CN113221661A - 一种智能化人体摔倒检测系统及方法 - Google Patents

一种智能化人体摔倒检测系统及方法 Download PDF

Info

Publication number
CN113221661A
CN113221661A CN202110397698.5A CN202110397698A CN113221661A CN 113221661 A CN113221661 A CN 113221661A CN 202110397698 A CN202110397698 A CN 202110397698A CN 113221661 A CN113221661 A CN 113221661A
Authority
CN
China
Prior art keywords
human body
regional
detection model
fall
intelligent
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
CN202110397698.5A
Other languages
English (en)
Inventor
李智
徐辉
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.)
Inspur Tianyuan Communication Information System Co Ltd
Original Assignee
Inspur Tianyuan Communication Information System 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 Inspur Tianyuan Communication Information System Co Ltd filed Critical Inspur Tianyuan Communication Information System Co Ltd
Priority to CN202110397698.5A priority Critical patent/CN113221661A/zh
Publication of CN113221661A publication Critical patent/CN113221661A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/40—Scenes; Scene-specific elements in video content
    • G06V20/41—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items
    • G06V20/42—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items of sport video content
    • 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
    • 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
    • G06V40/23—Recognition of whole body movements, e.g. for sport training
    • 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
    • G08B21/0202—Child monitoring systems using a transmitter-receiver system carried by the parent and the child
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Emergency Management (AREA)
  • Business, Economics & Management (AREA)
  • Multimedia (AREA)
  • Social Psychology (AREA)
  • Psychiatry (AREA)
  • Human Computer Interaction (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Computational Linguistics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Psychology (AREA)
  • Gerontology & Geriatric Medicine (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Computation (AREA)
  • Child & Adolescent Psychology (AREA)
  • Alarm Systems (AREA)

Abstract

本发明公开了一种智能化人体摔倒检测系统及方法，属于计算机视觉、人工智能识别技术领域。本发明的智能化人体摔倒检测系统包括区域视频采集传感器、区域人体检测模型、区域人体摔倒检测模型和报警单元。区域视频采集传感器用于采集区域内场景视频图像并发送至区域人体检测模型；区域人体检测模型用于接收区域视频采集传感器发送的视频图像；区域人体摔倒检测模型用于根据视频图像检测人体是否摔倒，若检测到人体摔倒则将人体摔倒信息发送至报警单元；报警单元用于接收区域人体摔倒检测模型发送的人体摔倒信息，并发出报警。该发明的智能化人体摔倒检测系统提高人体识别准确性，防止人体摔倒导致发生危险，具有很好的推广应用价值。

Description

一种智能化人体摔倒检测系统及方法
技术领域
本发明涉及计算机视觉、人工智能识别技术领域，具体提供一种智能化人体摔倒检测系统及方法。
背景技术
在幼儿园、小学、福利院、医院、养老院、家庭等幼儿和老人聚集的地方，幼儿和老人不慎摔倒的情况时有发生。一旦发生摔倒的情形，如果没有及时发现和救助，可能会加重对老人和幼儿的伤害。而相关机构的看护人员存在人手不足，以及不能随时保持全面看护的情况。
在当前社会环境下，虽然相关机构的活动区域都有摄像机等监控设备进行监控，但需要有工作人员进行实时监控，一旦发现有人体摔倒，及时进行救助。然而实际情况中，工作人员配备不足，临时离开岗位或其他因素影响，不能及时发现和响应，从而易导致危险发生。
发明内容
本发明的技术任务是针对上述存在的问题，提供一种可以排除物体、动物、车辆等干扰信息，提高人体识别准确性，从而防止人体摔倒导致发生危险的智能化人体摔倒检测系统。
本发明进一步的技术任务是提供一种智能化人体摔倒检测方法。
为实现上述目的，本发明提供了如下技术方案：
一种智能化人体摔倒检测系统，包括区域视频采集传感器、区域人体检测模型、区域人体摔倒检测模型和报警单元；
区域视频采集传感器用于采集区域内场景视频图像并发送至区域人体检测模型；
区域人体检测模型用于接收区域视频采集传感器发送的视频图像，并进行人体检测，判断视频图像中是否是包含人体摔倒行为的视频图像，若是则将视频图像发送至区域人体摔倒检测模型；
区域人体摔倒检测模型用于根据视频图像检测人体是否摔倒，若检测到人体摔倒则将人体摔倒信息发送至报警单元；
报警单元用于接收区域人体摔倒检测模型发送的人体摔倒信息，并发出报警。
该智能化人体摔倒检测系统工作过程中，采用区域视频采集传感器采集视频图像，使用区域人体检测模型进行智能化分析，进行区域人体检测；对检测到人体的视频图像信息，根据区域人体摔倒检测模型进行摔倒行为检测，若发现有人体摔倒，则向报警单元发送通知。
作为优选，基于深度学习的区域人体检测进行深度学习训练，输出区域人体检测模型。
作为优选，基于深度学习的区域人体行为分析进行深度学习训练，输出区域人体摔倒检测模型。
一种智能化人体摔倒检测方法，该方法基于所述智能化人体摔倒检测系统来实现，基于深度学习的区域人体检测进行深度学习训练，输出区域人体检测模型，基于深度学习的区域人体行为分析进行深度学习训练，输出区域人体摔倒检测模型，采用区域视频采集传感器采集视频图像，使用区域人体检测模型进行智能化分析，进行区域人体检测；对检测到人体的视频图像信息，根据区域人体摔倒检测模型进行摔倒行为检测，若发现有人体摔倒，则向报警单元发送通知。
作为优选，基于深度学习的区域人体检测进行深度学习训练，在区域内采集的人体视频图像样本集进行标注、训练，输出区域人体检测模型。
作为优选，基于深度学习的区域人体摔倒行为检测进行深度学习训练，在区域内采集的包含人体摔倒行为的视频图像样本集进行标注、训练，输出区域人体摔倒检测模型。
作为优选，根据区域人体检测模型对视频图像的内容进行智能分析，进行人体特征检测，如果识别到人体信息，则生成包含人体信息的视频图像信息。
作为优选，将获取到的包含人体信息的视频图像信息发送至区域人体摔倒检测模型，通过分析图像信息，根据区域人体摔倒检测模型判断人体行为，检测出人体是否摔倒。
作为优选，在区域人体摔倒检测模型检测到人体摔倒后，向报警单元发送区域人体摔倒报警通知。
与现有技术相比，本发明的智能化人体摔倒检测系统及方法具有以下突出的有益效果：所述智能化人体摔倒检测方法针对不同区域的不同人体类型进行专门训练，构建适用于该区域的人体检测模型和人体摔倒检测模型，通过区域人体检测模型，进行区域人体识别，可以排除掉物体、动物、车辆等干扰信息，提高人体识别的准确性，在此基础上，再进行人体摔倒行为识别，可以提供更高的准确度，实现自动化和智能化的人体摔倒检测和报警通知，具有良好的推广应用价值。
附图说明
图1是本发明所述智能化人体摔倒检测方法的流程图；
图2是本发明所述智能化人体摔倒检测方法的区域人体检测模型训练示意图；
图3是本发明所述智能化人体摔倒检测方法的区域人体摔倒检测模型训练示意图。
具体实施方式
下面将结合附图和实施例，对本发明的智能化人体摔倒检测系统及方法作进一步详细说明。
实施例
本发明的智能化人体摔倒检测系统包括区域视频采集传感器、区域人体检测模型、区域人体摔倒检测模型和报警单元。
区域视频采集传感器用于采集区域内场景视频图像并发送至区域人体检测模型。基于深度学习的区域人体检测进行深度学习训练，输出区域人体检测模型。
区域人体检测模型用于接收区域视频采集传感器发送的视频图像，并进行人体检测，判断视频图像中是否是包含人体摔倒行为的视频图像，若是则将视频图像发送至区域人体摔倒检测模型。
区域人体摔倒检测模型用于根据视频图像检测人体是否摔倒，若检测到人体摔倒则将人体摔倒信息发送至报警单元。
基于深度学习的区域人体行为分析进行深度学习训练，输出区域人体摔倒检测模型。
报警单元用于接收区域人体摔倒检测模型发送的人体摔倒信息，并发出报警。
该智能化人体摔倒检测系统工作过程中，采用区域视频采集传感器采集视频图像，使用区域人体检测模型进行智能化分析，进行区域人体检测；对检测到人体的视频图像信息，根据区域人体摔倒检测模型进行摔倒行为检测，若发现有人体摔倒，则向报警单元发送通知。
如图1、图2和图3所示，本发明的智能化人体摔倒检测方法，基于本发明的智能化人体摔倒检测系统来实现。
该智能化人体摔倒检测方法基于深度学习的区域人体检测进行深度学习训练，输出区域人体检测模型，基于深度学习的区域人体行为分析进行深度学习训练，输出区域人体摔倒检测模型，采用区域视频采集传感器采集视频图像，使用区域人体检测模型进行智能化分析，进行区域人体检测；对检测到人体的视频图像信息，根据区域人体摔倒检测模型进行摔倒行为检测，若发现有人体摔倒，则向报警单元发送通知。
基于深度学习的区域人体检测进行深度学习训练，在区域内采集的人体视频图像样本集进行标注、训练，输出区域人体检测模型。基于深度学习的区域人体摔倒行为检测进行深度学习训练，在区域内采集的包含人体摔倒行为的视频图像样本集进行标注、训练，输出区域人体摔倒检测模型。
根据区域人体检测模型对视频图像的内容进行智能分析，进行人体特征检测，如果识别到人体信息，则生成包含人体信息的视频图像信息。将获取到的包含人体信息的视频图像信息发送至区域人体摔倒检测模型，通过分析图像信息，根据区域人体摔倒检测模型判断人体行为，检测出人体是否摔倒。在区域人体摔倒检测模型检测到人体摔倒后，向报警单元发送区域人体摔倒报警通知。
以上所述的实施例，只是本发明较优选的具体实施方式，本领域的技术人员在本发明技术方案范围内进行的通常变化和替换都应包含在本发明的保护范围内。

Claims (9)

1.一种智能化人体摔倒检测系统，其特征在于：包括区域视频采集传感器、区域人体检测模型、区域人体摔倒检测模型和报警单元；
区域视频采集传感器用于采集区域内场景视频图像并发送至区域人体检测模型；
区域人体检测模型用于接收区域视频采集传感器发送的视频图像，并进行人体检测，判断视频图像中是否是包含人体摔倒行为的视频图像，若是则将视频图像发送至区域人体摔倒检测模型；
区域人体摔倒检测模型用于根据视频图像检测人体是否摔倒，若检测到人体摔倒则将人体摔倒信息发送至报警单元；
报警单元用于接收区域人体摔倒检测模型发送的人体摔倒信息，并发出报警。
2.根据权利要求1所述的智能化人体摔倒检测系统，其特征在于：基于深度学习的区域人体检测进行深度学习训练，输出区域人体检测模型。
3.根据权利要求2所述的智能化人体摔倒检测系统，其特征在于：基于深度学习的区域人体行为分析进行深度学习训练，输出区域人体摔倒检测模型。
4.一种智能化人体摔倒检测方法，其特征在于：该方法基于权利要求1-3任意一项所述智能化人体摔倒检测系统来实现，基于深度学习的区域人体检测进行深度学习训练，输出区域人体检测模型，基于深度学习的区域人体行为分析进行深度学习训练，输出区域人体摔倒检测模型，采用区域视频采集传感器采集视频图像，使用区域人体检测模型进行智能化分析，进行区域人体检测；对检测到人体的视频图像信息，根据区域人体摔倒检测模型进行摔倒行为检测，若发现有人体摔倒，则向报警单元发送通知。
5.根据权利要求4所述的智能化人体摔倒检测方法，其特征在于：基于深度学习的区域人体检测进行深度学习训练，在区域内采集的人体视频图像样本集进行标注、训练，输出区域人体检测模型。
6.根据权利要求5所述的智能化人体摔倒检测方法，其特征在于：基于深度学习的区域人体摔倒行为检测进行深度学习训练，在区域内采集的包含人体摔倒行为的视频图像样本集进行标注、训练，输出区域人体摔倒检测模型。
7.根据权利要求6所述的智能化人体摔倒检测方法，其特征在于：根据区域人体检测模型对视频图像的内容进行智能分析，进行人体特征检测，如果识别到人体信息，则生成包含人体信息的视频图像信息。
8.根据权利要求7所述的智能化人体摔倒检测方法，其特征在于：将获取到的包含人体信息的视频图像信息发送至区域人体摔倒检测模型，通过分析图像信息，根据区域人体摔倒检测模型判断人体行为，检测出人体是否摔倒。
9.根据权利要求8所述的智能化人体摔倒检测方法，其特征在于：在区域人体摔倒检测模型检测到人体摔倒后，向报警单元发送区域人体摔倒报警通知。
CN202110397698.5A 2021-04-14 2021-04-14 一种智能化人体摔倒检测系统及方法 Pending CN113221661A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110397698.5A CN113221661A (zh) 2021-04-14 2021-04-14 一种智能化人体摔倒检测系统及方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110397698.5A CN113221661A (zh) 2021-04-14 2021-04-14 一种智能化人体摔倒检测系统及方法

Publications (1)

Publication Number Publication Date
CN113221661A true CN113221661A (zh) 2021-08-06

Family

ID=77087151

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110397698.5A Pending CN113221661A (zh) 2021-04-14 2021-04-14 一种智能化人体摔倒检测系统及方法

Country Status (1)

Country Link
CN (1) CN113221661A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114038161A (zh) * 2021-10-28 2022-02-11 上海深豹智能科技有限公司 一种夜间离床检测智能看护科学方法及系统

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN107609477A (zh) * 2017-08-09 2018-01-19 五邑大学 一种基于深度学习与智能手环相结合的摔倒检测方法
CN108090458A (zh) * 2017-12-29 2018-05-29 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
CN108875614A (zh) * 2018-06-07 2018-11-23 南京邮电大学 一种基于深度学习图像处理的摔倒检测方法
CN110443150A (zh) * 2019-07-10 2019-11-12 思百达物联网科技(北京)有限公司 一种跌倒检测方法、装置、存储介质
CN110633643A (zh) * 2019-08-15 2019-12-31 青岛文达通科技股份有限公司 一种面向智慧社区的异常行为检测方法及系统
CN111241913A (zh) * 2019-12-19 2020-06-05 北京文安智能技术股份有限公司 一种检测人员摔倒的方法、装置及系统
CN111461042A (zh) * 2020-04-07 2020-07-28 中国建设银行股份有限公司 跌倒检测方法及系统
CN111507252A (zh) * 2020-04-16 2020-08-07 上海眼控科技股份有限公司 人体跌倒检测装置、方法、电子终端及存储介质
CN112489368A (zh) * 2020-11-30 2021-03-12 安徽国广数字科技有限公司 智能跌倒识别与检测报警方法及系统

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN107609477A (zh) * 2017-08-09 2018-01-19 五邑大学 一种基于深度学习与智能手环相结合的摔倒检测方法
CN108090458A (zh) * 2017-12-29 2018-05-29 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
CN108875614A (zh) * 2018-06-07 2018-11-23 南京邮电大学 一种基于深度学习图像处理的摔倒检测方法
CN110443150A (zh) * 2019-07-10 2019-11-12 思百达物联网科技(北京)有限公司 一种跌倒检测方法、装置、存储介质
CN110633643A (zh) * 2019-08-15 2019-12-31 青岛文达通科技股份有限公司 一种面向智慧社区的异常行为检测方法及系统
CN111241913A (zh) * 2019-12-19 2020-06-05 北京文安智能技术股份有限公司 一种检测人员摔倒的方法、装置及系统
CN111461042A (zh) * 2020-04-07 2020-07-28 中国建设银行股份有限公司 跌倒检测方法及系统
CN111507252A (zh) * 2020-04-16 2020-08-07 上海眼控科技股份有限公司 人体跌倒检测装置、方法、电子终端及存储介质
CN112489368A (zh) * 2020-11-30 2021-03-12 安徽国广数字科技有限公司 智能跌倒识别与检测报警方法及系统

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114038161A (zh) * 2021-10-28 2022-02-11 上海深豹智能科技有限公司 一种夜间离床检测智能看护科学方法及系统
CN114038161B (zh) * 2021-10-28 2023-05-23 上海深豹智能科技有限公司 一种夜间离床检测智能看护科学方法及系统

Similar Documents

Publication Publication Date Title
CN110477925B (zh) 一种针对敬老院老人的跌倒检测与预警方法及系统
Bianchi et al. Barometric pressure and triaxial accelerometry-based falls event detection
CN103325080B (zh) 一种基于物联网技术的敬老院智能看护系统及方法
Lin et al. Detecting wandering behavior based on GPS traces for elders with dementia
CN107092806A (zh) 一种面向老人家居智能化的信息融合与预警方法
CN103815912B (zh) 基于热红外传感器阵列的独居老人摔倒行为实时监测方法
CN112489368A (zh) 智能跌倒识别与检测报警方法及系统
CN109887238A (zh) 一种基于视觉和人工智能的跌倒检测系统及检测报警方法
CN111460978B (zh) 一种基于动作判定传感器和深度学习技术的幼儿行为监控系统及其判定方法
Dovgan et al. Intelligent elderly-care prototype for fall and disease detection
CN106023516A (zh) 一种考试监控方法、系统及考场监控器
Tan et al. Front-door event classification algorithm for elderly people living alone in smart house using wireless binary sensors
Peng et al. Design and development of the fall detection system based on point cloud
Gjoreski et al. Context-based fall detection and activity recognition using inertial and location sensors
CN112822444A (zh) 一种基于家庭边缘计算的智慧家庭安防监控系统及方法
CN113706824B (zh) 一种基于物联网监控的老人居家看护系统
CN113221661A (zh) 一种智能化人体摔倒检测系统及方法
CN115662631A (zh) 基于ai智能判别的养老院管理系统
Amir et al. Real-time threshold-based fall detection system using wearable IoT
Banerjee et al. Monitoring hospital rooms for safety using depth images
Luštrek et al. Confidence: ubiquitous care system to support independent living
CN112750278A (zh) 一种全智能网络护理系统
Tasoulis et al. Statistical data mining of streaming motion data for fall detection in assistive environments
Floeck et al. An ambient approach to emergency detection based on location tracking
Kaluža et al. Context-aware mas to support elderly people

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20210806