CN113221621B - 一种基于深度学习的重心监测与识别方法 - Google Patents
一种基于深度学习的重心监测与识别方法 Download PDFInfo
- Publication number
- CN113221621B CN113221621B CN202110154209.3A CN202110154209A CN113221621B CN 113221621 B CN113221621 B CN 113221621B CN 202110154209 A CN202110154209 A CN 202110154209A CN 113221621 B CN113221621 B CN 113221621B
- Authority
- CN
- China
- Prior art keywords
- human body
- gravity center
- deep learning
- result
- network model
- 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.)
- Active
Links
- 230000005484 gravity Effects 0.000 title claims abstract description 36
- 238000013135 deep learning Methods 0.000 title claims abstract description 23
- 238000012544 monitoring process Methods 0.000 title claims abstract description 23
- 238000000034 method Methods 0.000 title claims abstract description 21
- 238000012545 processing Methods 0.000 claims description 12
- 238000003062 neural network model Methods 0.000 claims description 6
- 238000012549 training Methods 0.000 claims description 6
- 230000001133 acceleration Effects 0.000 claims description 3
- 238000013528 artificial neural network Methods 0.000 claims description 3
- 238000002372 labelling Methods 0.000 claims description 3
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/07—Target detection
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Multimedia (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Human Computer Interaction (AREA)
- Social Psychology (AREA)
- Psychiatry (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明涉及一种基于深度学习的重心监测与识别方法，该通过深度学习获得最优网络模型，在将实时监测的视频流数据输入到最优网络模型中得到识别结果的同时，也通过人体身上的重心监测模块实时监控人体的重心变化得到判断结果，然后将识别结果和判断结果进行结合来判断人体是否出现摔倒的动作，这样的监测方法相比现有技术，其误差减小，且能够准确地获取到人体出现摔倒的情况，并能够准确地排查出复杂环境中存在的安全隐患。
Description
技术领域
本发明涉及人工智能技术领域，尤其是涉及一种基于深度学习的重心监测与识别方法。
背景技术
日常生活中，老年人在室内进行活动时，由于室内一些空间存在安全隐患，老年人因为重心不稳导致行动不灵活，经常在活动时会在一些空间发生安全事故，比如摔倒等情况，如果室内没人，将会导致很严重的情况发生。现有技术中，针对老人有开发出重心监测的智能设备，该种设备仅仅通过重心监测模块来监测出老人的重心发生变化，从而认定为老人在该环境中发生摔倒，该种智能设备的判断方式比较单一，且误差很大，无法准确地获取到老人是否出现摔倒的情况，且对复杂环境的安全隐患排查也存在很大的缺陷。
发明内容
本发明所要解决的技术问题是提供一种基于深度学习的重心监测与识别方法，该方法误差小，能够准确地获取到人体出现摔倒的情况，且能够准确地排查出复杂环境中存在的安全隐患。
本发明所采用的技术方案是，一种基于深度学习的重心监测与识别方法，该方法包括下列步骤：
(1)、收集若干张日常生活中人体在摔倒过程中呈现出来的肢体图像，作为素材图像；
(2)、分别对步骤(1)中得到的素材图像中的肢体进行标注，得到若干个摔倒过程中的肢体动作信息；
(3)、对步骤(2)中的干个肢体动作信息进行重聚类，得到重聚类分组数据；
(4)、将步骤(2)中得到的若干个肢体动作信息以及步骤(3)中得到的重聚类分组数据输入到深度学习神经网络模型中进行训练，训练后得到最优网络模型；
(5)、通过室内摄像头实时采集视频流数据，对采集到的视频流数据进行解析，切分成若干张单帧图片，此时，佩戴在人体身上的重心监测模块实时监控人体的重心变化；
(6)、将步骤(5)中得到的若干张单帧图片依次输入到步骤(4)中的最优网络模型中，对人体的肢体动作信息进行识别，得到识别结果，将识别结果发送给中央处理器；
(7)、步骤(5)中的重心监测模块通过测量人体重心周围的加速度和角速度来判断人体重心的变化值，得到判断结果，将判断结果发送给中央处理器；
(8)、中央处理器将步骤(6)中的识别结果和步骤(7)中的判断结果进行对比，如果步骤(6)中的识别结果显示人体发生摔倒动作，且步骤(7)中的判断结果也显示人体发生摔倒动作，那么就输出一个控制指令，显示人体发生摔倒动作，此时中央处理器控制报警器进行报警；如果步骤(6)中的识别结果显示人体发生摔倒动作，步骤(7)中的判断结果没有显示人体发生摔倒动作，那么返回步骤(6)继续监测识别；如果步骤(6)中的识别结果没有显示人体发生摔倒动作，步骤(7)中的判断结果显示人体发生摔倒动作，那么显示人体不发生摔倒动作。
本发明的有益效果是：采用上述一种基于深度学习的重心监测与识别方法，通过深度学习获得最优网络模型，在将实时监测的视频流数据输入到最优网络模型中得到识别结果的同时，也通过人体身上的重心监测模块实时监控人体的重心变化得到判断结果，这样的监测方法相比现有技术，其误差减小，且能够准确地获取到人体出现摔倒的情况，并能够准确地排查出复杂环境中存在的安全隐患。
作为优先，步骤(4)中的深度学习神经网络模型为基于darknet框架的深度学习神经网络中的yolov3算法。
具体实施方式
以下结合具体实施方式来进一步描述发明，以令本领域技术人员参照说明书文字能够据以实施，本发明保护范围并不受限于该具体实施方式。
本领域技术人员应理解的是，在本发明的公开中，术语“纵向”、“横向”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”“内”、“外”等指示的方位或位置关系是基于附图所示的方位或位置关系，其仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此上述术语不能理解为对本发明的限制。
本发明涉及一种基于深度学习的重心监测与识别方法，该方法包括下列步骤：
(1)、收集若干张日常生活中人体在摔倒过程中呈现出来的肢体图像，作为素材图像；
(2)、分别对步骤(1)中得到的素材图像中的肢体进行标注，得到若干个摔倒过程中的肢体动作信息；
(3)、对步骤(2)中的干个肢体动作信息进行重聚类，得到重聚类分组数据；
(4)、将步骤(2)中得到的若干个肢体动作信息以及步骤(3)中得到的重聚类分组数据输入到深度学习神经网络模型中进行训练，训练后得到最优网络模型；
(5)、通过室内摄像头实时采集视频流数据，对采集到的视频流数据进行解析，切分成若干张单帧图片，此时，佩戴在人体身上的重心监测模块实时监控人体的重心变化；
(6)、将步骤(5)中得到的若干张单帧图片依次输入到步骤(4)中的最优网络模型中，对人体的肢体动作信息进行识别，得到识别结果，将识别结果发送给中央处理器；
(7)、步骤(5)中的重心监测模块通过测量人体重心周围的加速度和角速度来判断人体重心的变化值，得到判断结果，将判断结果发送给中央处理器；
(8)、中央处理器将步骤(6)中的识别结果和步骤(7)中的判断结果进行对比，如果步骤(6)中的识别结果显示人体发生摔倒动作，且步骤(7)中的判断结果也显示人体发生摔倒动作，那么就输出一个控制指令，显示人体发生摔倒动作，此时中央处理器控制报警器进行报警；如果步骤(6)中的识别结果显示人体发生摔倒动作，步骤(7)中的判断结果没有显示人体发生摔倒动作，那么返回步骤(6)继续监测识别；如果步骤(6)中的识别结果没有显示人体发生摔倒动作，步骤(7)中的判断结果显示人体发生摔倒动作，那么显示人体不发生摔倒动作。
采用上述一种基于深度学习的重心监测与识别方法，通过深度学习获得最优网络模型，在将实时监测的视频流数据输入到最优网络模型中得到识别结果的同时，也通过人体身上的重心监测模块实时监控人体的重心变化得到判断结果，然后将识别结果和判断结果进行结合来判断人体是否出现摔倒的动作，这样的监测方法相比现有技术，其误差减小，且能够准确地获取到人体出现摔倒的情况，并能够准确地排查出复杂环境中存在的安全隐患。
步骤(4)中的深度学习神经网络模型为基于darknet框架的深度学习神经网络中的yolov3算法。
Claims (2)
1.一种基于深度学习的重心监测与识别方法，其特征在于：该方法包括下列步骤：
(1)、收集若干张日常生活中人体在摔倒过程中呈现出来的肢体图像，作为素材图像；
(2)、分别对步骤(1)中得到的素材图像中的肢体进行标注，得到若干个摔倒过程中的肢体动作信息；
(3)、对步骤(2)中的干个肢体动作信息进行重聚类，得到重聚类分组数据；
(4)、将步骤(2)中得到的若干个肢体动作信息以及步骤(3)中得到的重聚类分组数据输入到深度学习神经网络模型中进行训练，训练后得到最优网络模型；
(5)、通过室内摄像头实时采集视频流数据，对采集到的视频流数据进行解析，切分成若干张单帧图片，此时，佩戴在人体身上的重心监测模块实时监控人体的重心变化；
(6)、将步骤(5)中得到的若干张单帧图片依次输入到步骤(4)中的最优网络模型中，对人体的肢体动作信息进行识别，得到识别结果，将识别结果发送给中央处理器；
(7)、步骤(5)中的重心监测模块通过测量人体重心周围的加速度和角速度来判断人体重心的变化值，得到判断结果，将判断结果发送给中央处理器；
(8)、中央处理器将步骤(6)中的识别结果和步骤(7)中的判断结果进行对比，如果步骤(6)中的识别结果显示人体发生摔倒动作，且步骤(7)中的判断结果也显示人体发生摔倒动作，那么就输出一个控制指令，显示人体发生摔倒动作，此时中央处理器控制报警器进行报警；如果步骤(6)中的识别结果显示人体发生摔倒动作，步骤(7)中的判断结果没有显示人体发生摔倒动作，那么返回步骤(6)继续监测识别；如果步骤(6)中的识别结果没有显示人体发生摔倒动作，步骤(7)中的判断结果显示人体发生摔倒动作，那么显示人体不发生摔倒动作。
2.根据权利要求1所述的一种基于深度学习的重心监测与识别方法，其特征在于：步骤(4)中的深度学习神经网络模型为基于darknet框架的深度学习神经网络中的yolov3算法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110154209.3A CN113221621B (zh) | 2021-02-04 | 2021-02-04 | 一种基于深度学习的重心监测与识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110154209.3A CN113221621B (zh) | 2021-02-04 | 2021-02-04 | 一种基于深度学习的重心监测与识别方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113221621A CN113221621A (zh) | 2021-08-06 |
| CN113221621B true CN113221621B (zh) | 2023-10-31 |
Family
ID=77084592
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110154209.3A Active CN113221621B (zh) | 2021-02-04 | 2021-02-04 | 一种基于深度学习的重心监测与识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113221621B (zh) |
Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102446392A (zh) * | 2011-09-30 | 2012-05-09 | 上海交通大学 | 基于步行发电的便携式无线摔倒监护系统 |
| CN102707305A (zh) * | 2012-06-06 | 2012-10-03 | 山东大学 | 摔倒检测定位系统及方法 |
| CN106778481A (zh) * | 2016-11-15 | 2017-05-31 | 上海百芝龙网络科技有限公司 | 一种人体状况监测方法 |
| CN106991790A (zh) * | 2017-05-27 | 2017-07-28 | 重庆大学 | 基于多模特征分析的老人摔倒实时监测方法及系统 |
| CN107103733A (zh) * | 2017-07-06 | 2017-08-29 | 司马大大（北京）智能系统有限公司 | 一种摔倒报警方法、装置及设备 |
| CN109961095A (zh) * | 2019-03-15 | 2019-07-02 | 深圳大学 | 基于非监督深度学习的图像标注系统及标注方法 |
| WO2019128304A1 (zh) * | 2017-12-29 | 2019-07-04 | 南京阿凡达机器人科技有限公司 | 人体跌倒检测方法和装置 |
| CN110390303A (zh) * | 2019-07-24 | 2019-10-29 | 深圳前海达闼云端智能科技有限公司 | 摔倒报警方法、电子设备及计算机可读存储介质 |
| CN110598633A (zh) * | 2019-09-12 | 2019-12-20 | 杭州品茗安控信息技术股份有限公司 | 一种摔倒行为识别方法、装置及系统 |
| WO2020098119A1 (zh) * | 2018-11-13 | 2020-05-22 | 平安科技（深圳）有限公司 | 加速度识别方法、装置、计算机设备及存储介质 |
| CN111743545A (zh) * | 2020-07-07 | 2020-10-09 | 天津城建大学 | 基于深度学习的老人摔倒检测方法、检测手环及存储介质 |
| CN111931568A (zh) * | 2020-06-30 | 2020-11-13 | 青岛科技大学 | 一种基于增强式学习的人体跌倒检测方法及系统 |
-
2021
- 2021-02-04 CN CN202110154209.3A patent/CN113221621B/zh active Active
Patent Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102446392A (zh) * | 2011-09-30 | 2012-05-09 | 上海交通大学 | 基于步行发电的便携式无线摔倒监护系统 |
| CN102707305A (zh) * | 2012-06-06 | 2012-10-03 | 山东大学 | 摔倒检测定位系统及方法 |
| CN106778481A (zh) * | 2016-11-15 | 2017-05-31 | 上海百芝龙网络科技有限公司 | 一种人体状况监测方法 |
| CN106991790A (zh) * | 2017-05-27 | 2017-07-28 | 重庆大学 | 基于多模特征分析的老人摔倒实时监测方法及系统 |
| CN107103733A (zh) * | 2017-07-06 | 2017-08-29 | 司马大大（北京）智能系统有限公司 | 一种摔倒报警方法、装置及设备 |
| WO2019128304A1 (zh) * | 2017-12-29 | 2019-07-04 | 南京阿凡达机器人科技有限公司 | 人体跌倒检测方法和装置 |
| WO2020098119A1 (zh) * | 2018-11-13 | 2020-05-22 | 平安科技（深圳）有限公司 | 加速度识别方法、装置、计算机设备及存储介质 |
| CN109961095A (zh) * | 2019-03-15 | 2019-07-02 | 深圳大学 | 基于非监督深度学习的图像标注系统及标注方法 |
| CN110390303A (zh) * | 2019-07-24 | 2019-10-29 | 深圳前海达闼云端智能科技有限公司 | 摔倒报警方法、电子设备及计算机可读存储介质 |
| CN110598633A (zh) * | 2019-09-12 | 2019-12-20 | 杭州品茗安控信息技术股份有限公司 | 一种摔倒行为识别方法、装置及系统 |
| CN111931568A (zh) * | 2020-06-30 | 2020-11-13 | 青岛科技大学 | 一种基于增强式学习的人体跌倒检测方法及系统 |
| CN111743545A (zh) * | 2020-07-07 | 2020-10-09 | 天津城建大学 | 基于深度学习的老人摔倒检测方法、检测手环及存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113221621A (zh) | 2021-08-06 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111191586B (zh) | 一种施工现场人员安全帽佩戴情况巡检方法及系统 | |
| CN111144263A (zh) | 一种建筑工人高坠事故预警方法及装置 | |
| CN103325080B (zh) | 一种基于物联网技术的敬老院智能看护系统及方法 | |
| CN110147738B (zh) | 一种驾驶员疲劳监测预警方法及系统 | |
| CN211406109U (zh) | 一种具备ai识别功能的便携视频移动监控系统 | |
| CN109102678A (zh) | 一种融合uwb室内定位与视频目标检测与跟踪技术的溺水行为检测方法 | |
| CN110807353A (zh) | 一种基于深度学习的变电站异物识别方法、装置及系统 | |
| CN112489371B (zh) | 一种基于计算机视觉的泳池防溺水预警系统 | |
| CN112489368A (zh) | 智能跌倒识别与检测报警方法及系统 | |
| CN103517042A (zh) | 一种养老院老人危险行为监测方法 | |
| CN111242004A (zh) | 一种基于电梯监控数据处理的自动告警方法及系统 | |
| CN107133611B (zh) | 一种课堂学生点头率识别与统计方法及装置 | |
| CN112535857B (zh) | 一种用于户外体育运动的安全评估系统 | |
| CN111179551A (zh) | 一种危化品运输驾驶员实时监控方法 | |
| CN108319892A (zh) | 一种基于遗传算法的车辆安全预警方法及系统 | |
| CN106344035A (zh) | 一种人体健康监控系统 | |
| CN115116127A (zh) | 一种基于计算机视觉和人工智能的跌倒检测方法 | |
| CN114155492A (zh) | 高空作业安全带挂绳高挂低用识别方法、装置和电子设备 | |
| CN113221621B (zh) | 一种基于深度学习的重心监测与识别方法 | |
| CN107704818A (zh) | 一种基于视频图像的火灾检测系统 | |
| CN113095160B (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 | |
| CN117726991A (zh) | 一种高空吊篮安全带检测方法及终端 | |
| CN110148290A (zh) | 智能感知矿山安全生产预警与防控监管信息化大数据系统 | |
| CN107277461A (zh) | 一种基于定位识别的智能监测报警方法 | |
| CN116994066A (zh) | 一种基于改进的目标检测模型的尾绳检测系统 |
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 |