2022-01-12 2024-04-09 北京京仪仪器仪表研究总院有限公司 一种固定空间内人员特定活跃度的监测方法

Similar Documents

Publication Publication Date Title
CN109670396B (zh) 一种室内老人跌倒检测方法
CN109919132B (zh) 一种基于骨架检测的行人跌倒识别方法
US10417775B2 (en) Method for implementing human skeleton tracking system based on depth data
CN110895671B (zh) 跌倒检测方法以及使用此方法的电子系统
CN111144174A (zh) 利用神经网络与传统算法识别视频中老人跌倒行为的系统
CN111275910B (zh) 一种基于高斯混合模型的扶梯越界行为检测方法及系统
CN102214309B (zh) 一种基于头肩模型的特定人体识别方法
CN109145696B (zh) 一种基于深度学习的老人跌倒检测方法及系统
CN114067358A (zh) 一种基于关键点检测技术的人体姿态识别方法及系统
Agrawal et al. Human-fall detection from an indoor video surveillance
CN111783702A (zh) 一种基于图像增强算法和人体关键点定位的高效行人摔倒检测方法
CN108182381A (zh) 基于快速Adaboost训练算法的自动扶梯乘客检测算法
CN106881716A (zh) 基于3d摄像头机器人的人体跟随方法及系统
CN115082825A (zh) 一种基于视频实时人体跌倒检测及报警的方法和装置
CN113408435B (zh) 一种安全监控方法、装置、设备和存储介质
JP6992900B2 (ja) 情報処理装置、制御方法、及びプログラム
Cai et al. A novel method based on optical flow combining with wide residual network for fall detection
CN117671794A (zh) 一种跌倒检测模型训练改进方法及跌倒检测方法
Zhan et al. Pictorial structures model based human interaction recognition
CN114639168B (zh) 一种用于跑步姿态识别的方法和系统
JP7259921B2 (ja) 情報処理装置、及び制御方法
CN116778666A (zh) 一种儿童运动安全监测系统和方法
CN114332922A (zh) 一种基于图像静态特征的摔倒检测方法
CN116486480A (zh) 一种基于点云的人体跌倒检测方法及装置
CN115731563A (zh) 一种远距离监控人员倒地识别方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
WD01 Invention patent application deemed withdrawn after publication
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20200512