CN111767812A - 跌倒检测方法、跌倒检测装置及存储装置 - Google Patents

跌倒检测方法、跌倒检测装置及存储装置 Download PDF

Info

Publication number
CN111767812A
CN111767812A CN202010561441.4A CN202010561441A CN111767812A CN 111767812 A CN111767812 A CN 111767812A CN 202010561441 A CN202010561441 A CN 202010561441A CN 111767812 A CN111767812 A CN 111767812A
Authority
CN
China
Prior art keywords
joint
joint frame
dimensional coordinates
height
frame
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
Application number
CN202010561441.4A
Other languages
English (en)
Other versions
CN111767812B (zh
Inventor
柴志文
魏乃科
潘华东
殷俊
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 Dahua Technology Co Ltd
Original Assignee
Zhejiang Dahua 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 Zhejiang Dahua Technology Co Ltd filed Critical Zhejiang Dahua Technology Co Ltd
Priority to CN202010561441.4A priority Critical patent/CN111767812B/zh
Publication of CN111767812A publication Critical patent/CN111767812A/zh
Application granted granted Critical
Publication of CN111767812B publication Critical patent/CN111767812B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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

Landscapes

  • Engineering & Computer Science (AREA)
  • Human Computer Interaction (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Theoretical Computer Science (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种跌倒检测方法、跌倒检测装置及存储装置，方法包括：获取场景图像及其深度信息；识别场景图像中目标人体的多个关节框，根据深度信息确定每个关节框的三维坐标，并基于三维坐标确定关节框的高度值；比较每个关节框的高度值与预设值的大小，若至少一个关节框的高度值小于预设值，则判定目标人体处于跌倒状态。通过上述方式，本发明能够及时且准确判断目标人体跌倒状态。

Description

跌倒检测方法、跌倒检测装置及存储装置
技术领域
本发明涉及图像处理技术领域，特别涉及跌倒检测方法、跌倒检测装置及存储装置。
背景技术
在现实生活中跌倒是较为常见的现象，如果能够及时预报显得尤为重要。比如在家庭场景下，老人、小孩跌倒发生时，及时预报可避免意外发生。又如在人员密集场景下及时对跌倒情况进行预报，可有效避免踩踏事件的发生。
传统的跌倒解决方案分为三种，一是依靠传统三轴加速度传感器，此方案需要人员佩戴相应设备；二是依靠各种环境传感器，此方案需要大量传感器，对安装环境较为严苛；三是利用摄像机的视觉检测方法，利用获取的图像判断是否处于跌倒状态，但是由于判断速度较慢，且不能满足多种场景的判断，造成判断不及时且判断不准确。
发明内容
有鉴于此，本发明主要解决的技术问题是提供跌倒检测方法、跌倒检测装置及存储装置，能够及时且准确判断目标人体跌倒状态。
为解决上述技术问题，本发明采用的一个技术方案是：提供了一种跌倒检测方法，方法包括：获取场景图像及其深度信息；识别场景图像中目标人体的多个关节框，根据深度信息确定每个关节框的三维坐标，并基于三维坐标确定关节框的高度值；比较每个关节框的高度值与预设值的大小，若至少一个关节框的高度值小于预设值，则判定目标人体处于跌倒状态。
为解决上述技术问题，本发明采用的又一个技术方案是：提供了一种跌倒检测装置，包括相互耦合的存储器和处理器；处理器用于执行存储器存储的程序指令，以实现上述所述的跌倒检测方法。
为解决上述技术问题，本发明采用的另一个技术方案是：提供了一种存储装置，存储有能够被处理器运行的程序指令，程序指令用于实现上述所述的跌倒检测方法。
本发明的有益效果是：区别于现有技术的情况，本发明提供一种跌倒检测方法、跌倒检测装置及存储装置。首先获取场景图像及其深度信息，然后识别场景图像中目标人体的多个关节框，根据深度信息确定每个关节框的三维坐标，并基于三维坐标确定关节框的高度值。再比较每个关节框的高度值与预设值的大小，若至少一个关节框的高度值小于预设值，则判定目标人体处于跌倒状态。通过场景图像及其深度信息即可在三维层面上能够及时地判断目标人体处于跌倒状态。无论目标人体处于人员稀疏或密集场景下，只要能从场景图像中识别出目标人体的关节框并确定关节框的高度值，即可准确地判断目标人体是否处于跌倒状态。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本发明的实施例，并与说明书一起用于解释本发明的原理。此外，这些附图和文字描述并不是为了通过任何方式限制本发明构思的范围，而是通过参考特定实施例为本领域技术人员说明本发明的概念。
图1是本发明跌倒检测方法第一实施例的流程示意图；
图2是图1中步骤S12一实施例的流程示意图；
图3是图2中步骤S123一实施例的流程示意图；
图4是本发明跌倒检测方法第二实施例的流程示意图；
图5是本发明跌倒检测装置一实施例的框架示意图；
图6是本发明存储装置一实施例的框架示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明的实施例，对本发明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他实施例，都属于本发明保护的范围。在不冲突的情况下，下述的实施例及实施例中的特征可以相互组合。
请参阅图1，图1是本发明跌倒检测方法第一实施例的流程示意图。需要说明的是，本实施例所阐述的跌倒检测方法并不局限于以下步骤。
步骤S11：获取场景图像及其深度信息。
其中，获取目标人体区域的场景图像以及对应的深度信息。场景图像可以为RGB图像、灰度图像、其他图像间接转化为RGB图像或灰度图像等。场景图像可以通过摄像机等方式获取。深度信息可以通过多目三维重建、深度相机、结构光、激光雷达等方式获取，在此不做限定。
步骤S12：识别场景图像中目标人体的多个关节框，根据深度信息确定每个关节框的三维坐标，并基于三维坐标确定关节框的高度值。
其中，从场景图像中识别出目标人体的多个关节框，比如识别出目标人体各个部位的关节框或者仅识别出目标人体漏出的眼部或手部或腰部等关节框等，其中，关节框可以为目标人体任意位置，同时关节框可以为任意形状。根据步骤S11中获取的深度信息确定每个关节框的三维坐标，并基于三维坐标确定关节框的高度值。
步骤S13：比较每个关节框的高度值与预设值的大小，若至少一个关节框的高度值小于预设值，则判定目标人体处于跌倒状态。
其中，比较每个关节框的高度值与预设值的大小，若至少一个关节框的高度值小于预设值，则判定目标人体处于跌倒状态。在其他实施例中，全部关节框的高度值大于预设值，判断目标人体没有跌倒。其中，预设值为相同的经验值，具体不做限定。
本实施例中，通过场景图像及其深度信息即可在三维层面上判断目标人体处于跌倒状态。无论目标人体处于人员稀疏或密集场景下，只要能从场景图像中识别出目标人体的关节框并确定关节框的高度值，即可判断目标人体是否处于跌倒状态。
请参阅图2，图2是图1中步骤S12一实施例的流程示意图。本实施例包括以下步骤。
步骤S121：识别场景图像中目标人体的多个关节点，建立包含关节点的关节框。
其中，从场景图像中识别出目标人体的多个关节点，比如识别出目标人体各个部位的关节点或仅识别目标人体漏出的部分关节点。关节点可以为鼻子、左眼、右眼、左耳、右耳、颈部、左肩、右肩、左手肘、右手肘、左手腕、右手腕、左髋、髋中点、右髋、左膝、右膝、左脚踝、右脚踝、左大脚趾、右大脚趾、左小脚趾、右小脚趾、左脚跟、右脚跟等多个关节点，当然也可以为其他关节点，具体不作限定。比如在人群密集区域，目标人体仅漏出左眼关节点或左手腕关节点等，从场景图像中识别出左眼关节点或左手腕关节点。上述涉及的关节点是在场景图像上通过神经网络等算法获取，其具体获取方式不做限定。
其中，一关节框内建立包含一关节点，即整个关节框包括关节点以及关节点周围区域。如左眼关节点以及左眼关节点周围区域即为关节框大小。
具体地，关节点位于关节框内的中心。优选地，以关节点为中心，建立矩形关节框。
步骤S122：根据深度信息确定关节框中每个像素点的三维坐标。
其中，通过深度信息确定关节点以及关节点周围区域内每个像素点的三维坐标。
步骤S123：基于关节框中每个像素点的三维坐标确定关节框的高度值。
其中，通过步骤S122获取的关节点以及关节点周围区域内每个像素点的三维坐标，来进一步确定关节框的高度。然后，根据步骤S13来进行判断目标人体是否处于跌倒状态。
本实施例中，当人体仅漏出部分关节点时，依然可以计算含有该关节点的关节框的高度值，进而能用于后续跌倒状态的判断。上述方案尤其适用于人群密集情况下，进一步能够及时且准确判断目标人体跌倒状态。
具体地，步骤S123进一步包括：首先，根据深度信息、相机焦距和场景图像的二维坐标，确定关节框在相机坐标系中的三维坐标。然后再将相机坐标系中的三维坐标转化为地面坐标系的三维坐标。
更具体地，根据深度信息、相机焦距和场景图像的主点坐标，来获取关节框内任一像素点相对于相机坐标系的第一三维坐标。其中，假设Z为深度信息，f为相机焦距，(u0，v0)为场景图像的主点坐标，(u，v)为任意像素点，(XC，YC，ZC)为第一三维坐标，第一三维坐标如下所示：
Figure BDA0002546242130000051
其中，将相机坐标系下的第一三维坐标转换为地面坐标系的第二三维坐标。其中假设第二三维坐标为(Xw，Yw，Zw)。通过将第二三维坐标的深度值ZC转换成Yw值，以获取关节框的高度值。
请参阅图3，图3是图2中步骤S123一实施例的流程示意图。本实施例包括以下步骤。
步骤S1231：计算关节框内像素点的高度均值与高度标准差。
其中，分别计算高度均值与高度标准差，其公式如下：
Figure BDA0002546242130000052
Figure BDA0002546242130000053
n为关节框内像素点个数；Yi为第i个像素点的高度值；Yave为高度均值；σ为标准差。
步骤S1232：计算关节框内像素点的高度值与高度均值的差值绝对值。
其中，假设差值绝对值为Hi，则差值绝对值公式为：|Yi-Yave|＝Hi。
步骤S1233：判断对应差值绝对值大于预设倍数高度标准差的像素点。
其中，假设p为预设倍数，当Hi＞pσ时，则进入步骤S1234中舍弃该像素点。p为常量，可以根据精度来确定大小。该p越小，计算关节框的高度值就更准确，在此p值不作限定。
具体地，当该差值绝对值大于预设倍数，则进入步骤S1234，然后将关节框内剩余的像素点重复执行步骤S1231和步骤S1232来计算高度均值、标准差以及比较差值绝对值与预设倍数大小。直到不存在对应差值绝对值大于预设倍数高度标准差的像素点，即进入步骤S1235中最终关节框内剩下的像素点的高度均值为关节框的高度值。
步骤S1234：舍弃像素点。
其中，当某一个像素点的差值绝对值大于预设倍数高度标准差时，该像素点会被舍弃。
步骤S1235：高度均值作为关节框的高度值。
其中，经过上述步骤后，关节框内的任一像素点都能满足差值绝对值小于等于预设倍数的高度标准差，然后各像素点的高度均值即为关节框的高度值。
本实施例中，在关节框高度值计算上，充分考虑到关节点周围三维信息，并不断迭代排除误差较大的高度信息，精度更高、鲁棒性更强。
请参阅图4，图4是本发明跌倒检测方法第二实施例的流程示意图。本实施例与上述实施例的区别在于，本实施例中关节框包括多个关节子框，通过关节子框的高度值的平均值作为关节框的高度值。本实施例具体包括如下步骤。
步骤S21：获取场景图像及其深度信息。
步骤S22：识别场景图像中目标人体的多个关节框，关节框包括多个关节子框，根据深度信息确定每个关节框的三维坐标，并基于三维坐标确定关节框的高度值。
其中，从场景图像中识别出目标人体的多个关节子框，其中若干个关节子框组合形成关节框。关节框可以为目标人体任意位置，同时关节框可以为任意形状。根据步骤S21中获取的深度信息确定每个关节框的三维坐标，并基于三维坐标确定关节框的高度值。
具体地，关节框为头部关节框、肩部关节框或腰部关节框或手部关节框或脚部关节框。头部关节框包括多个头部器官子框，比如一头部器官子框内包含有鼻子、左眼、右眼、左耳、右耳等任意一个关节点。肩部关节框包括多个肩部关节子框，比如一肩部关节子框包含有颈部、左肩、右肩等任意一个关节点。腰部关节框包括多个腰部关节子框，比如一腰部关节子框包含有左髋、髋中点、右髋等任意一个关节点。手部关节框包括多个手部器官子框，比如，一手部器官子框内包含有左手肘、右手肘、左手腕、右手腕等任意一个关节点。脚部关节框包括多个脚部器官子框，一脚部器官子框内包含有左膝、右膝、左脚踝、右脚踝、左大脚趾、右大脚趾、左小脚趾、右小脚趾、左脚跟、右脚跟等任意一个关节点。
步骤S23：根据深度信息确定每个关节框中所有关节子框的三维坐标。
其中，通过深度信息确定每个关节框中所有关节子框的三维坐标。比如，当头部关节框包括建立包含鼻子关节点的头部器官子框、建立包含左眼关节点的头部器官子框、建立包含右眼关节点的头部器官子框，然后确定上述三者头部器官子框的三维坐标。
步骤S24：基于关节子框的三维坐标确定关节子框的高度值。
其中，根据关节子框的三维坐标确定关节子框的高度值。比如，获取左眼关节点的头部器官子框的三维坐标后，根据该三维坐标，即能确定该左眼关节点的头部器官子框的高度值。
步骤S25：将关节子框的高度值的平均值作为关节框的高度值。
其中，将关节框内各包含的各关节子框的高度值求取平均值，该平均值即为关节框的高度值。比如当头部关节框包括建立包含鼻子关节点的头部器官子框、建立包含左眼关节点的头部器官子框和建立包含右眼关节点的头部器官子框时，分别求取这三个头部器官子框的高度值，再对三个头部器官子框求取平均值，该平均值为头部关节框的高度值。
步骤S26：比较每个关节框的高度值与预设值的大小，若至少一个关节框的高度值小于预设值，则判定目标人体处于跌倒状态。
其中，比较每个关节框的高度值与预设值的大小，若至少一个关节框的高度值小于预设值，则判定目标人体处于跌倒状态。在其他实施例中，全部关节框的高度值大于预设值，则判断目标人体没有跌倒。其中，预设值为相同的经验值，具体不做限定。
本实施例中与上述实施例的区别为：关节框包含多个关节子框，建立包含关节点的关节子框。即将局部的多个关节子框整合成一关节框后，使得本实施例计算更精确且更稳定，鲁棒性更好。在实际跌倒检测过程中，当目标人体处于人群密集场景且仅漏出部分关节点时，通过直接建立包含关节点的关节框求取关节点以及关节点周围区域的像素值点的三维坐标来确定关节框的高度值。在人员稀疏的环境下，本实施例与上述实施例均能获取的关节框的高度值。
请参阅图5，图5是本发明跌倒检测装置一实施例的框架示意图。
本发明提供了一种跌倒检测装置，跌倒检测装置800包括相互耦合的存储器801和处理器802，处理器802用于执行存储器801中存储的程序指令，以实现上述任一实施例的跌倒检测方法。
具体地，处理器802用于控制其自身以及存储器以实现上述任一跌倒检测方法实施例中的步骤。处理器802还可以称为CPU(Central Processing Unit，中央处理单元)。处理器802可能是一种集成电路芯片，具有信号的处理能力。处理器802还可以是通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(ApplicationSpecific Integrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable GateArray,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。另外，处理器802可以由集成电路芯片共同实现。
通过上述方案，能够及时且准确判断目标人体跌倒状态。
请参阅图6，图6是本发明存储装置一实施例的框架示意图。
本发明提供了一种存储装置，存储装置900内存储有能够被处理器运行的程序指令901，程序指令901用于实现上述任一所述的跌倒检测方法。通过上述方案，能够及时且准确判断目标人体跌倒状态。
此外，在本发明中，除非另有明确的规定和限定，术语“相连”、“连接”、“层叠”等术语应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或成一体；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通或两个元件的相互作用关系。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。
最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，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，或者对其中部分或者全部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发明各实施例技术方案的范围。

Claims (10)

1.一种跌倒检测方法，其特征在于，所述方法包括：
获取场景图像及其深度信息；
识别所述场景图像中目标人体的多个关节框，根据所述深度信息确定每个所述关节框的三维坐标，并基于所述三维坐标确定所述关节框的高度值；
比较每个所述关节框的高度值与预设值的大小，若至少一个所述关节框的高度值小于所述预设值，则判定所述目标人体处于跌倒状态。
2.根据权利要求1所述的方法，其特征在于，所述识别所述场景图像中目标人体的多个关节框，根据所述深度信息确定每个所述关节框的三维坐标，并基于所述三维坐标确定所述关节框的高度值，包括：
识别所述场景图像中目标人体的多个关节点，建立包含所述关节点的关节框；
根据所述深度信息确定所述关节框中每个像素点的三维坐标；
基于所述关节框中每个像素点的三维坐标确定所述关节框的高度值。
3.根据权利要求2所述的方法，其特征在于，所述识别所述场景图像中目标人体的多个关节点，建立包含所述关节点的关节框，包括：
以所述关节点为中心，建立矩形关节框。
4.根据权利要求2所述的方法，其特征在于，所述基于所述关节框中每个像素点的三维坐标确定所述关节框的高度值，包括：
计算所述关节框内像素点的高度均值与高度标准差；
计算所述关节框内像素点的所述高度值与所述高度均值的差值绝对值；
若存在对应所述差值绝对值大于预设倍数所述高度标准差的像素点，则在所述关节框中舍弃所述像素点；
重复迭代执行所述计算所述关节框内像素点的高度均值与高度标准差的步骤，直至不存在对应所述差值绝对值大于预设倍数所述高度标准差的像素点；
以迭代完成后的所述高度均值作为所述关节框的高度值。
5.根据权利要求1所述的方法，其特征在于，所述关节框包括多个关节子框，所述根据所述深度信息确定每个所述关节框的三维坐标，并基于所述三维坐标确定所述关节框的高度值，包括：
根据所述深度信息确定每个所述关节框中所有关节子框的三维坐标；
基于所述关节子框的三维坐标确定所述关节子框的高度值；
将所述关节子框的高度值的平均值作为所述关节框的高度值。
6.根据权利要求5所述的方法，其特征在于，所述关节框为头部关节框、肩部关节框或腰部关节框或手部关节框或脚部关节框；所述头部关节框包括多个头部器官子框，所述肩部关节框包括多个肩部关节子框，所述腰部关节框包括多个腰部关节子框，所述手部关节框包括多个手部器官子框，所述脚部关节框包括多个脚部器官子框。
7.根据权利要求1所述的方法，其特征在于，所述根据所述深度信息确定每个所述关节框的三维坐标，包括：
根据所述深度信息、相机焦距和所述场景图像的二维坐标，确定所述关节框在相机坐标系中的三维坐标；
将相机坐标系中的三维坐标转化为地面坐标系的三维坐标。
8.根据权利要求7所述的方法，其特征在于，所述根据所述深度信息、相机焦距和所述场景图像的二维坐标，确定所述关节框在相机坐标系中的三维坐标，包括：
根据所述深度信息、所述相机焦距和所述场景图像的主点坐标，来获取所述关节框内任一像素点相对于所述相机坐标系的第一三维坐标；
将所述相机坐标系下的第一三维坐标转换为所述地面坐标系的第二三维坐标。
9.一种跌倒检测装置，其特征在于，包括相互耦合的存储器和处理器；
所述处理器用于执行所述存储器存储的程序指令，以实现权利要求1至8任一项所述的跌倒检测方法。
10.一种存储装置，其特征在于，存储有能够被处理器运行的程序指令，所述程序指令用于实现权利要求1至8任一项所述的跌倒检测方法。
CN202010561441.4A 2020-06-18 2020-06-18 跌倒检测方法、跌倒检测装置及存储装置 Active CN111767812B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010561441.4A CN111767812B (zh) 2020-06-18 2020-06-18 跌倒检测方法、跌倒检测装置及存储装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010561441.4A CN111767812B (zh) 2020-06-18 2020-06-18 跌倒检测方法、跌倒检测装置及存储装置

Publications (2)

Publication Number Publication Date
CN111767812A true CN111767812A (zh) 2020-10-13
CN111767812B CN111767812B (zh) 2023-04-21

Family

ID=72721114

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010561441.4A Active CN111767812B (zh) 2020-06-18 2020-06-18 跌倒检测方法、跌倒检测装置及存储装置

Country Status (1)

Country Link
CN (1) CN111767812B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113925391A (zh) * 2021-09-17 2022-01-14 美智纵横科技有限责任公司 一种基于清洁机器人的摔倒检测方法及装置、清洁机器人

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105279483A (zh) * 2015-09-28 2016-01-27 华中科技大学 一种基于深度图像的跌倒行为实时检测方法
CN106056035A (zh) * 2016-04-06 2016-10-26 南京华捷艾米软件科技有限公司 一种基于体感技术的幼儿园智能监控方法
US20170372483A1 (en) * 2016-06-28 2017-12-28 Foresite Healthcare, Llc Systems and Methods for Use in Detecting Falls Utilizing Thermal Sensing
CN109635783A (zh) * 2019-01-02 2019-04-16 上海数迹智能科技有限公司 视频监控方法、装置、终端和介质
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
CN110706255A (zh) * 2019-09-25 2020-01-17 马可 一种基于自适应跟随的跌倒检测方法
CN111046749A (zh) * 2019-11-25 2020-04-21 西安建筑科技大学 一种基于深度数据的人体跌倒行为检测方法
CN111243229A (zh) * 2019-12-31 2020-06-05 浙江大学 一种老年人跌倒风险评估方法及系统

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105279483A (zh) * 2015-09-28 2016-01-27 华中科技大学 一种基于深度图像的跌倒行为实时检测方法
CN106056035A (zh) * 2016-04-06 2016-10-26 南京华捷艾米软件科技有限公司 一种基于体感技术的幼儿园智能监控方法
US20170372483A1 (en) * 2016-06-28 2017-12-28 Foresite Healthcare, Llc Systems and Methods for Use in Detecting Falls Utilizing Thermal Sensing
CN109635783A (zh) * 2019-01-02 2019-04-16 上海数迹智能科技有限公司 视频监控方法、装置、终端和介质
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
CN110706255A (zh) * 2019-09-25 2020-01-17 马可 一种基于自适应跟随的跌倒检测方法
CN111046749A (zh) * 2019-11-25 2020-04-21 西安建筑科技大学 一种基于深度数据的人体跌倒行为检测方法
CN111243229A (zh) * 2019-12-31 2020-06-05 浙江大学 一种老年人跌倒风险评估方法及系统

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113925391A (zh) * 2021-09-17 2022-01-14 美智纵横科技有限责任公司 一种基于清洁机器人的摔倒检测方法及装置、清洁机器人

Also Published As

Publication number Publication date
CN111767812B (zh) 2023-04-21

Similar Documents

Publication Publication Date Title
JP6918198B2 (ja) 姿勢変動に頑健な顔位置調整のためのシステム及び方法
JP6667596B2 (ja) 物体検出システム、それを用いた自律走行車、およびその物体検出方法
CN105818167B (zh) 采用远距数字摄像头校准铰接的末端执行器的方法
EP3965054A1 (en) Image distortion correction method and apparatus
EP3273412B1 (en) Three-dimensional modelling method and device
WO2021169924A1 (zh) 行为预测方法及装置、步态识别方法及装置、电子设备和计算机可读存储介质
CN112270251B (zh) 一种基于互信息的自适应多传感器数据融合方法及系统
JP2017016192A (ja) 立体物検知装置及び立体物認証装置
US9576191B2 (en) Posture estimation device, posture estimation method, and posture estimation program
JP2012123667A (ja) 姿勢推定装置および姿勢推定方法
JP2020119127A (ja) 学習用データ生成方法、プログラム、学習用データ生成装置、および、推論処理方法
JP6381368B2 (ja) 画像処理装置、画像処理方法、およびプログラム
CN114761997A (zh) 目标检测方法、终端设备和介质
CN111767812A (zh) 跌倒检测方法、跌倒检测装置及存储装置
JP2015219868A (ja) 情報処理装置、情報処理方法、プログラム
CN116030519A (zh) 一种直播教学平台的学习注意力检测与评估方法
CN115471863A (zh) 三维姿态的获取方法、模型训练方法和相关设备
CN111105467A (zh) 一种图像标定方法、装置及电子设备
EP4131166A1 (en) Three-dimensional model generation method and three-dimensional model generation device
JP6922605B2 (ja) ３次元物体検出装置、ロボット、及びプログラム
Kogler et al. Ground truth evaluation for event-based silicon retina stereo data
CN112396016A (zh) 一种基于大数据技术的人脸识别系统
CN109886780B (zh) 基于眼球跟踪的商品目标检测方法及装置
CN116430398A (zh) 基于tof相机与双目视觉数据融合的测距方法及设备
CN114140659A (zh) 一种基于无人机视角下人体检测的社交距离监控方法

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
GR01 Patent grant
GR01 Patent grant