CN111310647A - 自动识别跌倒模型的生成方法和装置 - Google Patents

自动识别跌倒模型的生成方法和装置 Download PDF

Info

Publication number
CN111310647A
CN111310647A CN202010089656.0A CN202010089656A CN111310647A CN 111310647 A CN111310647 A CN 111310647A CN 202010089656 A CN202010089656 A CN 202010089656A CN 111310647 A CN111310647 A CN 111310647A
Authority
CN
China
Prior art keywords
data
falling
model
identification
fall
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
CN202010089656.0A
Other languages
English (en)
Inventor
彭天拓
李进才
李克
陈其云
林敏�
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.)
Beijing Yunzhuyang Technology Co Ltd
Original Assignee
Beijing Yunzhuyang Technology Co Ltd
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 Beijing Yunzhuyang Technology Co Ltd filed Critical Beijing Yunzhuyang Technology Co Ltd
Priority to CN202010089656.0A priority Critical patent/CN111310647A/zh
Publication of CN111310647A publication Critical patent/CN111310647A/zh
Pending legal-status Critical Current

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
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G06V40/103—Static body considered as a whole, e.g. static pedestrian or occupant recognition
    • 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
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • 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
    • G06N3/084—Backpropagation, e.g. using gradient descent

Landscapes

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

Abstract

本发明提供一种自动识别跌倒模型的生成方法和装置，该方法包括：获取跌倒数据集；利用历史识别模型对跌倒数据进行识别，得到识别有误、漏识别的跌倒数据；对跌倒数据内具备典型特征的数据和识别有误、漏识别的跌倒数据进行预处理，得到预处理后的训练样本数据；对预处理后的训练样本数据进行神经网络的卷积操作和归一化处理，得到识别跌倒的检测结果；根据检测结果确定最终识别跌倒模型。本发明通过海量数据的训练，能够在无人参与下自动识别跌倒等行为，能够及时发现老人的跌倒并提供救助，将老人的损害降到最低，并且本发明得到的最终识别跌倒模型，其准确性往往高于人工，能够有效的节约人力投入，提升安全监控的精准度。

Description

自动识别跌倒模型的生成方法和装置
技术领域
本发明涉及计算机技术领域，尤其涉及一种自动识别跌倒模型的生成方法和装置。
背景技术
视频监控系统能够远程观察现场的情况，不受地域，时间，空间的限制，同时当发生突然意外情况，也可以通过视频监控调取回放记录，进行现场还原和取证材料，随着科技的发展，目前各个场所都安装了监控，成为公共场合最基础，必不可少的安防监控设备。例如，随着社会的发展，社会老龄化趋势逐渐加重，养老院成为了老人养老的首选居所，在目前国内养老院中，在院内的走廊、过道、活动区域、电梯、楼梯等都安装了摄像头，同时在部分的老人房间也是安装摄像头，便于随时了解房间内老人的情况，随时能够提供帮助。
现在的监控系统缺点在于：当前的视频监控画面都是集中在一起显示，也就是说往往需要人一天24小时盯着屏幕看，对于数百个监控画面，这么长时间盯着，实际上很难发现问题，也是一种极不科学的方法。对于养老院而言，老人的跌倒是一种非常危险的事件，往往老人在散步或者爬楼梯等情况不小心跌倒了，保安人员也无法及时的通过视频监控发现，这样错过了最佳处置的时间，老人的伤害进一步加大，甚至老人因为跌倒未处置导致死亡也有发生。
基于现有的仅靠人力24小时不间断地盯着数百个屏幕的方式来实现识别老人是否跌倒，是非常容易出现失误的，因此现在急需一种可以自动识别老人跌倒的模型来提高服务能力，减少了人力成本。
发明内容
为了解决现有技术的视频监控系统，无法自主的识别老人的跌倒行为，造成人力成本剧增的问题，本发明提供一种自动识别跌倒模型的生成方法和装置。
第一方面，本发明提供一种自动识别跌倒模型的生成方法，该方法包括：
获取跌倒数据集；
利用历史识别模型对跌倒数据进行识别，得到识别有误、漏识别的跌倒数据；
对跌倒数据内具备典型特征的数据和识别有误、漏识别的跌倒数据进行预处理，得到预处理后的训练样本数据；
对预处理后的训练样本数据进行神经网络的卷积操作和归一化处理，得到识别跌倒的检测结果；
根据检测结果确定最终识别跌倒模型。
进一步地，对跌倒数据内具备典型特征的数据和识别有误、漏识别的跌倒数据进行预处理，得到预处理后的训练样本数据还包括：
根据跌倒数据确定生成对抗网络模型；
将跌倒数据和养老机构的视频数据进行结合，将结合后的数据输入生成对抗网络模型，得到新的训练数据；
将新的训练数据进行预处理，得到预处理后的训练样本数据。
进一步地，根据检测结果确定最终识别跌倒模型包括：
判断检测结果中的参数数值是否大于预设阈值；
若大于，则确定当前参数数值对应的识别跌倒模型为最终模型。
进一步地，该方法还包括：
获取新的训练样本集；
确定新的训练样本集与跌倒数据集间相似的数据；
利用循环神经网络调整相似数据的权重，使得新的训练样本集与跌倒数据集内的数据相匹配；
将匹配后的新的训练样本集输入最终识别跌倒模型，进行跌倒识别。
第二方面，本发明提供一种自动识别跌倒模型的生成装置，该装置包括：
获取模块，用于获取跌倒数据集；
历史模型识别模块，用于利用历史识别模型对跌倒数据进行识别，得到识别有误、漏识别的跌倒数据；
预处理模块，用于对跌倒数据内具备典型特征的数据和识别有误、漏识别的跌倒数据进行预处理，得到预处理后的训练样本数据；
识别检测结果获取模块，用于对预处理后的训练样本数据进行神经网络的卷积操作和归一化处理，得到识别跌倒的检测结果；
识别跌倒模型确定模块，用于根据检测结果确定最终识别跌倒模型。
进一步地，预处理模块还包括：
生成对抗网络模型确定单元，用于根据跌倒数据确定生成对抗网络模型；
合成单元，用于将跌倒数据和养老机构的视频数据进行结合，将结合后的数据输入生成对抗网络模型，得到新的训练数据；
预处理单元，用于将新的训练数据进行预处理，得到预处理后的训练样本数据。
进一步地，识别跌倒模型确定模块包括：
判断单元，用于判断检测结果中的参数数值是否大于预设阈值；
确定模型单元，用于若大于，则确定当前参数数值对应的识别跌倒模型为最终模型。
进一步地，该装置还包括：
新的训练样本集获取模块，用于获取新的训练样本集；
相似数据获取模块，用于确定新的训练样本集与跌倒数据集间相似的数据；
权重调整模块，用于利用循环神经网络调整相似数据的权重，使得新的训练样本集与跌倒数据集内的数据相匹配；
训练模块，用于将匹配后的新的训练样本集输入最终识别跌倒模型，进行跌倒识别。
第三方面，本发明提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现第一方面提供的自动识别跌倒模型的生成方法的步骤。
第四方面，本发明提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现第一方面提供的自动识别跌倒模型的生成方法的步骤。
本发明通过海量数据的训练，能够在无人参与下自动识别跌倒等行为，能够及时发现老人的跌倒并提供救助，将老人的损害降到最低，并且本发明得到的最终识别跌倒模型，其准确性往往高于人工，通过这种方式，能够有效的节约人力投入，提升安全监控的精准度。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的自动识别跌倒模型的生成方法流程示意图；
图2为本发明实施例提供的自动识别跌倒模型的生成方法的整体流程示意图；
图3为本发明实施例提供的自动识别跌倒模型的生成装置框图；
图4为本发明实施例提供的电子设备框图。
具体实施方式
为了使本技术领域的人员更好地理解本申请方案，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分的实施例，而不是全部的实施例。基于本申请中的实施例，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他实施例，都应当属于本申请保护的范围。
需要说明的是，本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本申请的实施例。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
目前的养老院机构内观看老人跌倒依靠的是使用视频监控系统将视频监控画面集中在一起显示，这样往往需要人一天24小时盯着屏幕看，对于数百个监控画面，这么长时间盯着，实际上很难发现问题，也是一种极不科学的方法。为了解决上述问题，本发明实施例提供一种自动识别跌倒模型的生成方法，如图1所示，该方法包括：
步骤S101，获取跌倒数据集；
步骤S102，利用历史识别模型对跌倒数据进行识别，得到识别有误、漏识别的跌倒数据；
步骤S103，对跌倒数据内具备典型特征的数据和识别有误、漏识别的跌倒数据进行预处理，得到预处理后的训练样本数据；
步骤S104，对预处理后的训练样本数据进行神经网络的卷积操作和归一化处理，得到识别跌倒的检测结果；
步骤S105，根据检测结果确定最终识别跌倒模型。
具体为，本发明实施例中首先获取工作人员在新场景下模拟的各种跌倒数据，生成跌倒数据集，利用养老院机构原先使用的历史识别模型对新场景下的跌倒数据进行识别，得到一个初步识别的准确性结果，比如目前阶段新场景未训练的识别准确度在60％，这时会得到一些识别有误、漏识别的跌倒数据，之后将新场景中工作人员认为比较有典型代表性的场景数据和一些识别有误、漏识别的跌倒数据共同整理出来，使用LabelImage进行标注处理，将图片序列化并生成训练样本；
对这些训练样本进行数据预处理，包括去噪、灰度变换等，剔除无关的干扰信息，得到预处理后的训练样本数据；将预处理后的训练样本数据，输入基于Darknet-53模式的Yolo_V3神经网络先进行卷积操作，再通过anchor策略聚类归一化后，最后使用Leaky ReLU激活函数进行Loss Function操作得到目标检测结果，目标检测结果就是识别出跌倒行为的判断结果。其中检测结果得到的是一个数值，可以是0.3-0.999之间的任意数值，该检测结果的数值代表了当前检测结果的准确性。在循环执行预处理数据输入神经网络进行卷积操作-归一化处理-使用Leaky ReLU激活函数进行Loss Function操作的步骤，得到多个检测结果，其对应输出多个识别模型，将检测结果数值最大的识别模型作为最终的识别跌倒模型。
无需进行人体关键点检测，直接对图片中人物身体的状态标记，随后对标记图片做算法处理和使用优化参数后的YOLO神经网络模型进行学习，从而达到跌倒姿态的识别效果，在图像处理方面每张图片处理速度在0.02秒左右，训练评估准确率达到98％，实际场景准确率达到92％左右。
本发明通过海量数据的训练，能够在无人参与下自动识别跌倒等行为，能够及时发现老人的跌倒并提供救助，将老人的损害降到最低，并且本发明得到的最终识别跌倒模型，其准确性往往高于人工，通过这种方式，能够有效的节约人力投入，提升安全监控的精准度。
基于上述各实施例的内容，作为一种可选实施例：对跌倒数据内具备典型特征的数据和识别有误、漏识别的跌倒数据进行预处理，得到预处理后的训练样本数据还包括：
根据跌倒数据确定生成对抗网络模型；
将跌倒数据和养老机构的视频数据进行结合，将结合后的数据输入生成对抗网络模型，得到新的训练数据；
将新的训练数据进行预处理，得到预处理后的训练样本数据。
具体为，根据工作人员在新场景下模拟的各种跌倒数据，生成对抗网络生成模型，用以扩充训练样本的数据集。使用生成对抗网络(GAN)强化识别效率及准确度。使用普通1080Ti显卡，可以同时对50个摄像头同时进行监测及识别。
生成对抗网络(GAN，Generative Adversarial Networks)是一种深度学习模型，是近年来复杂分布上无监督学习最具前景的方法之一。模型通过框架中(至少)两个模块：生成模型和判别模型的互相博弈学习产生相当好的输出。在本发明实施例中，由生成对抗网络生成的模型来捕捉样本数据的分布，用服从某一分布(均匀分布，高斯分布等)的噪声再生成一个类似真实训练数据的样本，在后面称为真实样本，其追求效果是越像真实样本越好；判别模型是一个二分类器，估计一个样本来自于原始训练数据(跌倒数据集)的概率，如果样本来自于原始训练数据，判别模型输出大概率，否则判别G模型输出小概率。GAN模型中的G表示生成模型，D表示判别模型，模型D的输出是[0，1]之间的数，表示输入x是真实样本的概率。令Pr和Pg代表真实样本和生成样本的分布，那么对于判别模型D的目标函数为：
Figure BDA0002383119520000081
也就是使判别模型对真实样本尽量输入1，对生成样本尽量输出0，类似的生成模型就是生成让判别模型无法分辨的样本，那么对于生成模型G的目标函数就是：
Figure BDA0002383119520000082
生成模型G的输入是符合某一均匀分布的噪声数据z，分别对D和G进行交互迭代，从而达到最小化目标函数的目的，即生成模型G和判别模型D通过都极力优化自己的网络，最大化D和最小化G，从而形成竞争对抗，直到双方达到一个动态的平衡最后的生成模型就是生成对抗网络生成模型。
需要解释的是，上述两个公式中，Ex表示属于真实样本的概率，Ez表示噪声到样本空间的映射。
在获取到生成对抗网络模型后，将跌倒数据和养老机构的视频数据进行结合，将结合后的数据输入对抗网络生成模型，也即是将养老机构、社区等机构的视频数据与跌倒数据相结合，这样合在一起的数据就是：在走廊跌倒，在屋里跌倒，在楼梯跌倒，在厕所跌倒等。
之后再将输入到生成对抗网络模型的数据进行去噪、灰度变换等预处理，得到预处理后的训练样本数据。之后再将这些预处理后的数据输入基于Darknet-53模式的Yolo_V3神经网络先进行卷积操作，再通过anchor策略聚类归一化后，最后使用Leaky ReLU激活函数进行Loss Function操作得到目标检测结果，目标检测结果就是识别出跌倒行为的判断结果。
本发明实施例随着数据量的增大，通过扩大样本数量及不断对训练参数进行自我修正，以达到提高识别效率和准确率的目的，最终能够适应更多的场景以及不间断的提升其识别精度，降低老人的跌倒风险，有效提升老人的安全防护，减少因为跌倒事故给养老院带来的经济损失。
基于上述各实施例的内容，作为一种可选实施例：根据检测结果确定最终识别跌倒模型包括：
判断检测结果中的参数数值是否大于预设阈值；
若大于，则确定当前参数数值对应的识别跌倒模型为最终模型。
具体为，在这里，检测结果的的参数数值通常是小于1的数值，具体的在0.3-0.999之间，为了得到更好的训练模型，可以提前设置阈值，在检测结果中的参数数值满足预设阈值时，确定当前参数数值对应的识别跌倒模型为最终模型，当然也可以设置是所有参数里最大的数值对应的模型为最终跌倒模型。
基于上述各实施例的内容，作为一种可选实施例：该方法还包括：
获取新的训练样本集；
确定新的训练样本集与跌倒数据集间相似的数据；
利用循环神经网络调整相似数据的权重，使得新的训练样本集与跌倒数据集内的数据相匹配；
将匹配后的新的训练样本集输入最终识别跌倒模型，进行跌倒识别。
具体为，本发明实施例使用循环神经网络进行数据迁移学习，详细为：获取另一养老机构的训练样本集，在深度学习跌倒识别任务中，在先获取的养老机构(在后文称为A机构)的训练样本数量有限，缺少足够的训练样本，获取另一养老机构(在后文称为B机构)的训练样本集数量充足，且两个机构的训练数据具有数据服从相同的分布的特性，此时需要使用循环神经网络(RNN)来实现迁移学习，实现方式是在A机构中找到与B机构相似的数据，调整这个数据的权值，使得新的数据与B机构的数据进行匹配，这样将匹配后的新的训练样本集输入最终识别跌倒模型，进行跌倒识别。
迁移阶段步骤如下：
步骤1、样本迁移
在A机构中找到与B机构相似的数据，调整这个数据的权值，使得新的数据与B机构的数据进行匹配。即通过机构A的跌倒数据特征，在机构B生成样本。
深度学习是一个正向传播预测、反向传播学习调整参数的过程。公式为Y＝Wx+b，公式中的W即为权值。
步骤2、特征迁移
假设A机构和B机构含有一些共同的交叉特征，通过特征变换，将A机构和B机构的特征变换到相同空间，使得该空间中A机构数据与B机构数据具有相同分布的数据分布。即机构B不需要从零开始训练，而是在机构A的基础上提取跌倒的权值。
步骤3、模型迁移
A机构和B机构共享模型参数，将之前在A机构中通过大量数据训练好的识别跌倒模型应用到B机构上进行预测，从而检验模型的通用性。
本发明实施例通过叠加迁移学习技术来更进一步提升跌倒的识别准确度和效率，且通过识别跌倒模型的直接应用，提高了识别跌倒模型的通用性。
基于上述各实施例的内容，作为一种可选实施例：如图2为本发明实施例提供的自动识别跌倒模型的生成方法的整体流程示意图，具体步骤介绍如下：
步骤1：从机构A中获取跌倒数据(D1)；
步骤2：历史模型M1检测识别结果；
步骤3：筛选出有价值的数据(D2)；
步骤4：标记并生成样本数据(D3)；
步骤5：对D3/D6进行预处理；
步骤6：YOLO_V3卷积操作；
步骤7：输出向量；
步骤8：Loss Function(归一化)；
步骤9：检测结果，得到数值；
步骤10：判断当前数值是否大于0.3-0.999区间的值；
步骤11，若满足区间，则输出识别模型；
步骤12，循环步骤6-步骤11n次；
步骤13，获取多个模型(M2/M2.1/M2.2/…)，判断模型是否满足预期值，若满足，则执行步骤14，否则执行步骤15；
步骤14，筛选出识别精度最高的模型；
步骤15，通过D1获得生成对抗网络模型(M3)；
步骤16，通过M3模型生成跌倒数据(D4)；
步骤17，获取机构A的视频数据(D5)；
步骤18，将D4+D5数据合成，生成新的训练D6，再执行步骤5。
本发明实施例可以获取机构独有场景的数据，通过图片优化及对机构的实际场景学习，在二次强化训练(增加样本数据)时可以排除视频数据对姿态的干扰，达到明显提高该机构特有场景的准确度，特定场景的准确率可达96％左右。
根据本发明的再一个方面，本发明实施例提供自动识别跌倒模型的生成装置，参见图3，图3为本发明实施例提供的自动识别跌倒模型的生成装置框图。该装置用于在前述各实施例中完成本发明实施例提供的自动识别跌倒模型的生成。因此，在前述各实施例中的本发明实施例提供的自动识别跌倒模型的生成方法中的描述和定义，可以用于本发明实施例中各执行模块的理解。
该装置包括：
获取模块301，用于获取跌倒数据集；
历史模型识别模块302，用于利用历史识别模型对跌倒数据进行识别，得到识别有误、漏识别的跌倒数据；
预处理模块303，用于对跌倒数据内具备典型特征的数据和识别有误、漏识别的跌倒数据进行预处理，得到预处理后的训练样本数据；
识别检测结果获取模块304，用于对预处理后的训练样本数据进行神经网络的卷积操作和归一化处理，得到识别跌倒的检测结果；
识别跌倒模型确定模块305，用于根据检测结果确定最终识别跌倒模型。
具体的，本实施例的装置中各模块实现其功能的具体过程可参见对应的方法实施例中的相关描述，此处不再赘述。
本发明通过海量数据的训练，能够在无人参与下自动识别跌倒等行为，能够及时发现老人的跌倒并提供救助，将老人的损害降到最低，并且本发明得到的最终识别跌倒模型，其准确性往往高于人工，通过这种方式，能够有效的节约人力投入，提升安全监控的精准度。
基于上述各实施例的内容，作为一种可选实施例：预处理模块还包括：
生成对抗网络模型确定单元，用于根据跌倒数据确定生成对抗网络模型；
合成单元，用于将跌倒数据和养老机构的视频数据进行结合，将结合后的数据输入生成对抗网络模型，得到新的训练数据；
预处理单元，用于将新的训练数据进行预处理，得到预处理后的训练样本数据。
具体的，本实施例的装置中各模块实现其功能的具体过程可参见对应的方法实施例中的相关描述，此处不再赘述。
本发明实施例随着数据量的增大，通过扩大样本数量及不断对训练参数进行自我修正，以达到提高识别效率和准确率的目的，最终能够适应更多的场景以及不间断的提升其识别精度，降低老人的跌倒风险，有效提升老人的安全防护，减少因为跌倒事故给养老院带来的经济损失。
基于上述各实施例的内容，作为一种可选实施例：识别跌倒模型确定模块包括：
判断单元，用于判断检测结果中的参数数值是否大于预设阈值；
确定模型单元，用于若大于，则确定当前参数数值对应的识别跌倒模型为最终模型。
具体的，本实施例的装置中各模块实现其功能的具体过程可参见对应的方法实施例中的相关描述，此处不再赘述。
基于上述各实施例的内容，作为一种可选实施例：装置还包括：
新的训练样本集获取模块，用于获取新的训练样本集；
相似数据获取模块，用于确定新的训练样本集与跌倒数据集间相似的数据；
权重调整模块，用于利用循环神经网络调整相似数据的权重，使得新的训练样本集与跌倒数据集内的数据相匹配；
训练模块，用于将匹配后的新的训练样本集输入最终识别跌倒模型，进行跌倒识别。
具体的，本实施例的装置中各模块实现其功能的具体过程可参见对应的方法实施例中的相关描述，此处不再赘述。
本发明实施例通过叠加迁移学习技术来更进一步提升跌倒的识别准确度和效率，且通过识别跌倒模型的直接应用，提高了识别跌倒模型的通用性。
图4为本发明实施例提供的电子设备框图，如图4所示，该设备包括：处理器401、存储器402和总线403；
其中，处理器401及存储器402分别通过总线403完成相互间的通信；处理器401用于调用存储器402中的程序指令，以执行上述实施例所提供的自动识别跌倒模型的生成方法，例如包括：获取跌倒数据集；利用历史识别模型对跌倒数据进行识别，得到识别有误、漏识别的跌倒数据；对跌倒数据内具备典型特征的数据和识别有误、漏识别的跌倒数据进行预处理，得到预处理后的训练样本数据；对预处理后的训练样本数据进行神经网络的卷积操作和归一化处理，得到识别跌倒的检测结果；根据检测结果确定最终识别跌倒模型。
本发明实施例提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现自动识别跌倒模型的生成方法的步骤。例如包括：获取跌倒数据集；利用历史识别模型对跌倒数据进行识别，得到识别有误、漏识别的跌倒数据；对跌倒数据内具备典型特征的数据和识别有误、漏识别的跌倒数据进行预处理，得到预处理后的训练样本数据；对预处理后的训练样本数据进行神经网络的卷积操作和归一化处理，得到识别跌倒的检测结果；根据检测结果确定最终识别跌倒模型。
以上所描述的装置实施例仅仅是示意性的，其中作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分的方法。
最后，本发明中应用了具体实施例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。

Claims (10)

1.一种自动识别跌倒模型的生成方法，其特征在于，所述方法包括：
获取跌倒数据集；
利用历史识别模型对跌倒数据进行识别，得到识别有误、漏识别的跌倒数据；
对所述跌倒数据内具备典型特征的数据和所述识别有误、漏识别的跌倒数据进行预处理，得到预处理后的训练样本数据；
对所述预处理后的训练样本数据进行神经网络的卷积操作和归一化处理，得到识别跌倒的检测结果；
根据所述检测结果确定最终识别跌倒模型。
2.根据权利要求1所述的方法，其特征在于，所述对所述跌倒数据内具备典型特征的数据和所述识别有误、漏识别的跌倒数据进行预处理，得到预处理后的训练样本数据还包括：
根据所述跌倒数据确定生成对抗网络模型；
将所述跌倒数据和养老机构的视频数据进行结合，将结合后的数据输入所述生成对抗网络模型，得到新的训练数据；
将所述新的训练数据进行预处理，得到预处理后的训练样本数据。
3.根据权利要求1所述的方法，其特征在于，所述根据所述检测结果确定最终识别跌倒模型包括：
判断所述检测结果中的参数数值是否大于预设阈值；
若大于，则确定当前参数数值对应的识别跌倒模型为最终模型。
4.根据权利要求1所述的方法，其特征在于，所述方法还包括：
获取新的训练样本集；
确定所述新的训练样本集与所述跌倒数据集间相似的数据；
利用循环神经网络调整所述相似数据的权重，使得所述新的训练样本集与所述跌倒数据集内的数据相匹配；
将所述匹配后的新的训练样本集输入所述最终识别跌倒模型，进行跌倒识别。
5.一种自动识别跌倒模型的生成装置，其特征在于，所述装置包括：
获取模块，用于获取跌倒数据集；
历史模型识别模块，用于利用历史识别模型对跌倒数据进行识别，得到识别有误、漏识别的跌倒数据；
预处理模块，用于对所述跌倒数据内具备典型特征的数据和所述识别有误、漏识别的跌倒数据进行预处理，得到预处理后的训练样本数据；
识别检测结果获取模块，用于对所述预处理后的训练样本数据进行神经网络的卷积操作和归一化处理，得到识别跌倒的检测结果；
识别跌倒模型确定模块，用于根据所述检测结果确定最终识别跌倒模型。
6.根据权利要求5所述的装置，其特征在于，所述预处理模块还包括：
生成对抗网络模型确定单元，用于根据所述跌倒数据确定生成对抗网络模型；
合成单元，用于将所述跌倒数据和养老机构的视频数据进行结合，将结合后的数据输入所述生成对抗网络模型，得到新的训练数据；
预处理单元，用于将所述新的训练数据进行预处理，得到预处理后的训练样本数据。
7.根据权利要求5所述的装置，其特征在于，所述识别跌倒模型确定模块包括：
判断单元，用于判断所述检测结果中的参数数值是否大于预设阈值；
确定模型单元，用于若大于，则确定当前参数数值对应的识别跌倒模型为最终模型。
8.根据权利要求5所述的装置，其特征在于，所述装置还包括：
新的训练样本集获取模块，用于获取新的训练样本集；
相似数据获取模块，用于确定所述新的训练样本集与所述跌倒数据集间相似的数据；
权重调整模块，用于利用循环神经网络调整所述相似数据的权重，使得所述新的训练样本集与所述跌倒数据集内的数据相匹配；
训练模块，用于将所述匹配后的新的训练样本集输入所述最终识别跌倒模型，进行跌倒识别。
9.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至4任一项所述自动识别跌倒模型的生成方法的步骤。
10.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现如权利要求1至4任一项所述自动识别跌倒模型的生成方法的步骤。
CN202010089656.0A 2020-02-12 2020-02-12 自动识别跌倒模型的生成方法和装置 Pending CN111310647A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010089656.0A CN111310647A (zh) 2020-02-12 2020-02-12 自动识别跌倒模型的生成方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010089656.0A CN111310647A (zh) 2020-02-12 2020-02-12 自动识别跌倒模型的生成方法和装置

Publications (1)

Publication Number Publication Date
CN111310647A true CN111310647A (zh) 2020-06-19

Family

ID=71147049

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010089656.0A Pending CN111310647A (zh) 2020-02-12 2020-02-12 自动识别跌倒模型的生成方法和装置

Country Status (1)

Country Link
CN (1) CN111310647A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112346050A (zh) * 2020-10-23 2021-02-09 清华大学 基于Wi-Fi设备的跌倒检测方法及系统
CN112733618A (zh) * 2020-12-22 2021-04-30 江苏艾雨文承养老机器人有限公司 人体跌倒检测方法、防跌倒机器人及防跌倒系统
CN113807275A (zh) * 2021-09-22 2021-12-17 南京邮电大学 基于隐私保护类gan特征增强的居家视频跌倒检测方法

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108197525A (zh) * 2017-11-20 2018-06-22 中国科学院自动化研究所 人脸图像生成方法及装置
CN108288072A (zh) * 2018-01-26 2018-07-17 深圳市唯特视科技有限公司 一种基于生成对抗网络的面部表情合成方法
CN109308450A (zh) * 2018-08-08 2019-02-05 杰创智能科技股份有限公司 一种基于生成对抗网络的脸部变化预测方法
CN109711254A (zh) * 2018-11-23 2019-05-03 北京交通大学 基于对抗生成网络的图像处理方法和装置
CN109740454A (zh) * 2018-12-19 2019-05-10 贵州大学 一种基于yolo-v3的人体体态识别方法
CN109886102A (zh) * 2019-01-14 2019-06-14 华中科技大学 一种基于深度图像的跌倒行为时空域检测方法
CN110263858A (zh) * 2019-06-21 2019-09-20 华北电力大学（保定） 一种螺栓图像合成方法、装置及相关设备
CN110472593A (zh) * 2019-08-20 2019-11-19 重庆紫光华山智安科技有限公司 训练图像获取方法、模型训练方法及相关装置
CN110490213A (zh) * 2017-09-11 2019-11-22 腾讯科技（深圳）有限公司 图像识别方法、装置及存储介质
CN110580287A (zh) * 2019-08-20 2019-12-17 北京亚鸿世纪科技发展有限公司 基于迁移学习和on-lstm的情感分类方法
CN110598727A (zh) * 2019-07-19 2019-12-20 深圳力维智联技术有限公司 基于迁移学习的模型构建方法、图像识别方法及其装置

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110490213A (zh) * 2017-09-11 2019-11-22 腾讯科技（深圳）有限公司 图像识别方法、装置及存储介质
CN108197525A (zh) * 2017-11-20 2018-06-22 中国科学院自动化研究所 人脸图像生成方法及装置
CN108288072A (zh) * 2018-01-26 2018-07-17 深圳市唯特视科技有限公司 一种基于生成对抗网络的面部表情合成方法
CN109308450A (zh) * 2018-08-08 2019-02-05 杰创智能科技股份有限公司 一种基于生成对抗网络的脸部变化预测方法
CN109711254A (zh) * 2018-11-23 2019-05-03 北京交通大学 基于对抗生成网络的图像处理方法和装置
CN109740454A (zh) * 2018-12-19 2019-05-10 贵州大学 一种基于yolo-v3的人体体态识别方法
CN109886102A (zh) * 2019-01-14 2019-06-14 华中科技大学 一种基于深度图像的跌倒行为时空域检测方法
CN110263858A (zh) * 2019-06-21 2019-09-20 华北电力大学（保定） 一种螺栓图像合成方法、装置及相关设备
CN110598727A (zh) * 2019-07-19 2019-12-20 深圳力维智联技术有限公司 基于迁移学习的模型构建方法、图像识别方法及其装置
CN110472593A (zh) * 2019-08-20 2019-11-19 重庆紫光华山智安科技有限公司 训练图像获取方法、模型训练方法及相关装置
CN110580287A (zh) * 2019-08-20 2019-12-17 北京亚鸿世纪科技发展有限公司 基于迁移学习和on-lstm的情感分类方法

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
吴冬茵等: "基于深度表示学习和高斯过程迁移学习的情感分析方法", 《中文信息学报》 *
周艳芳等: "一种基于迁移学习及多表征的微博立场分析方法", 《计算机科学》 *
徐萍等: "基于迁移学习的个性化循环神经网络语言模型", 《南京理工大学学报》 *
王凯等: "迁移学习在机械设备预测性维护领域的应用综述", 《中国仪器仪表》 *
王红斌等: "融合迁移学习的中文命名实体识别", 《小型微型计算机系统》 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112346050A (zh) * 2020-10-23 2021-02-09 清华大学 基于Wi-Fi设备的跌倒检测方法及系统
CN112733618A (zh) * 2020-12-22 2021-04-30 江苏艾雨文承养老机器人有限公司 人体跌倒检测方法、防跌倒机器人及防跌倒系统
CN113807275A (zh) * 2021-09-22 2021-12-17 南京邮电大学 基于隐私保护类gan特征增强的居家视频跌倒检测方法
CN113807275B (zh) * 2021-09-22 2023-10-24 南京邮电大学 基于隐私保护类gan特征增强的居家视频跌倒检测方法

Similar Documents

Publication Publication Date Title
Salimi et al. Visual-based trash detection and classification system for smart trash bin robot
CN111310647A (zh) 自动识别跌倒模型的生成方法和装置
CN112543936B (zh) 用于动作识别的动作结构自注意力图卷积网络模型
CN110852222A (zh) 一种基于目标检测的校园走廊场景智能监控方法
CN110188179B (zh) 语音定向识别交互方法、装置、设备及介质
CN112149962A (zh) 一种施工事故致因行为的风险定量评估方法及系统
CN111382672A (zh) 在线考试的作弊监测方法和装置
CN112528825A (zh) 一种基于图像识别的车站乘客招援服务方法
CN112580536A (zh) 一种高位视频车辆及车牌的检测方法及装置
CN114155595A (zh) 行为检测监控方法、智能摄像头及智能监控系统
CN110796090A (zh) 基于循环神经网络的人机协作人体行为意图判别方法
CN113011300A (zh) 一种ai视觉辨识违规行为的方法、系统及设备
CN113095160A (zh) 基于人工智能和5g的电力系统人员安全行为识别方法及系统
CN117475253A (zh) 一种模型训练方法、装置、电子设备及存储介质
CN115331152B (zh) 一种消防识别方法和系统
CN114821486B (zh) 一种电力作业场景下人员识别方法
CN111144243A (zh) 基于对抗学习的户型图识别方法和装置
CN115909144A (zh) 一种基于对抗学习的监控视频异常检测方法及系统
Jamshad et al. Geographic information systems (GIS) image analysis for prioritizing power system restoration
CN110889635B (zh) 一种用于对食品安全事件的处理进行应急演练的方法
CN114049682A (zh) 一种人体异常行为识别方法、装置、设备及存储介质
CN110969209B (zh) 一种陌生人识别方法、装置、电子设备及存储介质
CN114445862A (zh) 一种基于线下课堂监控的出勤率检测方法及系统
CN111723741A (zh) 一种基于视觉分析的临时围栏移动检测报警系统
CN112712126B (zh) 一种图片识别方法

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