CN111191499A - 一种基于最小中心线的跌倒检测方法及装置 - Google Patents
一种基于最小中心线的跌倒检测方法及装置 Download PDFInfo
- Publication number
- CN111191499A CN111191499A CN201911095466.3A CN201911095466A CN111191499A CN 111191499 A CN111191499 A CN 111191499A CN 201911095466 A CN201911095466 A CN 201911095466A CN 111191499 A CN111191499 A CN 111191499A
- Authority
- CN
- China
- Prior art keywords
- monitoring
- image
- monitoring target
- minimum
- target
- 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
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
-
- 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
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Psychiatry (AREA)
- Social Psychology (AREA)
- Human Computer Interaction (AREA)
- Image Analysis (AREA)
- Alarm Systems (AREA)
Abstract
本申请公开了一种基于最小中心线的跌倒检测方法及装置,所述方法包括:获取监测区域的监测图像,其中所述监测图像通过安装在监测区域的视频设备获取,且所述监测图像的X轴方向与水平方向平行;判断监测图像中是否存在监测目标,如不存在监测目标,则丢弃当前监测图像;对监测图像进行预处理,然后获取监测目标的轮廓,在所述轮廓上依次选取N个像素点,并确定监测目标的质心;根据选取的N个像素点和质心,确定监测目标的最小中心线;计算所述最小中心线与监测图像X轴方向之间的夹角;根据所述夹角判定监测目标是否处于跌倒状态。本申请与现有算法相比,计算过程简单、计算量小,且误差小,完全满足实际使用需求,对算法处理设备的要求较低。
Description
技术领域
本申请涉及图像处理领域,具体涉及一种基于最小中心线的跌倒检测方法及装置。
背景技术
独居老人常因为无人照看,当突发疾病或运动不便时,常容易发生跌倒的情况,进而危及生命安全。当前,视频监测已应用在独居老人的看护当中,通过布设在家里各个位置的摄像头,独居老人的子女或看护人员可以通过手机、电脑等及时了解老人在家的生活情况。
视频监测虽然在一定程度上缓解了独居老人的看护问题,但其存在的一个明显缺陷就是老人的子女、看护人员一般不可能24小时均利用手机、电脑等通过远程视频看护独居老人,但当老人出现跌倒情况时,需要及时得知从而通知看护人员或120等进行救助。为了解决这个问题,目前采用图像处理的方法来分析独居老人是否发生跌倒情况,如发生跌倒情况,再通知老人的子女或看护人员及时查看或干预。
如何正确区分跌倒与非跌倒状态取决于特征的选取是否合适。而由于光照、阴影、环境及行人速度等其他因素,选取合适的参数作为特征一直是个难题。目前常用的标记轮廓进而特征提取的方法主要分为两类:一是基于传统方法上的特征提取,主要通过例如最小外接矩形等,进而获取目标轮廓的特征参数;二是基于机器学习算法,通过手工设计特征,利用这些特征来大量训练样本及分类以达到检测的目的。
但是,现有算法普遍存在计算过程复杂、计算量大的问题,对算法处理设备有较高的要求。
发明内容
本申请的目的是提供一种基于最小中心线的跌倒检测方法及装置,能以较为简单的计算过程来判定监测目标是否发生跌倒情况。
为了实现上述任务,本申请采用以下技术方案:
第一方面,本申请提供了一种基于最小中心线的跌倒检测方法,包括:
获取监测区域的监测图像,其中所述监测图像通过安装在监测区域的视频设备获取,且所述监测图像的X轴方向与水平方向平行;
判断监测图像中是否存在监测目标,如不存在监测目标,则丢弃当前监测图像;
对监测图像进行预处理,然后获取监测目标的轮廓,在所述轮廓上依次选取N个像素点,并确定监测目标的质心;
根据选取的N个像素点和质心,确定监测目标的最小中心线;
计算所述最小中心线与监测图像X轴方向之间的夹角;
根据所述夹角判定监测目标是否处于跌倒状态。
进一步地,所述根据选取的N个像素点和质心,确定监测目标的最小中心线,包括:
确定选取的N个像素点中每个像素点与质心之间的直线方程;
依次计算每个像素点到每一条直线方程所确定的直线之间的距离,并计算距离和;
选择最小的距离和对应的直线作为监测目标的最小中心线。
进一步地,根据所述夹角判定监测目标是否处于跌倒状态,包括:
如所述夹角小于设定的第一角度阈值,则判定所述目标物体处于跌倒状态。
进一步地,根据所述夹角判定监测目标是否处于跌倒状态之后,还包括:
如果连续M帧监测图像中监测目标均判定为跌倒状态,则发送报警信息。
进一步地,根据所述夹角判定监测目标是否处于跌倒状态之后,还包括:
如果监测目标处于跌倒状态,则:
判断监测目标所在区域是否为预先设定的特定区域,所述特定区域包括监测区域的床、沙发、卧榻所在区域;
如监测目标位于所述特定区域,则判断所述监测图像的拍摄时间是否在预设的时间段内,如不在预设的时间段内,且连续M帧监测图像中监测目标均判定为跌倒状态,则发送报警信息;
如监测目标没有位于所述特定区域,连续M帧监测图像中监测目标均判定为跌倒状态,则发送报警信息。
进一步地,所述发送报警信息之前,还包括:
复核所述跌倒状态,包括:
记第一次判定监测目标处于跌倒状态的监测图像为图像A,图像A之前的第K帧图像为图像B;
如果图像A中监测目标的最小中心线与图像B中监测目标的最小中心线之间的角度差大于设定的第二角度阈值,则确认跌倒状态;否则为非跌倒状态,不发送报警信息。
进一步地,所述的预处理包括去噪、背景分割、HSI空间去阴影。
第二方面,本申请提供了一种基于最小中心线的跌倒检测装置,包括:
获取模块,用于获取监测区域的监测图像,其中所述监测图像通过安装在监测区域的视频设备获取,且所述监测图像的X轴方向与水平方向平行;
检测模块,用于判断监测图像中是否存在监测目标,如不存在监测目标,则丢弃当前监测图像;
质心确定模块,用于对监测图像进行预处理,然后获取监测目标的轮廓,在所述轮廓上依次选取N个像素点,并确定监测目标的质心;
中心线确定模块,用于根据选取的N个像素点和质心,确定监测目标的最小中心线;
夹角计算模块,用于计算所述最小中心线与监测图像X轴方向之间的夹角;
判断模块,用于根据所述夹角判定监测目标是否处于跌倒状态。
第三方面,本申请提供了一种终端设备,包括包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,处理器执行计算机程序时实现前述第一方面的基于最小中心线的跌倒检测方法的步骤。
第四方面,本申请提供了一种计算机可读存储介质,计算机可读存储介质存储有计算机程序,计算机程序被处理器执行时实现前述第一方面的基于最小中心线的跌倒检测方法的步骤。
本申请具有以下技术特点:
本申请采用计算最小中心线来判定监测目标是否发生跌倒,与现有算法相比,计算过程简单、计算量小,且误差小,完全满足实际使用需求,对算法处理设备的要求较低,有效降低了设备成本,为独居老人看护提供了一种新方法。
附图说明
图1为本申请的一个实施例提供的基于最小中心线的跌倒检测方法的流程示意图;
图2为在监测目标上确定的最小中心线的示意图;
图3为本申请的一个实施例提供的基于最小中心线的跌倒检测装置的流程示意图;
图4为本申请的一个实施例提供的终端设备的示意图。
具体实施方式
如图1所示,本申请的一个实施例提供了一种基于最小中心线的跌倒检测方法,该方法的执行主体为服务器或终端设备,方法包括:
S101,获取监测区域的监测图像,其中所述监测图像通过安装在监测区域的视频设备获取,且所述监测图像的X轴方向与水平方向平行。
其中,例如对独居老人进行监测时,所述监测区域即为独居老人的住所,例如可以在独居老人住所的卧室、客厅分别安装视频设备来获取监测图像。在安装视频设备时进行调试,即先通过视频设备获取测试图像,然后借助水平仪等设备调整视频设备的角度,使通过视频设备拍摄的监测图像的X轴方向平行于水平方向;所述的监测图像左下角顶点为原点、监测图像的长边为X轴方向。通过对视频设备的调试,可使最终的判定结果更加准确。
S102,判断监测图像中是否存在监测目标,如不存在监测目标,则丢弃当前监测图像。
判断监测图像中是否存在监测目标可利用现有技术中的多种算法,例如背景差分算法,通过计算相邻帧图像之间的差值判定图像中是否存在监测目标。如果某视频设备拍摄的监测图像中不存在监测目标,则说明监测目标(例如独居老人)没有位于当前视频设备所拍摄的监测区域,则丢弃当前监测图像,继续进行下一帧监测图像的判断;而如果监测图像中存在监测目标,则执行S103。
S103,对监测图像进行预处理,然后获取监测目标的轮廓,在所述轮廓上依次选取N个像素点,并确定监测目标的质心。
所述预处理包括去噪、背景分割、HSI空间去阴影,以便于进行特征提取。本申请的实施例中,对于监测图像进行预处理后的前景目标,利用opencv库中的findContours()函数提取监测目标的轮廓,该轮廓是由多个像素点组成的,同时可获取每个像素点的坐标;提取到轮廓后,在轮廓中选取N个像素点。例如,本方案中每间隔10个像素点选取一个像素点,最终共选取N个像素点。像素点间隔数量会影响最终的判定结果,也会对计算量造成直接影响;像素点间隔数量越小,判定结果越准确,但计算量相对就越大。经发明人大量的试验验证,当间隔10个像素点时,最终识别误差已完全满足实际使用需求,并且计算量也在一个比较合理的范围内。
所述监测目标的质心也可以通过opencv库中的moments()函数来进行计算,即通过该函数计算监测目标的空间矩,通过其一阶矩即可计算得到监测目标的质心坐标。
S104,根据选取的N个像素点和质心,确定监测目标的最小中心线。
本方案中的最小中心线,是指通过监测目标质心即头部、足部的一条直线,这条直线即可以认为是代表监测目标空间位置的直线,如图2所示。当监测目标处于直立状态时,该最小中心线是与水平方向垂直的;而监测目标躺倒或者趴到后,最小中心线与水平方向平行或存在较小的夹角;由此可根据最小中心线来确定监测目标是否跌倒。
本实施例提供一种确定监测目标的最小中心线的方法,包括:
S1041,确定选取的N个像素点中每个像素点与质心之间的直线方程。例如,每间隔10个像素,选取的N个像素点记为:
{(x1,y1),(x2,y2),(x3,y3).....,(xN,yN)},监测目标的质心坐标为:(x0,y0);根据两点确定一条直线的方程表达式,可选取的N个像素点中的每个像素点到质心的N个直线方程,表示为:
yi=axi+b(xi=x1,x2,x3...xN yi=y1,y2,y3...yN)
S1042,依次计算每个像素点到每一条直线方程所确定的直线之间的距离,并计算距离和。
对于N条直线方程中的第一条直线方程对应的直线y1,分别计算选取的N个像素点中的每个像素点到该直线y1的N个距离{d1,d2,....,dN},并计算这N个距离的距离和,记为sum1;按照同样方法计算N个像素点到其他N-1条直线的距离和sum2,sum3,...sumN。
S1043,选择最小的距离和对应的直线作为监测目标的最小中心线。
从{sum1,sum2,...sumN}中选取最小的距离和sumj,j∈[1,N],则该距离和sumj在计算时对应的(直线方程所确定的)直线即为所求的最小中心线。
采用上述计算方法,能快速、高效地确定监测目标的最小中心线,且该最小中心线是经过目标头部、质心、脚部的直线,能很好地代表监测目标的状态。
S105,计算所述最小中心线与监测图像X轴方向之间的夹角,即计算最小中心线与监测图像长边之间的夹角。
S106,根据所述夹角判定监测目标是否处于跌倒状态。
在本申请的一个实施例中,S106可以包括:
如所述夹角小于设定的第一角度阈值,则判定所述目标物体处于跌倒状态。
所述第一角度阈值可以设置为5°,也可以设置为其他角度。即,监测目标的最小中心线反应监测目标当前的状态,如果最小中心线与水平方向,即监测图像X轴方向的夹角很小,甚至平行,那么说明监测目标目前是趴在或者躺在监测区域中,则判定其为跌倒状态。
在上述技术方案的基础上,S106之后,还可以包括:
S107,如果连续M帧监测图像中监测目标均判定为跌倒状态,则发送报警信息。
根据监测目标的实际情况,选择合适的M值。例如某独居老人身体状况较差,在其从躺下或趴下到站立起来需要30秒。而如果视频设备拍摄的视频帧率为30帧每秒,则M的值可以设置为1200,留有一定余量。即判定监测目标跌倒后且在合理的时间内未自行站立起来,说明监测目标无法自行站立,需要帮助,则向老人的子女、看护人等发送报警信息,例如报警短信、拨打报警电话等,老人的子女、看护人等可迅速通过远程连线查看监控视频,如确认老人确实跌倒,则可以尽快通过拨打急救电话或赶赴老人居所进行及时救助。
由于监测区域可能涵盖卧室中的床、客厅的沙发、卧榻等,当老人正常休息躺卧在这些地方时,则可能出现误判的情况。为了减少误判情况,S106之后,还可以包括:
S108,如果监测目标处于跌倒状态,则:
S1081,判断监测目标所在区域是否为预先设定的特定区域,所述特定区域包括监测区域的床、沙发、卧榻所在区域。这些特定区域可通过预先在监测设备中进行标记,例如视频设备安装好之后,先获取测试图像,在图像中标注所述特定区域,并将该特定区域标记在之后采集的每一帧监测图像中。
S1082,如监测目标位于所述特定区域,则判断所述监测图像的拍摄时间是否在预设的时间段内,如不在预设的时间段内,且连续M帧监测图像中监测目标均判定为跌倒状态,则发送报警信息。由于监测目标每天休息是有规律的,例如中午12点30至13点30午休,晚上10点至早上7点休息,那么这些时间段就可以设置为预设时间段。在这些时间段内,判定的跌倒状态则是老人正常休息时的状态,此时不发送报警信息。而如果在这些时段之外,监测目标在特定区域发生跌倒的判定,这有可能是监测目标行走至该区域时发生的真实跌倒情况,此时应发送报警信息,让老人子女或监护人员通过查看监控视频来进一步验证,避免漏检的情况发生。
S1083,如监测目标没有位于所述特定区域,连续M帧监测图像中监测目标均判定为跌倒状态,则发送报警信息,这种情况说明是在非特定区域之外发生的跌倒情况,需要发送信息提醒。
在上述技术方案的基础上,为了进一步提高检测准确程度,可选地,所述发送报警信息之前,还包括:复核所述跌倒状态:
记第一次判定监测目标处于跌倒状态的监测图像为图像A,图像A之前的第K帧图像为图像B;如果图像A中监测目标的最小中心线与图像B中监测目标的最小中心线之间的角度差大于设定的第二角度阈值,则确认跌倒状态;否则为非跌倒状态,不发送报警信息。
即在发送报警信息之前,还可以通过另外一个角度来进一步复核跌倒状态是真实发生还是误判。一般情况下,从直立状态到跌倒状态发生的时间是较短的,一般在几秒左右。而独居老人如正常休息,或趴下、躺下,则需要一个较长的时间,如老人的身体状况较差,则至少要在10秒以上。所以,如果监测目标从正常状态到跌倒状态的时间过短,则说明是真正的跌倒;而如果这个时间比较久,则可能是其他原因。所以,通过比较中心线之间的角度变化,可确定这个问题。当第一次判定老人处于跌倒状态时,监测图像为图像A;在该监测图像之前的第K帧图像,记为图像B。例如当视频帧率为30帧/秒时,K可以设置为60。即判断两秒前的监测图像B和图像A的中心线角度变化,如果角度变化很大,例如从85°变为5°,远大于设定的第二角度阈值30°(即正常情况下老人躺倒或趴下时在2秒内身体位置变化的角度),则说明在2秒中内监测目标的身体位置发生了很大变化,独居老人一般在跌倒时才可能在短时间内身体位置发生这么大的变化,所以此时认为跌倒状态为真实,则发送报警信息。
根据本申请的另一方面,提供了一种基于最小中心线的跌倒检测装置1,如图3所示,包括:
获取模块11,用于获取监测区域的监测图像,其中所述监测图像通过安装在监测区域的视频设备获取,且所述监测图像的X轴方向与水平方向平行;
检测模块12,用于判断监测图像中是否存在监测目标,如不存在监测目标,则丢弃当前监测图像;
质心确定模块13,用于对监测图像进行预处理,然后获取监测目标的轮廓,在所述轮廓上依次选取N个像素点,并确定监测目标的质心;
中心线确定模块14,用于根据选取的N个像素点和质心,确定监测目标的最小中心线;
夹角计算模块15,用于计算所述最小中心线与监测图像X轴方向之间的夹角;
判断模块16,用于根据所述夹角判定监测目标是否处于跌倒状态。
需要说明的,上述各模块具体的执行步骤与前述方法实施例中对应的步骤相同,在此不赘述。
请参阅图4,本申请实施例进一步提供一种终端设备2,该终端设备2可以为计算机、服务器;包括存储器22、处理器21以及存储在存储器22中并可在处理器上运行的计算机程序23,处理器21执行计算机程序23时实现上述基于最小中心线的跌倒检测方法的步骤,例如,图1所示的S101至S106。
计算机程序23也可以被分割成一个或多个模块/单元,一个或者多个模块/单元被存储在存储器22中,并由处理器21执行,以完成本申请。一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段,该指令段用于描述计算机程序23在终端设备2中的执行过程,例如,计算机程序23可以被分割为获取模块、识别模块、显示模块,各模块的功能参见前述装置中的描述,不再赘述。
本申请的实施提供了一种计算机可读存储介质,计算机可读存储介质存储有计算机程序,计算机程序被处理器执行时实现上述基于最小中心线的跌倒检测方法的步骤,例如,图1所示的S101至S106。
集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请实现上述实施例方法中的全部或部分流程,也可以通过计算机程序来指令相关的硬件来完成,计算机程序可存储于一计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述各个方法实施例的步骤。其中,计算机程序包括计算机程序代码,计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。计算机可读介质可以包括:能够携带计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、电载波信号、电信信号以及软件分发介质等。
以上实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围,均应包含在本申请的保护范围之内。
Claims (10)
1.一种基于最小中心线的跌倒检测方法,其特征在于,包括:
获取监测区域的监测图像,其中所述监测图像通过安装在监测区域的视频设备获取,且所述监测图像的X轴方向与水平方向平行;
判断监测图像中是否存在监测目标,如不存在监测目标,则丢弃当前监测图像;
对监测图像进行预处理,然后获取监测目标的轮廓,在所述轮廓上依次选取N个像素点,并确定监测目标的质心;
根据选取的N个像素点和质心,确定监测目标的最小中心线;
计算所述最小中心线与监测图像X轴方向之间的夹角;
根据所述夹角判定监测目标是否处于跌倒状态。
2.如权利要求1所述的基于最小中心线的跌倒检测方法,其特征在于,所述根据选取的N个像素点和质心,确定监测目标的最小中心线,包括:
确定选取的N个像素点中每个像素点与质心之间的直线方程;
依次计算每个像素点到每一条直线方程所确定的直线之间的距离,并计算距离和;
选择最小的距离和对应的直线作为监测目标的最小中心线。
3.如权利要求1所述的基于最小中心线的跌倒检测方法,其特征在于,根据所述夹角判定监测目标是否处于跌倒状态,包括:
如所述夹角小于设定的第一角度阈值,则判定所述目标物体处于跌倒状态。
4.如权利要求1所述的基于最小中心线的跌倒检测方法,其特征在于,根据所述夹角判定监测目标是否处于跌倒状态之后,还包括:
如果连续M帧监测图像中监测目标均判定为跌倒状态,则发送报警信息。
5.如权利要求1所述的基于最小中心线的跌倒检测方法,其特征在于,根据所述夹角判定监测目标是否处于跌倒状态之后,还包括:
如果监测目标处于跌倒状态,则:
判断监测目标所在区域是否为预先设定的特定区域,所述特定区域包括监测区域的床、沙发、卧榻所在区域;
如监测目标位于所述特定区域,则判断所述监测图像的拍摄时间是否在预设的时间段内,如不在预设的时间段内,且连续M帧监测图像中监测目标均判定为跌倒状态,则发送报警信息;
如监测目标没有位于所述特定区域,连续M帧监测图像中监测目标均判定为跌倒状态,则发送报警信息。
6.如权利要求4或5所述的基于最小中心线的跌倒检测方法,其特征在于,所述发送报警信息之前,还包括:
复核所述跌倒状态,包括:
记第一次判定监测目标处于跌倒状态的监测图像为图像A,图像A之前的第K帧图像为图像B;
如果图像A中监测目标的最小中心线与图像B中监测目标的最小中心线之间的角度差大于设定的第二角度阈值,则确认跌倒状态;否则为非跌倒状态,不发送报警信息。
7.如权利要求1所述的基于最小中心线的跌倒检测方法,其特征在于,所述的预处理包括去噪、背景分割、HSI空间去阴影。
8.一种基于最小中心线的跌倒检测装置,其特征在于,包括:
获取模块,用于获取监测区域的监测图像,其中所述监测图像通过安装在监测区域的视频设备获取,且所述监测图像的X轴方向与水平方向平行;
检测模块,用于判断监测图像中是否存在监测目标,如不存在监测目标,则丢弃当前监测图像;
质心确定模块,用于对监测图像进行预处理,然后获取监测目标的轮廓,在所述轮廓上依次选取N个像素点,并确定监测目标的质心;
中心线确定模块,用于根据选取的N个像素点和质心,确定监测目标的最小中心线;
夹角计算模块,用于计算所述最小中心线与监测图像X轴方向之间的夹角;
判断模块,用于根据所述夹角判定监测目标是否处于跌倒状态。
9.一种终端设备,包括包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,处理器执行计算机程序时实现如权利要求1-7中任一权利要求所述方法的步骤。
10.一种计算机可读存储介质,计算机可读存储介质存储有计算机程序,其特征在于,计算机程序被处理器执行时实现如权利要求1-7中任一权利要求所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911095466.3A CN111191499B (zh) | 2019-11-11 | 2019-11-11 | 一种基于最小中心线的跌倒检测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911095466.3A CN111191499B (zh) | 2019-11-11 | 2019-11-11 | 一种基于最小中心线的跌倒检测方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111191499A true CN111191499A (zh) | 2020-05-22 |
CN111191499B CN111191499B (zh) | 2023-05-23 |
Family
ID=70707208
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911095466.3A Active CN111191499B (zh) | 2019-11-11 | 2019-11-11 | 一种基于最小中心线的跌倒检测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111191499B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112581449A (zh) * | 2020-12-18 | 2021-03-30 | 深兰科技(上海)有限公司 | 超高检测方法、装置、电子设备和存储介质 |
WO2023236989A1 (zh) * | 2022-06-10 | 2023-12-14 | 长沙莫之比智能科技有限公司 | 对象跌倒检测方法、装置、毫米波雷达和存储介质 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109920208A (zh) * | 2019-01-31 | 2019-06-21 | 深圳绿米联创科技有限公司 | 跌倒预测方法、装置、电子设备及系统 |
CN109993063A (zh) * | 2019-03-05 | 2019-07-09 | 福建天晴数码有限公司 | 一种识别待救援人员的方法及终端 |
-
2019
- 2019-11-11 CN CN201911095466.3A patent/CN111191499B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109920208A (zh) * | 2019-01-31 | 2019-06-21 | 深圳绿米联创科技有限公司 | 跌倒预测方法、装置、电子设备及系统 |
CN109993063A (zh) * | 2019-03-05 | 2019-07-09 | 福建天晴数码有限公司 | 一种识别待救援人员的方法及终端 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112581449A (zh) * | 2020-12-18 | 2021-03-30 | 深兰科技(上海)有限公司 | 超高检测方法、装置、电子设备和存储介质 |
WO2023236989A1 (zh) * | 2022-06-10 | 2023-12-14 | 长沙莫之比智能科技有限公司 | 对象跌倒检测方法、装置、毫米波雷达和存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN111191499B (zh) | 2023-05-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10095930B2 (en) | System and method for home health care monitoring | |
US9597016B2 (en) | Activity analysis, fall detection and risk assessment systems and methods | |
CN109543607A (zh) | 目标物异常状态检测方法、系统、监护系统及存储介质 | |
US11631306B2 (en) | Methods and system for monitoring an environment | |
CN104318578A (zh) | 一种视频图像分析方法及系统 | |
JP6822328B2 (ja) | 見守り支援システム及びその制御方法 | |
CN111461078B (zh) | 一种基于计算机视觉技术的防钓监控方法 | |
CN111767823A (zh) | 一种睡岗检测方法、装置、系统及存储介质 | |
JPWO2015118953A1 (ja) | 情報処理装置、情報処理方法、及び、プログラム | |
JP6780641B2 (ja) | 画像解析装置、画像解析方法、及び、画像解析プログラム | |
CN112733690A (zh) | 一种高空抛物检测方法、装置及电子设备 | |
CN111191499A (zh) | 一种基于最小中心线的跌倒检测方法及装置 | |
CN109086696B (zh) | 一种异常行为检测方法、装置、电子设备及存储介质 | |
US20130147917A1 (en) | Computing device and household monitoring method using the computing device | |
Tang et al. | Intelligent video surveillance system for elderly people living alone based on ODVS | |
CN111563492B (zh) | 一种跌倒检测方法、跌倒检测装置及存储装置 | |
CN113822151A (zh) | 用于监测市场内部人员聚集密度的方法和系统 | |
JP6822326B2 (ja) | 見守り支援システム及びその制御方法 | |
CN114821805B (zh) | 一种危险行为预警方法、装置和设备 | |
CN113947795B (zh) | 口罩佩戴检测方法、装置、设备及存储介质 | |
Miaou et al. | A smart vision-based human fall detection system for telehealth applications | |
CN111814590B (zh) | 人员安全状态监测方法、设备及计算机可读存储介质 | |
JP6645503B2 (ja) | 画像解析装置、画像解析方法、及び、画像解析プログラム | |
CN113128330A (zh) | 一种人体跌倒监控系统 | |
JP4528103B2 (ja) | 画像認識装置 |
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 |