CN113392681A - 人体跌倒检测方法、装置及终端设备 - Google Patents

人体跌倒检测方法、装置及终端设备 Download PDF

Info

Publication number
CN113392681A
CN113392681A CN202010175400.1A CN202010175400A CN113392681A CN 113392681 A CN113392681 A CN 113392681A CN 202010175400 A CN202010175400 A CN 202010175400A CN 113392681 A CN113392681 A CN 113392681A
Authority
CN
China
Prior art keywords
human
human body
key points
target
point
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
CN202010175400.1A
Other languages
English (en)
Inventor
袁瑾
胡文泽
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.)
Shenzhen Intellifusion Technologies Co Ltd
Original Assignee
Shenzhen Intellifusion Technologies 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 Shenzhen Intellifusion Technologies Co Ltd filed Critical Shenzhen Intellifusion Technologies Co Ltd
Priority to CN202010175400.1A priority Critical patent/CN113392681A/zh
Publication of CN113392681A publication Critical patent/CN113392681A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification 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
    • G06N3/04—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

Landscapes

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

Abstract

本申请适用于图像处理技术领域，提供了人体跌倒检测方法、装置及终端设备，包括：获取监控图像；提取所述监控图像的人体骨骼关键点；根据所述人体骨骼关键点，确定人体边框和躯体中心点；根据所述人体边框及所述躯体中心点，计算目标人体角度；若所述目标人体角度不符合预设条件，则判定存在人体跌倒状况。本申请实施例的人体跌倒检测方法能够解决现有技术中如何提高人体跌倒检测的效率的问题。

Description

人体跌倒检测方法、装置及终端设备
技术领域
本申请属于图像处理技术领域，尤其涉及一种人体跌倒检测方法、装置及终端设备。
背景技术
随着人口老龄化趋势的加剧，以及空巢老人的数量的增加，对人体跌倒检测的需求也日益迫切。目前的检测方法通常是从图像中分割提取人体前景图，并确定人体前景图的三维包围盒或者人体前景图中心，根据该三维包围盒或者人体前景图中心的速度信息来进行人体跌倒判断。
然而，由于人体前景图包含过多的冗余信息，且现有的基于速度信息的检测方法存在较大的误检测，导致现有的人体跌倒检测的效率较低。
发明内容
有鉴于此，本申请实施例提供了人体跌倒检测方法、装置及终端设备，以解决现有技术中如何提高人体跌倒检测的效率的问题。
本申请实施例的第一方面提供了一种人体跌倒检测方法，包括：
获取监控图像；
提取所述监控图像的人体骨骼关键点；
根据所述人体骨骼关键点，确定人体边框和躯体中心点；
根据所述人体边框及所述躯体中心点，计算目标人体角度；
若所述目标人体角度不符合预设条件，则判定存在人体跌倒状况。
本申请实施例的第二方面提供了一种人体跌倒检测装置，包括：
获取单元，用于获取监控图像；
人体骨骼关键点提取单元，用于提取所述监控图像的人体骨骼关键点；
第一确定单元，用于根据所述人体骨骼关键点，确定人体边框和躯体中心点；
目标人体角度计算单元，用于根据所述人体边框及所述躯体中心点，计算目标人体角度；
判定单元，用于若所述目标人体角度不符合预设条件，则判定存在人体跌倒状况。
本申请实施例的第三方面提供了一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，当所述处理器执行所述计算机程序时，使得终端设备实现如所述人体跌倒检测方法的步骤。
本申请实施例的第四方面提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，当所述计算机程序被处理器执行时，使得终端设备实现如所述人体跌倒检测方法的步骤。
本申请实施例的第五方面提供了一种计算机程序产品，当计算机程序产品在终端设备上运行时，使得终端设备执行如第一方面中所述的人体跌倒检测方法。
本申请实施例与现有技术相比存在的有益效果是：本申请实施例中，由于人体骨骼关键点相对于现有的其它图像特征的结构性更强，也更能够直接简单地表达人体姿态特征，因此根据人体骨骼关键点能够准确地确定人体的动作姿态，使得后续的人体跌倒状况判定更加准确；并且，在得到人体骨骼关键点之后，是通过确定人体边框和躯体中心点确定目标人体角度，进而判定人体是否跌倒的，由于基于人体边框和躯体中心点确定目标人体角度的过程计算简便，所需的运算量较少，因此能够节省人体跌倒检测所需的运算时间，提高人体跌倒检测的实时性。综上，本申请实施例中的人体跌倒方法由于能够准确、快速地进行人体跌倒状况判断，因此能够提高人体跌倒检测的效率。
附图说明
为了更清楚地说明本申请实施例中的技术方案，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申请的一些实施例，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是本申请实施例提供的一种人体跌倒检测方法的实现流程示意图；
图2是本申请实施例提供的一种人体边框及躯体中心点的示意图；
图3是本申请实施例提供的一种人体边框中的目标线段的示例图；
图4是本申请实施例提供的一种人体站立姿态的示意图；
图5是本申请实施例提供的一种人体下蹲姿态的示意图；
图6是本申请实施例提供的一种人体跌倒姿态的示意图；
图7是本申请实施例提供的一种人体跌倒检测装置的示意图；
图8是本申请实施例提供的终端设备的示意图。
具体实施方式
以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本申请实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本申请的描述。
为了说明本申请所述的技术方案，下面通过具体实施例来进行说明。
应当理解，当在本说明书和所附权利要求书中使用时，术语“包括”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解，在此本申请说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本申请。如在本申请说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。
还应当进一步理解，在本申请说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
如在本说明书和所附权利要求书中所使用的那样，术语“如果”可以依据上下文被解释为“当...时”或“一旦”或“响应于确定”或“响应于检测到”。类似地，短语“如果确定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述条件或事件]”或“响应于检测到[所描述条件或事件]”。
另外，在本申请的描述中，术语“第一”、“第二”、“第三”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
实施例一：
图1示出了本申请实施例提供的一种人体跌倒检测方法的流程示意图，详述如下：
在S101中，获取监控图像。
本申请实施例中，监控图像为监控设备对目标监控区域进行拍摄得到的监控视频数据中的图像。具体地，监控视频数据为监控设备实时拍摄目标监控区域获得的，从该实时的监控视频数据中获取得到监控图像，可以及时地反映当前时间目标监控区域的情况。
可选地，所述步骤S101包括：
在监控视频数据中，每隔预设间隔帧数获取一帧视频帧作为监控图像。
本申请实施例中，具体是在实时的监控视频数据中，每隔预设间隔帧数进行采样获取得到监控图像，即每隔预设间隔帧数获取一帧视频帧作为当前的监控图像进行检测。示例性地，该预设间隔帧数为10。
由于连续的预设帧数的图像通常不会发生较大的变化，因此通过预设间隔帧数采样获取监控图像进行检测即能够保证人体跌倒检测的实时性，同时还能够减少所需检测分析的图像数量，减少不必要的计算量，提高人体跌倒检测的效率。
在S102中，提取所述监控图像的人体骨骼关键点。
在获取监控图像后，通过人体骨架识别算法提取监控图像的人体骨骼关键点。该人体骨架识别算法可以为OpenPose(人体姿态识别)、AlphaPose(多人姿态估计)等。示例性地，本申请实施例中通过能够准确识别、定位人体姿态的AlphaPose算法进行人体骨骼关键点提取，具体可以包括以下步骤：
A1：通过Faster-RCNN(快速区域卷积神经网络)作为人体检测网络，在监控图像中确定人体检测候选区；
A2：将每个人体检测候选区的图像单独提取置于一张图片的中心位置，并通过单人姿态估计算法(single-person pose estimator，SPPE)进行人体骨骼关键点检测以及姿态估计；
A3：将步骤A2定位得到的人体骨骼关键点的位置映射回原监控图像的对应位置，得到监控图像上的每个人体骨骼关键点及对应的坐标信息。
在S103中，根据所述人体骨骼关键点，确定人体边框和躯体中心点。
提取得到监控图像的人体骨骼关键点后，根据人体骨骼关键点确定人体对应的人体边框及躯体中心。本申请实施例中的人体边框为能够包含所有人体骨骼关键点的边框，躯体中心点具体为人体除头部及四肢以外的人体躯干对应的中心点。可选地，人体边框可以通过确定人体骨骼关键点的最小外接四边形确定，也可以根据人体骨骼关键点的坐标信息确定。可选地，躯体中心点可以在确定人体躯干部位对应的人体骨骼关键点的最小外接四边形后，计算该最小外接四边形的中心，得到该躯体中心点；或者，也可以直接根据人体躯干部位对应的人体骨骼关键点的坐标信息，计算确定该躯体中心点。
可选地，所述S103包括：
S10301：根据所述人体骨骼关键点的坐标信息，确定第一目标点和第二目标点，其中所述第一目标点的横坐标为同一帧所述监控图像中所有所述人体骨骼关键点的横坐标中的最小值，所述第一目标点的纵坐标为同一帧所述监控图像中所有所述人体骨骼关键点的纵坐标中的最小值；所述第二目标点的横坐标为同一帧所述监控图像中所有所述人体骨骼关键点的横坐标中的最大值，所述第二目标点的纵坐标为同一帧所述监控图像中所有所述人体骨骼关键点的纵坐标中的最大值；
S10302：根据所述第一目标点和所述第二目标点，确定所述人体边框；
S10303：获取所述人体骨骼关键点中的躯体关键点，根据所述躯体关键点确定所述躯体中心点。
在S10301中，根据步骤S102得到的同一帧监控图像中人体骨骼关键点的坐标S＝(xi,yi)i＝1,2...k，确定该帧监控图像的第一目标点(xmin,ymin)和第二目标点(xmax,ymax)，其中k为步骤S102确定的该帧监控图像中人体骨骼关键点的个数。具体地，从坐标信息S的所有横坐标xi中找出最小值xmin作为第一目标点的横坐标，从坐标信息S的所有纵坐标yi中找出最小值ymin作为第一目标点的纵坐标；从坐标信息S的所有横坐标xi中找出最大值xmax作为第二目标点的横坐标，从坐标信息S的所有纵坐标yi中找出最大值ymax作为第二目标点的纵坐标。示例性地，如图2所示，人体骨骼关键点a的纵坐标ya为所有人体骨骼关键点中的纵坐标的最小值，人体骨骼关键点b的横坐标xb为所有人体骨骼关键点中的横坐标的最小值，则令xmin＝xb，ymin＝ya，确定第一目标点E(xmin,ymin)；人体骨骼关键点d的纵坐标yd为所有人体骨骼关键点中的纵坐标的最大值，人体骨骼关键点c的横坐标xc为所有人体骨骼关键点中的横坐标的最大值，则令xmax＝xc，ymax＝yd，确定第二目标点H(xmax,ymax)。
在S10302中，以第一目标点和第二目标两个对角点，确定所述人体边框。如图2所示，以第一目标点E为第一对角点，以第二目标点H为第二对角点，确定矩形的人体边框EFGH。
在S10303中，从人体骨骼关键点中获取与人体躯干部位对应的躯体关键点，并计算所有躯体关键点的中心点，即躯体中心点。如图2所示，躯体关键点为人体躯干部位四边形IJKL区域内的关键点，躯体中心点为躯干部位IJKL的中心点O。
本申请实施例中，只需根据人体骨骼关键点的坐标信息定位第一目标点和第二目标点这两个点即可确定人体边框，由于只根据两个点进行人体边框确定的计算量少，因此能够提高人体边框的定位效率，进而提高人体跌倒检测效率。
可选地，所述步骤S10303，具体包括：
B1：根据各个所述人体骨骼关键点对应的身体部位信息，从人体骨骼关键点中确定躯体关键点；
B2：根据所述躯体关键点的坐标信息，确定第一躯体边缘点及第二躯体边缘点，其中所述第一躯体边缘点的横坐标为同一帧所述监控图像中所有所述躯体关键点的横坐标中的最小值，所述第一躯体边缘点的纵坐标为同一帧所述监控图像中所有所述躯体关键点的纵坐标中的最小值；所述第二躯体边缘点的横坐标为同一帧所述监控图像中所有所述躯体关键点的横坐标中的最大值，所述第二躯体边缘点的纵坐标为同一帧所述监控图像中所有所述躯体关键点的纵坐标中的最大值；
B3：根据所述第一躯体边缘点及所述第二躯体边缘点的坐标信息，计算所述躯体中心点。
在B1中，根据各个人体骨骼关键点对应的身体部位信息，从S10301中确定的该帧监控图像的人体骨骼关键点S中确定该帧监控图像的躯体关键点T，T＝(xl,yl)l＝1,2...j，其中j为躯体关键点的个数。步骤S102中确定的每个人体骨骼关键点都包含对应的身体部位信息，根据该身体部位信息，直接从人体骨骼关键点中获取躯干部位对应的关键点作为躯体关键点。或者，根据该身体关节部位信息，从人体骨骼关键点中剔除头部及四肢部位对应的骨骼关键点，剩下的骨骼关键点即为躯体关键点。
在B2中，根据躯体关键点的坐标信息T，从坐标信息T的所有横坐标xl中找出最小值min(xl)作为第一躯体边缘点的横坐标，从坐标信息T的所有纵坐标yl中找出最小值min(yl)作为第一躯体边缘点的纵坐标；从坐标信息T的所有横坐标xl中找出最大值max(xl)作为第二躯体边缘点的横坐标，从坐标信息T的所有纵坐标yi中找出最大值max(yl)作为第二躯体边缘点的纵坐标。如图2所示，最终得到第一躯体边缘点I(min(xl),min(yl))及第二躯体边缘点L(max(xl),max(yl))。
在B3中，如图2所示，根据第一躯体边缘点和第二躯体边缘点的坐标信息，确定躯体中心点O(xo,yo)，其中
Figure BDA0002410652500000071
本申请实施例中，由于只根据两个点的坐标信息即可确定躯体中心点，计算量少，因此能够提高躯体中心点的定位效率，进而提高人体跌倒检测效率。
在S104中，根据所述人体边框及所述躯体中心点，计算目标人体角度。
确定人体边框和躯体中心点之后，根据人体边框的顶点的坐标信息及躯体中心点的坐标信息，计算目标人体角度的值。本申请实施例中的目标人体角度具体可以为目标线段与人体边框的目标边线所成的夹角的角度，其中，目标线段为人体边框的任意一个顶点与躯体中心点连成的线段，目标边线为人体边框中经过该顶点的边框线。如图3所示，目标人体角度可以为顶点E和躯体中心点O连成的目标线段EO与上边框线EF(或者左边框线EG)所成的夹角∠OEF(或者∠OEG)的角度。同理，该目标人体角度θ还可以为∠OFE、∠OFH、∠OGE、∠OGH、∠OHG、∠OHF等角度中的任意一个。
在S105中，若所述目标人体角度不符合预设条件，则判定存在人体跌倒状况。
在人体正常移动的情况下，目标人体角度的值在预设范围内。当目标人体角度的值超出该预设范围，则该目标人体角度不符合预设条件，判定当前的监控区域内存在人体跌倒状况。
可选地，所述步骤S104包括：
根据所述人体边框的左下角点及所述躯体中心点，确定目标线段；
将所述目标线段与所述人体边框的下边框线之间的夹角的角度确定为目标人体角度，并计算所述目标人体角度的值；
对应地，所述步骤S105包括：
若所述目标人体角度的值小于预设阈值，则判定存在人体跌倒状况。
在S104中，如图4所述，将人体边框的左下角点G与躯体中心点O连成的线段GO确定为目标线段。将目标线段与人体边框的下边框线GH之间的夹角的角度θ确定为目标人体角度，并计算角度θ的值。具体地，根据左下角点的坐标信息G(xmin,ymax)及躯体中心点的坐标信息O(xo,yo)以及三角函数
Figure BDA0002410652500000081
计算得到θ的值。
一般情况下，人体正常站立行走时，目标人体角度θ如图4所示；在人体正常下蹲及坐下时，目标人体角度θ如图5所示；在人体跌倒时，目标人体角度θ如图6所示。可见，在正常站立行走、下蹲、坐下等情况下，目标人体角度θ都在保持在一定的大小范围内，而当人体跌倒时，目标人体角度θ显然变小。因此，提前设置一个预设阈值，在S105中，若检测到目标人体角度θ的值小于预设阈值，则判定为出现如图6所示的人体跌倒状况。
本申请实施例中，由于只需通过人体边框的左下角点、躯体中心点及人体边框的下边框线这三者的信息，经过简单的角度计算，即可判断是否存在人体跌倒状况，计算简便，所需的计算量较少，因此能够提高人体跌倒检测的效率。
可选地，在所述步骤S103之后，还包括：
确定所述人体边框的高度和宽度；
对应地，所述步骤S105包括：
若所述高度小于所述宽度，且所述目标人体角度不符合预设条件，则判定存在人体跌倒状况。
本申请实施例中，在确定人体边框之后，获取该人体边框的高度h和宽度w。具体地，根据人体边框的第一目标点E(xmin,ymin)及第二目标点H(xmax,ymax)，确定高度h＝ymax-ymin，宽度w＝xmax-xmin。
当人体处于正常站立行走状态(如图4所示)及蹲下或者坐下状态(如图5所示)时，人体边框的高度大于或者等于宽度；而当人体处于跌倒状态(如图6所示)时，人体边框的高度小于宽度。因此，通过对人体边框的高度和宽度的比较，可以对人体跌倒状况进行判定。对应地，在步骤S105中，当高度h小于宽度w，且目标人体角度不符合预设条件时，判定存在人体跌倒状况。
可选地，在所述步骤S103之后，若检测到人体边框的高度小于宽度，则直接判定存在人体跌倒状况，无需进行步骤S104的目标人体角度计算，只有当检测到人体边框的高度大于或者等于宽度时，再进入步骤S104计算目标人体角度进行进一步的判断，从而能够进一步地提高人体跌倒检测的效率。
可选地，在所述步骤S105之后，还包括：
根据所述人体边框的坐标信息，确定人体跌倒的位置信息；
提示跌倒警报信息，所述跌倒警报信息包含所述人体跌倒的位置信息。
在判定存在人体跌倒状况后，根据人体边框的坐标信息，例如根据人体边框的四个顶点的坐标信息，或者根据人体边框的中心的坐标信息，确定在目标监控区域中人体跌倒的具体物理位置信息。
本申请实施例中的跌倒警报信息包含人体跌倒的位置。在确定人体跌倒的位置信息后，通过声音或者文字显示的方式在本端进行跌倒警报信息的提示，或者将该跌倒警报信息发送至指定的管理终端，以使管理人员能够根据该跌倒警报信息到达人体跌倒的位置进行救援。
本申请实施例中，由于人体骨骼关键点相对于现有的其它图像特征的结构性更强，也更能够直接简单地表达人体姿态特征，因此根据人体骨骼关键点能够准确地确定人体的动作姿态，使得后续的人体跌倒状况判定更加准确；并且，在得到人体骨骼关键点之后，是通过确定人体边框和躯体中心点确定目标人体角度，进而判定人体是否跌倒的，由于基于人体边框和躯体中心点确定目标人体角度的过程计算简便，所需的运算量较少，因此能够节省人体跌倒检测所需的运算时间，提高人体跌倒检测的实时性。综上，本申请实施例中的人体跌倒方法由于能够准确、快速地进行人体跌倒状况判断，因此能够提高人体跌倒检测的效率。
实施例二：
图7示出了本申请实施例提供的一种人体跌倒检测装置的结构示意图，为了便于说明，仅示出了与本申请实施例相关的部分：
该人体跌倒检测装置包括：获取单元71、人体骨骼关键点提取单元72、第一确定单元73、目标人体角度计算单元74、判定单元75。其中：
获取单元71，用于获取监控图像。
可选地，所述获取单元71，具体用于在监控视频数据中，每隔预设间隔帧数获取一帧视频帧作为监控图像。
人体骨骼关键点提取单元72，用于提取所述监控图像的人体骨骼关键点。
第一确定单元73，用于根据所述人体骨骼关键点，确定人体边框和躯体中心点。
可选地，所述第一确定单元73，具体包括目标点确定模块、人体边框确定模块及躯体中心点确定模块：
目标点确定模块，用于根据所述人体骨骼关键点的坐标信息，确定第一目标点和第二目标点，其中所述第一目标点的横坐标为同一帧所述监控图像中所有所述人体骨骼关键点的横坐标中的最小值，所述第一目标点的纵坐标为同一帧所述监控图像中所有所述人体骨骼关键点的纵坐标中的最小值；所述第二目标点的横坐标为同一帧所述监控图像中所有所述人体骨骼关键点的横坐标中的最大值，所述第二目标点的纵坐标为同一帧所述监控图像中所有所述人体骨骼关键点的纵坐标中的最大值；
人体边框确定模块，用于根据所述第一目标点和所述第二目标点，确定所述人体边框；
躯体中心点确定模块，用于获取所述人体骨骼关键点中的躯体关键点，根据所述躯体关键点确定所述躯体中心点。
可选地，所述躯体中心点确定模块，具体包括躯体关键点确定模块、躯体边缘点确定模块以及躯体中心点计算模块：
躯体关键点确定模块，用于根据各个所述人体骨骼关键点对应的身体部位信息，从人体骨骼关键点中确定躯体关键点；
躯体边缘点确定模块，用于根据所述躯体关键点的坐标信息，确定第一躯体边缘点及第二躯体边缘点，其中所述第一躯体边缘点的横坐标为同一帧所述监控图像中所有所述躯体关键点的横坐标中的最小值，所述第一躯体边缘点的纵坐标为同一帧所述监控图像中所有所述躯体关键点的纵坐标中的最小值；所述第二躯体边缘点的横坐标为同一帧所述监控图像中所有所述躯体关键点的横坐标中的最大值，所述第二躯体边缘点的纵坐标为同一帧所述监控图像中所有所述躯体关键点的纵坐标中的最大值；
躯体中心点计算模块，用于根据所述第一躯体边缘点及所述第二躯体边缘点的坐标信息，计算所述躯体中心点。
目标人体角度计算单元74，用于根据所述人体边框及所述躯体中心点，计算目标人体角度。
判定单元75，用于若所述目标人体角度不符合预设条件，则判定存在人体跌倒状况。
可选地，所述目标人体角度计算单元74，具体包括目标线段确定模块、目标角度计算模块：
目标线段确定模块，用于根据所述人体边框的左下角点及所述躯体中心点，确定目标线段；
目标角度计算模块，用于将所述目标线段与所述人体边框的下边框线之间的夹角的角度确定为目标人体角度，并计算所述目标人体角度的值；
对应地，所述判定单元75，具体用于若所述目标人体角度的值小于预设阈值，则判定存在人体跌倒状况。
可选地，所述人体跌倒检测装置还包括：
第二确定单元，用于确定所述人体边框的高度和宽度；
对应地，所述判定单元75，具体用于若所述高度小于所述宽度，且所述目标人体角度不符合预设条件，则判定存在人体跌倒状况。
可选地，所述人体跌倒检测装置还包括位置信息确定单元及提示单元：
位置信息确定单元，用于根据所述人体边框的坐标信息，确定人体跌倒的位置信息；
提示单元，用于提示跌倒警报信息，所述跌倒警报信息包含所述人体跌倒的位置信息。
需要说明的是，上述装置/单元之间的信息交互、执行过程等内容，由于与本申请方法实施例基于同一构思，其具体功能及带来的技术效果，具体可参见方法实施例部分，此处不再赘述。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
实施例三：
图8是本申请一实施例提供的终端设备的示意图。如图8所示，该实施例的终端设备8包括：处理器80、存储器81以及存储在所述存储器81中并可在所述处理器80上运行的计算机程序82，例如人体跌倒检测程序。所述处理器80执行所述计算机程序82时实现上述各个人体跌倒检测方法实施例中的步骤，例如图1所示的步骤S101至S105。或者，所述处理器80执行所述计算机程序82时实现上述各装置实施例中各模块/单元的功能，例如图7所示单元71至75的功能。
示例性的，所述计算机程序82可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器81中，并由所述处理器80执行，以完成本申请。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序82在所述终端设备8中的执行过程。例如，所述计算机程序82可以被分割成获取单元、人体骨骼关键点提取单元、第一确定单元、目标人体角度计算单元、判定单元，各单元具体功能如下：
获取单元，用于获取监控图像；
人体骨骼关键点提取单元，用于提取所述监控图像的人体骨骼关键点。
第一确定单元，用于根据所述人体骨骼关键点，确定人体边框和躯体中心点。
目标人体角度计算单元，用于根据所述人体边框及所述躯体中心点，计算目标人体角度。
判定单元，用于若所述目标人体角度不符合预设条件，则判定存在人体跌倒状况。
所述终端设备8可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述终端设备可包括，但不仅限于，处理器80、存储器81。本领域技术人员可以理解，图8仅仅是终端设备8的示例，并不构成对终端设备8的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述终端设备还可以包括输入输出设备、网络接入设备、总线等。
所称处理器80可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。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。
所述存储器81可以是所述终端设备8的内部存储单元，例如终端设备8的硬盘或内存。所述存储器81也可以是所述终端设备8的外部存储设备，例如所述终端设备8上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)等。进一步地，所述存储器81还可以既包括所述终端设备8的内部存储单元也包括外部存储设备。所述存储器81用于存储所述计算机程序以及所述终端设备所需的其他程序和数据。所述存储器81还可以用于暂时地存储已经输出或者将要输出的数据。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。
在本申请所提供的实施例中，应该理解到，所揭露的装置/终端设备和方法，可以通过其它的方式实现。例如，以上所描述的装置/终端设备实施例仅仅是示意性的，例如，所述模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。
所述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单元来实现本实施例方案的目的。
另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。
以上所述实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，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申请各实施例技术方案的精神和范围，均应包含在本申请的保护范围之内。

Claims (10)

1.一种人体跌倒检测方法，其特征在于，包括：
获取监控图像；
提取所述监控图像的人体骨骼关键点；
根据所述人体骨骼关键点，确定人体边框和躯体中心点；
根据所述人体边框及所述躯体中心点，计算目标人体角度；
若所述目标人体角度不符合预设条件，则判定存在人体跌倒状况。
2.如权利要求1所述的人体跌倒检测方法，其特征在于，所述根据所述人体骨骼关键点，确定人体边框和躯体中心点，包括：
根据所述人体骨骼关键点的坐标信息，确定第一目标点和第二目标点，其中所述第一目标点的横坐标为同一帧所述监控图像中所有所述人体骨骼关键点的横坐标中的最小值，所述第一目标点的纵坐标为同一帧所述监控图像中所有所述人体骨骼关键点的纵坐标中的最小值；所述第二目标点的横坐标为同一帧所述监控图像中所有所述人体骨骼关键点的横坐标中的最大值，所述第二目标点的纵坐标为同一帧所述监控图像中所有所述人体骨骼关键点的纵坐标中的最大值；
根据所述第一目标点和所述第二目标点，确定所述人体边框；
获取所述人体骨骼关键点中的躯体关键点，根据所述躯体关键点确定所述躯体中心点。
3.如权利要求2所述的人体跌倒检测方法，其特征在于，所述获取所述人体骨骼关键点中的躯体关键点，根据所述躯体关键点确定所述躯体中心点，包括：
根据各个所述人体骨骼关键点对应的身体部位信息，从人体骨骼关键点中确定躯体关键点；
根据所述躯体关键点的坐标信息，确定第一躯体边缘点及第二躯体边缘点，其中所述第一躯体边缘点的横坐标为同一帧所述监控图像中所有所述躯体关键点的横坐标中的最小值，所述第一躯体边缘点的纵坐标为同一帧所述监控图像中所有所述躯体关键点的纵坐标中的最小值；所述第二躯体边缘点的横坐标为同一帧所述监控图像中所有所述躯体关键点的横坐标中的最大值，所述第二躯体边缘点的纵坐标为同一帧所述监控图像中所有所述躯体关键点的纵坐标中的最大值；
根据所述第一躯体边缘点及所述第二躯体边缘点的坐标信息，计算所述躯体中心点。
4.如权利要求1所述的人体跌倒检测方法，其特征在于，所述根据所述人体边框及所述躯体中心点，计算目标人体角度，包括：
根据所述人体边框的左下角点及所述躯体中心点，确定目标线段；
将所述目标线段与所述人体边框的下边框线之间的夹角的角度确定为目标人体角度，并计算所述目标人体角度的值；
对应地，所述若所述目标人体角度不符合预设条件，则判定存在人体跌倒状况，包括：
若所述目标人体角度的值小于预设阈值，则判定存在人体跌倒状况。
5.如权利要求1所述的人体跌倒检测方法，其特征在于，在所述根据所述人体骨骼关键点，确定人体边框和躯体中心点之后，还包括：
确定所述人体边框的高度和宽度；
对应地，所述若所述目标人体角度不符合预设条件，则判定存在人体跌倒状况，包括：
若所述高度小于所述宽度，且所述目标人体角度不符合预设条件，则判定存在人体跌倒状况。
6.如权利要求1所述的人体跌倒检测方法，其特征在于，在所述若所述目标人体角度不符合预设条件，则判定存在人体跌倒状况之后，还包括：
根据所述人体边框的坐标信息，确定人体跌倒的位置信息；
提示跌倒警报信息，所述跌倒警报信息包含所述人体跌倒的位置信息。
7.一种人体跌倒检测装置，其特征在于，包括：
获取单元，用于获取监控图像；
人体骨骼关键点提取单元，用于提取所述监控图像的人体骨骼关键点；
第一确定单元，用于根据所述人体骨骼关键点，确定人体边框和躯体中心点；
目标人体角度计算单元，用于根据所述人体边框及所述躯体中心点，计算目标人体角度；
判定单元，用于若所述目标人体角度不符合预设条件，则判定存在人体跌倒状况。
8.如权利要求7所述的人体跌倒检测装置，其特征在于，所述第一确定单元包括：
目标点确定模块，用于根据所述人体骨骼关键点的坐标信息，确定第一目标点和第二目标点，其中所述第一目标点的横坐标为同一帧所述监控图像中所有所述人体骨骼关键点的横坐标中的最小值，所述第一目标点的纵坐标为同一帧所述监控图像中所有所述人体骨骼关键点的纵坐标中的最小值；所述第二目标点的横坐标为同一帧所述监控图像中所有所述人体骨骼关键点的横坐标中的最大值，所述第二目标点的纵坐标为同一帧所述监控图像中所有所述人体骨骼关键点的纵坐标中的最大值；
人体边框确定模块，用于根据所述第一目标点和所述第二目标点，确定所述人体边框；
躯体中心点确定模块，用于获取所述人体骨骼关键点中的躯体关键点，根据所述躯体关键点确定所述躯体中心点。
9.一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，当所述处理器执行所述计算机程序时，使得终端设备实现如权利要求1至6任一项所述方法的步骤。
10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，当所述计算机程序被处理器执行时，使得终端设备实现如权利要求1至6任一项所述方法的步骤。
CN202010175400.1A 2020-03-13 2020-03-13 人体跌倒检测方法、装置及终端设备 Pending CN113392681A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010175400.1A CN113392681A (zh) 2020-03-13 2020-03-13 人体跌倒检测方法、装置及终端设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010175400.1A CN113392681A (zh) 2020-03-13 2020-03-13 人体跌倒检测方法、装置及终端设备

Publications (1)

Publication Number Publication Date
CN113392681A true CN113392681A (zh) 2021-09-14

Family

ID=77615984

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010175400.1A Pending CN113392681A (zh) 2020-03-13 2020-03-13 人体跌倒检测方法、装置及终端设备

Country Status (1)

Country Link
CN (1) CN113392681A (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114720977A (zh) * 2022-06-10 2022-07-08 长沙莫之比智能科技有限公司 对象跌倒检测方法、装置、毫米波雷达和存储介质
CN115273243A (zh) * 2022-09-27 2022-11-01 深圳比特微电子科技有限公司 跌倒检测方法、装置、电子设备和计算机可读存储介质
WO2023138445A1 (zh) * 2022-01-24 2023-07-27 索尼半导体解决方案公司 用于检测人摔倒、人的拾取或放回行为的检测方法和设备
CN117017276A (zh) * 2023-10-08 2023-11-10 中国科学技术大学 一种基于毫米波雷达的实时人体紧密边界检测方法
CN117173795A (zh) * 2023-11-03 2023-12-05 赋之科技(深圳)有限公司 一种危险动作检测方法及终端

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2023138445A1 (zh) * 2022-01-24 2023-07-27 索尼半导体解决方案公司 用于检测人摔倒、人的拾取或放回行为的检测方法和设备
CN114720977A (zh) * 2022-06-10 2022-07-08 长沙莫之比智能科技有限公司 对象跌倒检测方法、装置、毫米波雷达和存储介质
WO2023236989A1 (zh) * 2022-06-10 2023-12-14 长沙莫之比智能科技有限公司 对象跌倒检测方法、装置、毫米波雷达和存储介质
CN115273243A (zh) * 2022-09-27 2022-11-01 深圳比特微电子科技有限公司 跌倒检测方法、装置、电子设备和计算机可读存储介质
CN117017276A (zh) * 2023-10-08 2023-11-10 中国科学技术大学 一种基于毫米波雷达的实时人体紧密边界检测方法
CN117017276B (zh) * 2023-10-08 2024-01-12 中国科学技术大学 一种基于毫米波雷达的实时人体紧密边界检测方法
CN117173795A (zh) * 2023-11-03 2023-12-05 赋之科技(深圳)有限公司 一种危险动作检测方法及终端
CN117173795B (zh) * 2023-11-03 2024-02-23 赋之科技(深圳)有限公司 一种危险动作检测方法及终端

Similar Documents

Publication Publication Date Title
CN113392681A (zh) 人体跌倒检测方法、装置及终端设备
CN109508688B (zh) 基于骨架的行为检测方法、终端设备及计算机存储介质
CN110874594B (zh) 基于语义分割网络的人体外表损伤检测方法及相关设备
CN111178250B (zh) 物体识别定位方法、装置及终端设备
CN110020592B (zh) 物体检测模型训练方法、装置、计算机设备及存储介质
CN108564579B (zh) 一种基于时空相关的混凝土裂缝检测方法及检测装置
CN107958230B (zh) 人脸表情识别方法及装置
CN110852162B (zh) 一种人体完整度数据标注方法、装置及终端设备
CN112348765A (zh) 数据增强方法、装置、计算机可读存储介质及终端设备
CN110826372B (zh) 人脸特征点检测方法及装置
CN105405130B (zh) 基于聚类的证照图像高光检测方法及装置
CN108090486A (zh) 一种台球比赛中的图像处理方法及装置
CN112785591B (zh) 一种ct影像中肋骨骨折的检测与分割方法及装置
CN111898610B (zh) 卡片缺角检测方法、装置、计算机设备及存储介质
CN116168351B (zh) 电力设备巡检方法及装置
CN114693604A (zh) 脊椎医学影像处理方法、装置、设备及存储介质
CN113450329B (zh) 一种微循环图像血管分支红细胞流速计算方法及系统
CN111563492B (zh) 一种跌倒检测方法、跌倒检测装置及存储装置
CN112418089A (zh) 一种手势识别方法、装置及终端
CN113570725A (zh) 基于聚类的三维表面重建方法、装置、服务器及存储介质
CN116309643A (zh) 人脸遮挡分确定方法、电子设备及介质
CN110717406A (zh) 一种人脸检测的方法、装置及终端设备
CN113365027B (zh) 视频处理方法及装置、电子设备和存储介质
CN113537199B (zh) 图像边界框筛选方法、系统、电子装置及介质
CN116403238A (zh) 行人重识别方法、装置、计算机可读存储介质及终端设备

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