CN112270807A - 一种老人跌倒预警系统 - Google Patents

一种老人跌倒预警系统 Download PDF

Info

Publication number
CN112270807A
CN112270807A CN202011183317.5A CN202011183317A CN112270807A CN 112270807 A CN112270807 A CN 112270807A CN 202011183317 A CN202011183317 A CN 202011183317A CN 112270807 A CN112270807 A CN 112270807A
Authority
CN
China
Prior art keywords
kinect
early warning
skeleton
depth image
warning system
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
CN202011183317.5A
Other languages
English (en)
Inventor
牛红军
贺达江
米贤武
丁黎明
陈雷平
宋宏彪
蔡鹃
舒薇
刘柏罕
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.)
Huaihua University
Original Assignee
Huaihua 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 Huaihua University filed Critical Huaihua University
Priority to CN202011183317.5A priority Critical patent/CN112270807A/zh
Publication of CN112270807A publication Critical patent/CN112270807A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G08—SIGNALLING
    • G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
    • G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
    • G08B21/02—Alarms for ensuring the safety of persons
    • G08B21/04—Alarms for ensuring the safety of persons responsive to non-activity, e.g. of elderly persons
    • G08B21/0407—Alarms for ensuring the safety of persons responsive to non-activity, e.g. of elderly persons based on behaviour analysis
    • G08B21/043—Alarms for ensuring the safety of persons responsive to non-activity, e.g. of elderly persons based on behaviour analysis detecting an emergency event, e.g. a fall
    • G—PHYSICS
    • G08—SIGNALLING
    • G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
    • G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
    • G08B21/02—Alarms for ensuring the safety of persons
    • G08B21/04—Alarms for ensuring the safety of persons responsive to non-activity, e.g. of elderly persons
    • G08B21/0438—Sensor means for detecting
    • G08B21/0446—Sensor means for detecting worn on the body to detect changes of posture, e.g. a fall, inclination, acceleration, gait
    • G—PHYSICS
    • G08—SIGNALLING
    • G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
    • G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
    • G08B21/02—Alarms for ensuring the safety of persons
    • G08B21/04—Alarms for ensuring the safety of persons responsive to non-activity, e.g. of elderly persons
    • G08B21/0438—Sensor means for detecting
    • G08B21/0476—Cameras to detect unsafe condition, e.g. video cameras

Landscapes

  • Health & Medical Sciences (AREA)
  • Emergency Management (AREA)
  • General Health & Medical Sciences (AREA)
  • Gerontology & Geriatric Medicine (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Engineering & Computer Science (AREA)
  • Psychiatry (AREA)
  • Psychology (AREA)
  • Social Psychology (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种老人跌倒预警系统，通过带有Kinect v2传感器的摄像头获取老年人的深度图像和骨骼点数据信息进行研究分析，得到判断老年人发生跌倒行为的条件，再通过骨架跟踪技术，实时计算人体骨骼节点的空间位置、运动速度、离地面高度参数，初步判断老年人是否发生跌倒行为并进行预警，避免老年人在跌倒后受到二次伤害，最大程度上减小生命财产损失。

Description

一种老人跌倒预警系统
技术领域
本发明涉及电气自动化与物联网、人工智能技术领域，具体为一种老人跌倒预警系统。
背景技术
现有的国内外跌倒检测系统产品其特点主要集中在：(1)将采集人体跌倒数据所需要的传感器和微控制器佩戴在使用者的身上，通过分析获得的数据来判断使用者是否发生跌倒行为，常用佩戴传感器的方法有腰带类型，头盔类型，近些年还出现了利用电子产品如手机和手腕手表作为采集设备的。可穿戴式检测系统主要用到的传感器有加速度计，陀螺仪，压力传感器以及磁力计等，该装置体积小易于携带，不影响老年人正常行动；(2)基于环境布设的传感器的跌倒检测系统是在人体活动的区域内通过装配一个或者多个传感器来采集人体运动行为和姿势的信息，通过检测和分析研究压力在正常行走和跌倒状态下的变化，实现对跌倒事件的实时检测；(3)基于视觉图像的跌倒检测系统是将摄像头安装在老人活动的不同区域内，实时检测并采集老年人日常生活活动的各种行为信息，然后通过一定的图像处理技术来分析判断老年人是否发生跌倒行为。这种检测方法能够很好的应用于家庭监控系统，将采集到的视频图像经过压缩编码，然后通过一定的技术手段进行解码，就能够及时发现老年人跌倒，并采取相应的措施。
上述产品仍存在以下缺陷：(1)利用穿戴式传感器来检测人体跌倒，这种方法用户需要佩戴加速度传感器，角传感器或者压力传感器等装置，对运动具有阻碍性，极其不方便，且误报率较高；(2)基于压力传感器的环境布设跌倒检测系统，通过在运动区域布设压力传感器来检测，这种方法检测区域会大大的受到限制，而且误报率较高，很难区别老年人是发生跌倒行为还是主动蹲下的正常行为；(3)基于视觉图像技术的跌倒检测系统，这种通过视频监控器加以图像处理技术的辅助的方法，可以同步的分析目标图像的信息，检测跌倒事件的发生，不会妨碍使用者的正常生活，但是普通的摄像头容易受外界环境的影响，尤其是不能在夜间进行实时监控，并且容易泄露老年人的隐私。
发明内容
本发明的目的在于提供一种老人跌倒预警系统，基于KinectV2体感传感器的应用，已解决上述产品的不足之处。
为实现上述目的，本发明提供如下技术方案：一种老人跌倒预警系统，通过带有Kinect v2传感器的摄像头获取老年人的深度图像和骨骼点数据信息进行研究分析，得到判断老年人发生跌倒行为的条件，再通过骨架跟踪技术，实时计算人体骨骼节点的空间位置、运动速度、离地面高度参数，初步判断老年人是否发生跌倒行为并进行预警。
优选的，所述深度图像的获取方法如下：当Kinect v2设备正常运行的时候，整个Kinect v2摄像头的可视范围就会被Kinect v2红外线发射器发出的激光全覆盖，然后利用光编码技术对可视范围内的空间进行编码，当激光到达表面不平的物体或照穿雾面玻璃后产生激光散斑，这些激光散斑图形都不会完全相同，仅是在空间里用到这样的结构光，根据这些斑点的特点，就能够知道不同物体之间的位置和距离，因此在获取的深度图像中，利用不同物体的深度对图像进行特定的分割，然后用红外接收器对空间中的激光散斑进行接收，从而把物体映射到Kinect v2的坐标系内，就可以得到深度图像。
优选的，在所述深度图像的基础上，利用骨骼传感技术获取骨骼点数据信息，并绘制骨骼点图，Kinect v2摄像头获取数据的范围包含四肢、躯干、以及手指。
优选的，能够同时检测骨骼点数据信息的人数为1至6人，每人详细记录20个骨骼点。
优选的，在所述深度图像中为每个需要跟踪的人创建遮罩。
优选的，利用机器学习的方法对所述深度图像进行系统的分析评估，根据评价来验证分析部分是否为人体的某个部位。
优选的，启动Kinect v2摄像头，获取深度图像和骨骼点图，然后对骨骼点图进行去噪处理，选取骨骼点图中的人体中心点作为第一个特征点，两髋中心点和右脚掌为第二个特征点，然后计算相邻10帧的距离差，求得此时此刻的人体中心点下降的速度和两髋中心点离地面的高度差，利用相邻10帧的速度来求取加速度，获取加速度序列，然后建立隐马尔科夫概率模型，当实际加速度匹配概率大于临界值时就判断为跌倒事件。
与现有技术相比，本发明的有益效果如下：
(1)本发明将Kinect v2用于室内人体检测，利用骨架跟踪技术技术和RGB相结合的方法可以进行24h实时检测，同时结合卡尔曼算法对老年人的运动轨迹进行跟踪预测，可以克服外界光照条件的变化带来的影响，提高跌倒检测的准确度，能够对跌倒行为进行及时处理，保证老年人的安全；
(2)利用Kinect v2的红外传感功能实现骨骼成像，其所具有的黑白光谱技术来感知外界环境的变化，用不同的颜色来表示目标物体与摄像头之间的距离，当激光到达表面不平的物体或照穿雾面玻璃后产生的衍射光点就是激光散斑(laser speckle)，这些散的斑点图形都不会完全相同，仅是在空间里用到这样的结构光，根据这些斑点的特点，就可以知道不同物体之间的位置和距离，因此在获取的深度图像中，可以利用不同物体的深度对图像进行特定的分割，然后用红外接收器对空间中的衍射斑点进行接收，从而把物体映射到Kinect v2的坐标系内，就可以得到深度图像，在此基础上利用骨骼传感技术就可以获取骨骼点图；
(3)本发明可以同时检测到六个人的骨骼点信息，其中包含对两个人的动作的辨别，每个人可详细记录20个骨骼点，摄像头获取数据的范围包含四肢，躯干以及手指等等，从而构建全身体感操作系统，为了能够更加仔细的看清楚使用者的动作，系统采用了机器学习的方法，使摄像头能够识别使用者的行为信息；
(4)本发明为实现将人体从非常复杂的背景图中区分出来，采用最新的分割策略，在获取的深度图像中为每个需要跟踪的人创建遮罩；
(5)利用对深度图像进行系统的分析评估，之后根据评价来验证分析部分是否为人体的某个部位；
(6)跌倒检测：通过获取人体在环境中的骨骼数据信息和深度图像信息，本发明采取的算法主要是利用所获取的骨骼数据来判定人体是否发生跌倒行为。
附图说明
图1为本发明激光散斑图；
图2为本发明剔除背景后的深度图像；
图3为本发明训练和测试数据；
图4为本发明特征提取值示意图；
图5为本发明人体骨骼节点识别过程示意图；
图6为本发明可识别骨骼关节点；
图7为本发明空间坐标系示意图；
图8为本发明人体骨骼点图；
图9为本发明人体跌倒检测流程图；
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅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他实施例，都属于本发明保护的范围。
请参阅图1至图7，本发明基于KinectV2体感传感器的跌倒检测系统,发明一种老人跌倒预警系统：通过带有Kinect v2传感器的摄像头获取老年人的深度图像和骨骼点数据信息进行研究分析，得到判断老年人发生跌倒行为的条件，再通过骨架跟踪技术，实时计算人体骨骼节点的空间位置、运动速度、离地面高度参数，初步判断老年人是否发生跌倒行为并进行预警。
(1)综合运用计算机视觉，机器自主学习，语音识别，面部表情识别，数字信号处理等技术利用人体传感技术实现进行骨架跟踪，更精确地进行关节和肢体活动的映射；
(2)骨骼成像与骨架跟踪技术：骨架跟踪技术依靠Kinect v2的红外传感器实现，这种传感器主要是独特的黑白光谱技术来感知外界环境的变化，用不同的颜色来表示目标物体与摄像头之间的距离，当Kinectv2设备正常运行的时候，整个Kinect v2摄像头的可视范围就会被红外线发射器发出的激光全覆盖，然后利用光编码技术对可视范围内的空间进行编码，光编码其实就是给待测量的空间编码，一般采用光源照明的方法，从本质上来讲仍然是属于结构光技术，这种当激光到达表面不平的物体或照穿雾面玻璃后产生的衍射光点就是激光散斑(laser speckle)，这些散的斑点图形都不会完全相同，仅是在空间里用到这样的结构光，根据这些斑点的特点，就可以知道不同物体之间的位置和距离，因此在获取的深度图像中，可以利用不同物体的深度对图像进行特定的分割，然后用红外接收器对空间中的衍射斑点进行接收，从而把物体映射到Kinect v2的坐标系内，就可以得到深度图像，在此基础上利用骨骼传感技术就可以获取骨骼点图，Kinect v2可以同时检测到六个人的骨骼点信息，其中包含对两个人的动作的辨别，每个人可详细记录20个骨骼点，摄像头获取数据的范围包含四肢，躯干以及手指等等，从而构建全身体感操作系统，为了能够更加仔细的看清楚使用者的动作，系统采用了机器学习的方法，在此基础上，尽最大的可能性让Kinect v2摄像头能够识别使用者的行为信息。
(3)冗杂背景剔除技术方案：为了将人体从非常复杂的背景图中区分出来，采用了最新的分割策略，在获取的深度图像中为每个需要跟踪的人创建遮罩，如图2所示的景深图像就是通过剔除背景后得到的。
(4)人体识别训练技术方案：
利用机器学习的方法对景深图像进行系统的分析评估，之后根据评价来验证分析部分是否为人体的某个部位，在Kinect v2识别人体的各个部位之前，需要先开发的一个Exemplar(模型)系统，图3就是用来训练和测试Exemplar的数据之一。
为了准确的确定身体的部位，利用多深度特征的分类器对目标进行识别。这个分类器构建起来很简单，但是里面包括了一些必不可少的信息，公式1如下：
Figure BDA0002750762960000061
其中x是像素值，di(x)是像素值在图像I中的深度值，参数θ＝(u，v)，u和v是一对偏移向量，目的就是把人体的尺寸调节到适合Kinect v2，这是一个看似非常简单的特征，其实在此过程中要注意目标像素点之间的偏移量的差异，如图3所示，其中十字架代表被像素区分的类别，而圆圈表示公式1计算出的偏移像素，若偏移像素是背景，di(x)深度值将会是正无穷大。
特征值计算好之后，将这些计算好的特征值输入到机器学习决策树分类器中进行训练，Kinect摄像头里自带的分类器为决策树森林方式，其实其本质就是众多决策树的集合，用预先训练好的各个具有标签的深度图像来构建每一棵树，与此同时决策树根据训练好的图像来进行修改更新，在决策树的帮助下，特定的身体部位上的测试集的图像就被给出了正确的分类，接下来的算法就是为每一个身体部位选择机会最大的区域，为了更好的显示身体区域。
根据Kinect v2对人体轮廓识别的过程可以知道，Kinect v2先利用物体轮廓来判断该物体是不是属于人体，因此在此过程中Kinect v2会对一些人形物体出现误识别的现象，把一些和人体长得非常像的物体识别成人体。
经过人体关节点识别后，利用每个像素点的识别结果可以综合计算出人体关节点所在的具体位置并进行实时跟踪，Kinect v2最多可以同时跟踪到6个人的关节点，每个人可以调用25个关节点信息，如图5所示，所有人体关节点信息可以利用骨骼传感技术在三维空间中通过坐标(x,y,z)显示出来，其中RGB摄像头提供人体在三维空间中的横坐标x的坐标值和纵坐标y的坐标值，红外摄像头提供人体在三维空间中z向深度值，项目基于骨骼点特征的跌倒检测算法主要选用了25个关节点中的3个关节点用于算法的判别，分别为人体中心点，两髋中心点，右脚掌。
传感器获取的人体关节点坐标与人体深度图像空间坐标时有所不同，获取的人体骨骼点数据的单位是米，从Kinect v2感应器的视角来看，它的空间坐标系如图7所示；x，y，z三个方向一起构建了一个三维坐标系，人体的骨骼点的特征就是呈现出如图6的情形。
获取到关节信息之后，Kinect v2据此来绘制骨骼点图，如图8就是Kinect v2获取的骨骼点图。
(5)跌倒检测技术方案：
Kinect v2获取人体在环境中的骨骼数据信息和深度数据信息，本项目采取的算法主要是利用所获取的骨骼数据来判定人体是否发生跌倒行为，由于人体骨骼之间存在的一些关系，我们首先采用两种判定方式：一是人体中心点运动的速度v；二是两髋中心点的空间位置d；当同时满足这两种判定方式，我们就初步认为跌倒事件发生，由于单纯的通过阈值来判断老年人是否发生跌倒行为很大程度上具有一定的局限性，阈值分析判断标准的限制条件相对简单，对老年人跌倒行为独有的特征可能考虑不是很周到，同时受个体的差异等因素的影响较大，单纯的用阈值误报率较高，因此我们在此基础上建立隐马尔科夫数学概率模型来描述跌倒行为，如图9所示；首先启动Kinect v2摄像头，获取深度数据和骨骼点图，然后对骨骼点图进行去噪处理，选取骨骼点图中的人体中心点作为第一个特征点，两髋中心点和右脚掌为第二个特征点，然后计算相邻10帧的距离差，求得此时此刻的人体中心点下降的速度和两髋中心点离地面的高度差，满足阈值范围就进行下一步判断，否则就不是跌倒行为；另一方面利用相邻10帧的速度来求取加速度，获取加速度序列，然后建立隐马尔科夫概率模型，当实际加速度匹配概率大于临界值时就判断为跌倒事件。
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。

Claims (7)

1.一种老人跌倒预警系统，其特征在于：通过带有Kinect v2传感器的摄像头获取老年人的深度图像和骨骼点数据信息进行研究分析，得到判断老年人发生跌倒行为的条件，再通过骨架跟踪技术，实时计算人体骨骼节点的空间位置、运动速度、离地面高度参数，初步判断老年人是否发生跌倒行为并进行预警。
2.根据权利要求1所述的一种老人跌倒预警系统，其特征在于，所述深度图像的获取方法如下：当Kinect v2设备正常运行的时候，整个Kinect v2摄像头的可视范围就会被Kinect v2红外线发射器发出的激光全覆盖，然后利用光编码技术对可视范围内的空间进行编码，当激光到达表面不平的物体或照穿雾面玻璃后产生激光散斑，这些激光散斑图形都不会完全相同，仅是在空间里用到这样的结构光，根据这些斑点的特点，就能够知道不同物体之间的位置和距离，因此在获取的深度图像中，利用不同物体的深度对图像进行特定的分割，然后用红外接收器对空间中的激光散斑进行接收，从而把物体映射到Kinect v2的坐标系内，就可以得到深度图像。
3.根据权利要求2所述的一种老人跌倒预警系统，其特征在于：在所述深度图像的基础上，利用骨骼传感技术获取骨骼点数据信息，并绘制骨骼点图，Kinect v2摄像头获取数据的范围包含四肢、躯干、以及手指。
4.根据权利要求3所述的一种老人跌倒预警系统，其特征在于：能够同时检测骨骼点数据信息的人数为1至6人，每人详细记录20个骨骼点。
5.根据权利要求2所述的一种老人跌倒预警系统，其特征在于：在所述深度图像中为每个需要跟踪的人创建遮罩。
6.根据权利要求3所述的一种老人跌倒预警系统，其特征在于：利用机器学习的方法对所述深度图像进行系统的分析评估，根据评价来验证分析部分是否为人体的某个部位。
7.根据权利要求3所述的一种老人跌倒预警系统，其特征在于，启动Kinect v2摄像头，获取深度图像和骨骼点图，然后对骨骼点图进行去噪处理，选取骨骼点图中的人体中心点作为第一个特征点，两髋中心点和右脚掌为第二个特征点，然后计算相邻10帧的距离差，求得此时此刻的人体中心点下降的速度和两髋中心点离地面的高度差，利用相邻10帧的速度来求取加速度，获取加速度序列，然后建立隐马尔科夫概率模型，当实际加速度匹配概率大于临界值时就判断为跌倒事件。
CN202011183317.5A 2020-10-29 2020-10-29 一种老人跌倒预警系统 Pending CN112270807A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011183317.5A CN112270807A (zh) 2020-10-29 2020-10-29 一种老人跌倒预警系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011183317.5A CN112270807A (zh) 2020-10-29 2020-10-29 一种老人跌倒预警系统

Publications (1)

Publication Number Publication Date
CN112270807A true CN112270807A (zh) 2021-01-26

Family

ID=74344478

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011183317.5A Pending CN112270807A (zh) 2020-10-29 2020-10-29 一种老人跌倒预警系统

Country Status (1)

Country Link
CN (1) CN112270807A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113538696A (zh) * 2021-07-20 2021-10-22 广州博冠信息科技有限公司 特效生成方法、装置、存储介质及电子设备
CN113743293A (zh) * 2021-09-02 2021-12-03 泰康保险集团股份有限公司 跌倒行为检测方法、装置、电子设备及存储介质
CN113749651A (zh) * 2021-10-18 2021-12-07 长春理工大学 一种基于人体姿势识别的压力评估方法及压力评估系统
CN114601452A (zh) * 2022-02-21 2022-06-10 青岛大学 一种人体跌倒检测方法、系统、介质、设备及终端

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103606093A (zh) * 2013-10-28 2014-02-26 燕山大学 一种基于人体特征的连锁机构vip客户智能服务系统
CN104598896A (zh) * 2015-02-12 2015-05-06 南通大学 基于Kinect骨架追踪的人体摔倒自动检测方法
CN106127733A (zh) * 2016-06-14 2016-11-16 湖南拓视觉信息技术有限公司 人体目标识别的方法和装置
CN107506706A (zh) * 2017-08-14 2017-12-22 南京邮电大学 一种基于三维摄像头的人体跌倒检测方法
CN110633736A (zh) * 2019-08-27 2019-12-31 电子科技大学 一种基于多源异构数据融合的人体跌倒检测方法
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
CN111274954A (zh) * 2020-01-20 2020-06-12 河北工业大学 基于改进姿态估计算法的嵌入式平台实时跌倒检测方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103606093A (zh) * 2013-10-28 2014-02-26 燕山大学 一种基于人体特征的连锁机构vip客户智能服务系统
CN104598896A (zh) * 2015-02-12 2015-05-06 南通大学 基于Kinect骨架追踪的人体摔倒自动检测方法
CN106127733A (zh) * 2016-06-14 2016-11-16 湖南拓视觉信息技术有限公司 人体目标识别的方法和装置
CN107506706A (zh) * 2017-08-14 2017-12-22 南京邮电大学 一种基于三维摄像头的人体跌倒检测方法
CN110633736A (zh) * 2019-08-27 2019-12-31 电子科技大学 一种基于多源异构数据融合的人体跌倒检测方法
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
CN111274954A (zh) * 2020-01-20 2020-06-12 河北工业大学 基于改进姿态估计算法的嵌入式平台实时跌倒检测方法

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113538696A (zh) * 2021-07-20 2021-10-22 广州博冠信息科技有限公司 特效生成方法、装置、存储介质及电子设备
CN113743293A (zh) * 2021-09-02 2021-12-03 泰康保险集团股份有限公司 跌倒行为检测方法、装置、电子设备及存储介质
CN113743293B (zh) * 2021-09-02 2023-11-24 泰康保险集团股份有限公司 跌倒行为检测方法、装置、电子设备及存储介质
CN113749651A (zh) * 2021-10-18 2021-12-07 长春理工大学 一种基于人体姿势识别的压力评估方法及压力评估系统
CN113749651B (zh) * 2021-10-18 2023-05-26 长春理工大学 一种基于人体姿势识别的压力评估方法及压力评估系统
CN114601452A (zh) * 2022-02-21 2022-06-10 青岛大学 一种人体跌倒检测方法、系统、介质、设备及终端

Similar Documents

Publication Publication Date Title
CN112270807A (zh) 一种老人跌倒预警系统
Kwolek et al. Improving fall detection by the use of depth sensor and accelerometer
Wang et al. Fall detection based on dual-channel feature integration
CN106022213B (zh) 一种基于三维骨骼信息的人体动作识别方法
Panahi et al. Human fall detection using machine vision techniques on RGB–D images
CN109643366A (zh) 用于监控车辆驾驶员的状况的方法和系统
WO2021114766A1 (zh) 一种基于深度数据的人员行为模式分析方法和系统
CN109145696B (zh) 一种基于深度学习的老人跌倒检测方法及系统
Seredin et al. A skeleton features-based fall detection using Microsoft Kinect v2 with one class-classifier outlier removal
CN105832315A (zh) 不受个体运动状态与环境位置影响的远程监测系统
CN112396658A (zh) 一种基于视频的室内人员定位方法及定位系统
CN112434669B (zh) 一种多信息融合的人体行为检测方法及系统
US20200279102A1 (en) Movement monitoring system
CN111753747A (zh) 基于单目摄像头和三维姿态估计的剧烈运动检测方法
CN108898108B (zh) 一种基于扫地机器人的用户异常行为监测系统及方法
CN111062303A (zh) 图像处理方法、系统及计算机存储介质
AU2015203771A1 (en) A method and apparatus for surveillance
CN103456123B (zh) 一种基于流动和扩散特征的视频烟气探测方法
Zhang et al. Visual surveillance for human fall detection in healthcare IoT
Soni et al. Automated fall detection from a camera using support vector machine
Bhavani et al. Human Fall Detection using Gaussian Mixture Model and Fall Motion Mixture Model
CN113688740B (zh) 一种基于多传感器融合视觉的室内姿势检测方法
CN117158955A (zh) 基于可佩戴监测设备的用户安全智能监测方法
Bansal et al. Elderly people fall detection system using skeleton tracking and recognition
De et al. Fall detection approach based on combined two-channel body activity classification for innovative indoor environment

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20210126

RJ01 Rejection of invention patent application after publication