CN113963192A - 跌倒检测方法、装置和电子设备 - Google Patents

跌倒检测方法、装置和电子设备 Download PDF

Info

Publication number
CN113963192A
CN113963192A CN202111107797.1A CN202111107797A CN113963192A CN 113963192 A CN113963192 A CN 113963192A CN 202111107797 A CN202111107797 A CN 202111107797A CN 113963192 A CN113963192 A CN 113963192A
Authority
CN
China
Prior art keywords
point cloud
feature sequence
cloud feature
behavior
target
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
CN202111107797.1A
Other languages
English (en)
Inventor
何文彦
彭诚诚
程毅
赵洛伟
秦屹
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.)
Whst Co Ltd
Original Assignee
Whst 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 Whst Co Ltd filed Critical Whst Co Ltd
Priority to CN202111107797.1A priority Critical patent/CN113963192A/zh
Publication of CN113963192A publication Critical patent/CN113963192A/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
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G06T7/66—Analysis of geometric attributes of image moments or centre of gravity
    • 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)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Psychology (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Probability & Statistics with Applications (AREA)
  • Psychiatry (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Social Psychology (AREA)
  • General Health & Medical Sciences (AREA)
  • Gerontology & Geriatric Medicine (AREA)
  • Business, Economics & Management (AREA)
  • Emergency Management (AREA)
  • Geometry (AREA)
  • Radar Systems Or Details Thereof (AREA)

Abstract

本发明提供一种跌倒检测方法、装置和电子设备。该方法包括：获取连续的第一预设数目个雷达帧各自的点云集合中待检测目标的点云特征，得到依次记录有第一预设数目个雷达帧各自的点云特征的第一点云特征序列；将第一点云特征序列输入至预设循环神经网络模型，得到第一点云特征序列的行为类别概率数组；其中，预设循环神经网络模型基于预先标注的多种行为类别的点云特征序列样本训练得到，行为类别概率数组包括各行为类别的概率值；根据第一点云特征序列的行为类别概率数组，生成跌倒检测结果。本发明提供的跌倒检测方法具有使用方便且检测准确率高的优点。

Description

跌倒检测方法、装置和电子设备
技术领域
本发明涉及数据处理技术领域，尤其涉及一种跌倒检测方法、装置和电子设备。
背景技术
随着老龄化现象的不断加剧，独居老人的安全问题逐渐成为社会的焦点之一。独居老人在日常生活中可能出现多种安全事故，其中，由跌倒导致的安全事故占据很大比例。
目前，通常采用接触式设备和非接触式设备对跌倒行为进行检测。接触式设备可以是加速度传感器等设备，其可以判断人的重心在设定时间内是否存在加速下降趋势，以此来检测人是否跌倒。非接触式设备可以是毫米波雷达等设备，其可以收集人在设定时间内的高度信息，然后计算高度差以及高度变化速度、加速度等高度参量，以此来检测人是否跌倒。
然而，对于接触式设备，其需要人随身携带，存在使用不方便的问题。对于非接触式设备，由于不同人、不同位置甚至不同姿态下的跌倒，计算出的高度参量并不稳定，容易出现误判；此外，对于蹲下、坐下、弯腰等和跌倒过程高度变化极其相似的行为，还存在不易区分的问题，也容易出现误判。故而，目前亟需一种使用方便且检测准确率高的跌倒检测方法。
发明内容
本发明实施例提供了一种跌倒检测方法、装置和电子设备，以解决缺少易用性和准确性均较高的跌倒检测方法的问题。
第一方面，本发明实施例提供了一种跌倒检测方法，包括：
获取连续的第一预设数目个雷达帧各自的点云集合中待检测目标的点云特征，得到依次记录有第一预设数目个雷达帧各自的点云特征的第一点云特征序列；
将第一点云特征序列输入至预设循环神经网络模型，得到第一点云特征序列的行为类别概率数组；其中，预设循环神经网络模型基于预先标注的多种行为类别的点云特征序列样本训练得到，行为类别包括跌倒行为，以及蹲下行为、坐下行为、弯腰行为、爬起行为或直行行为中的至少一种，行为类别概率数组包括各行为类别的概率值；
根据第一点云特征序列的行为类别概率数组，生成跌倒检测结果。
在一种可能的实现方式中，在获取连续的第一预设数目个雷达帧各自的点云集合中待检测目标的点云特征之前，跌倒检测方法还包括：
获取连续的第一预设数目个雷达帧；
将获取的单个雷达帧的点云集合确定为相应雷达帧的点云集合；或者，将获取的目标雷达帧的点云集合和在目标雷达帧之前获取的最后一个雷达帧的点云集合映射至同一坐标系，并将映射得到的点云集合确定为目标雷达帧的点云集合；其中，目标雷达帧为第一预设数目个雷达帧中的任意一个雷达帧。
在一种可能的实现方式中，其中，点云特征包括待检测目标的点数特征、尺寸特征以及质心特征；获取连续的第一预设数目个雷达帧各自的点云集合中待检测目标的点云特征，包括：
从点云集合中确定待检测目标对应的所有点；
将所有点的数目确定为待检测目标的点数特征；
获取所有点的点坐标中最大的X轴坐标、最大的Y轴坐标、最大的Z轴坐标、最小的X轴坐标、最小的Y轴坐标以及最小的Z轴坐标，并将最大的X轴坐标和最小的X轴坐标的差值、最大的Y轴坐标和最小的Y轴坐标的差值以及最大的Z轴坐标和最小的Z轴坐标的差值，确定为待检测目标的尺寸特征；
分别累加所有点中每个点的X坐标与信噪比的第一乘积值、每个点的Y坐标与信噪比的第二乘积值、每个点的Z坐标与信噪比的第三乘积值，并分别计算累加得到的第一乘积值的总和与所有点的数目的第一商值、第二乘积值的总和与所有点的数目的第二商值、第三乘积值的总和与所有点的数目的第三商值，将第一商值、第二商值、第三商值确定为待检测目标的质心特征。
在一种可能的实现方式中，在将第一点云特征序列输入至预设循环神经网络模型之前，跌倒检测方法还包括：
对第一点云特征序列进行归一化处理，得到归一化后的第一点云特征序列；
将第一点云特征序列输入至预设循环神经网络模型，包括：
将归一化后的第一点云特征序列输入至预设循环神经网络模型。
在一种可能的实现方式中，根据第一点云特征序列的行为类别概率数组，生成跌倒检测结果，包括：
获取第一点云特征序列的行为类别概率数组中与最大概率值对应的行为类别；
如果与最大概率值对应的行为类别为跌倒行为，则生成存在跌倒的跌倒检测结果，否则生成不存在跌倒的跌倒检测结果。
在一种可能的实现方式中，根据第一点云特征序列的行为类别概率数组，生成跌倒检测结果，包括：
根据第一点云特征序列的行为类别概率数组以及预先获取的至少一个第二点云特征序列的行为类别概率数组，生成跌倒检测结果；
其中，至少一个第二点云特征序列为在第一点云特征序列之前获取的相邻点云特征序列，相邻点云特征序列依次记录有连续的第一预设数目个雷达帧各自的点云特征，且相邻点云特征序列与在其之后第一个获取的点云特征序列具有如下特点：相邻点云特征序列中依次记录的第二个点云特征至最后一个点云特征对应的所有雷达帧，与在其之后第一个获取的点云特征序列中依次记录的第一个点云特征至倒数第二个点云特征对应的所有雷达帧相同。
在一种可能的实现方式中，根据第一点云特征序列的行为类别概率数组以及预先获取的至少一个第二点云特征序列的行为类别概率数组，生成跌倒检测结果，包括：
将目标点云特征序列的行为类别概率数组中与最大概率值对应的行为类别确定为目标点云特征序列的行为类别；其中，目标点云特征序列为第一点云特征序列和至少一个第二点云特征序列中的任意一个点云特征序列；
如果行为类别为跌倒行为的目标点云特征序列占所有目标点云特征序列的比例超过预设阈值，则生成存在跌倒的跌倒检测结果，否则生成不存在跌倒的跌倒检测结果。
在一种可能的实现方式中，在生成跌倒检测结果之后，跌倒检测方法还包括：
获取第一点云特征序列中依次记录的最后一个点云特征对应的雷达帧的高度值，以及在最后一个点云特征对应的雷达帧之前连续获取的第二预设数目个雷达帧各自的高度值；
在所有高度值中确定最大高度值所在的第一雷达帧以及最小高度值所在的第二雷达帧；
如果最大高度值大于第一预设高度、最小高度值小于第二预设高度且第一雷达帧和第二雷达帧之间的时间差大于预设时间差，则输出跌倒告警信息。
第二方面，本发明实施例提供了一种跌倒检测装置，包括：
获取模块，用于获取连续的第一预设数目个雷达帧各自的点云集合中待检测目标的点云特征，得到依次记录有第一预设数目个雷达帧各自的点云特征的第一点云特征序列；其中，点云特征包括待检测目标的点数特征、尺寸特征以及质心特征；
输入模块，用于将第一点云特征序列输入至预设循环神经网络模型，得到第一点云特征序列的行为类别概率数组；其中，预设循环神经网络模型基于预先标注的多种行为类别的点云特征序列样本训练得到，行为类别包括跌倒行为，以及蹲下行为、坐下行为、弯腰行为、爬起行为或直行行为中的至少一种，行为类别概率数组包括各行为类别的概率值；
检测模块，用于根据第一点云特征序列的行为类别概率数组，生成跌倒检测结果。
在一种可能的实现方式中，获取模块还用于：
获取连续的第一预设数目个雷达帧；
将获取的单个雷达帧的点云集合确定为相应雷达帧的点云集合；或者，将获取的目标雷达帧的点云集合和在目标雷达帧之前获取的最后一个雷达帧的点云集合映射至同一坐标系，并将映射得到的点云集合确定为目标雷达帧的点云集合；其中，目标雷达帧为第一预设数目个雷达帧中的任意一个雷达帧。
在一种可能的实现方式中，获取模块还用于：
从点云集合中确定待检测目标对应的所有点；
将所有点的数目确定为待检测目标的点数特征；
获取所有点的点坐标中最大的X轴坐标、最大的Y轴坐标、最大的Z轴坐标、最小的X轴坐标、最小的Y轴坐标以及最小的Z轴坐标，并将最大的X轴坐标和最小的X轴坐标的差值、最大的Y轴坐标和最小的Y轴坐标的差值以及最大的Z轴坐标和最小的Z轴坐标的差值，确定为待检测目标的尺寸特征；
分别累加所有点中每个点的X坐标与信噪比的第一乘积值、每个点的Y坐标与信噪比的第二乘积值、每个点的Z坐标与信噪比的第三乘积值，并分别计算累加得到的第一乘积值的总和与所有点的数目的第一商值、第二乘积值的总和与所有点的数目的第二商值、第三乘积值的总和与所有点的数目的第三商值，将第一商值、第二商值、第三商值确定为待检测目标的质心特征。
在一种可能的实现方式中，跌倒检测这种还包括归一化模块，用于：
对第一点云特征序列进行归一化处理，得到归一化后的第一点云特征序列；
将第一点云特征序列输入至预设循环神经网络模型，包括：
将归一化后的第一点云特征序列输入至预设循环神经网络模型。
在一种可能的实现方式中，检测模块还用于：
获取第一点云特征序列的行为类别概率数组中与最大概率值对应的行为类别；
如果与最大概率值对应的行为类别为跌倒行为，则生成存在跌倒的跌倒检测结果，否则生成不存在跌倒的跌倒检测结果。
在一种可能的实现方式中，检测模块还用于：
根据第一点云特征序列的行为类别概率数组以及预先获取的至少一个第二点云特征序列的行为类别概率数组，生成跌倒检测结果；
其中，至少一个第二点云特征序列为在第一点云特征序列之前获取的相邻点云特征序列，相邻点云特征序列依次记录有连续的第一预设数目个雷达帧各自的点云特征，且相邻点云特征序列与在其之后第一个获取的点云特征序列具有如下特点：相邻点云特征序列中依次记录的第二个点云特征至最后一个点云特征对应的所有雷达帧，与在其之后第一个获取的点云特征序列中依次记录的第一个点云特征至倒数第二个点云特征对应的所有雷达帧相同。
在一种可能的实现方式中，检测模块还用于：
将目标点云特征序列的行为类别概率数组中与最大概率值对应的行为类别确定为目标点云特征序列的行为类别；其中，目标点云特征序列为第一点云特征序列和至少一个第二点云特征序列中的任意一个点云特征序列；
如果行为类别为跌倒行为的目标点云特征序列占所有目标点云特征序列的比例超过预设阈值，则生成存在跌倒的跌倒检测结果，否则生成不存在跌倒的跌倒检测结果。
在一种可能的实现方式中，跌倒检测这种还包括输出模块，用于：
获取第一点云特征序列中依次记录的最后一个点云特征对应的雷达帧的高度值，以及在最后一个点云特征对应的雷达帧之前连续获取的第二预设数目个雷达帧各自的高度值；
在所有高度值中确定最大高度值所在的第一雷达帧以及最小高度值所在的第二雷达帧；
如果最大高度值大于第一预设高度、最小高度值小于第二预设高度且第一雷达帧和第二雷达帧之间的时间差大于预设时间差，则输出跌倒告警信息。
第三方面，本发明实施例提供了一种电子设备，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，所述处理器执行所述计算机程序时实现如第一方面所述方法的步骤。
本发明实施例提供一种跌倒检测方法、装置和电子设备，首先获取连续的第一预设数目个雷达帧各自的点云集合中待检测目标的点云特征，得到依次记录有第一预设数目个雷达帧各自的点云特征的第一点云特征序列。之后，将第一点云特征序列输入至预设循环神经网络模型，得到第一点云特征序列的行为类别概率数组。最后，根据第一点云特征序列的行为类别概率数组，生成跌倒检测结果。
由于点云特征可以包括待检测目标的点数特征、尺寸特征以及质心特征，涵盖了人体等待检测目标的高度变化、尺寸等信息，因此点云特征能够更加全面地对人体跌倒地瞬时状态和过程进行描述。此外，采用的预设循环神经网络模型是基于预先标注的多种行为类别的点云特征序列样本训练得到，对于蹲下、坐下、弯腰等干扰运动，能够很好地同跌倒进行区分，故而跌倒检测的准确率高。另外，本发明实施例提供的跌倒检测方法可以集成在毫米波雷达上，无需使用者随身携带，具有使用方便易用性高的优点。
附图说明
为了更清楚地说明本发明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发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的一种跌倒检测方法的步骤流程图；
图2是本发明实施例提供的一种跌倒检测装置的结构示意图；
图3是本发明实施例提供的一种电子设备的示意图。
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，以便透彻理解本发明实施例。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发明。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发明的描述。
为使本发明的目的、技术方案和优点更加清楚，下面将结合附图通过具体实施例来进行说明。
如背景技术所描述的，目前通常采用接触式设备和非接触式设备对跌倒行为进行检测，然而，接触式设备和非接触式设备均存在相应的问题，亟需一种使用方便且检测准确率高的跌倒检测方法。
为了解决现有技术问题，本发明实施例提供了一种跌倒检测方法、装置和电子设备。下面首先对本发明实施例所提供的跌倒检测方法进行介绍。
跌倒检测方法的执行主体，可以是跌倒检测装置，该跌倒检测装置可以是具有处理器和存储器的电子设备，例如毫米波雷达，本发明实施例不作具体限定。
参见图1，其示出了本发明实施例提供的跌倒检测方法的实现流程图，包括以下步骤：
步骤S110、获取连续的第一预设数目个雷达帧各自的点云集合中待检测目标的点云特征，得到依次记录有第一预设数目个雷达帧各自的点云特征的第一点云特征序列。
在电磁学领域，发射机等电子设备可以发射电磁波，电磁波在自然环境中被多次折射、反射后再次被接收机等电子设备接收。通过信号处理方法，可以解析出电磁波携带的信息，例如环境中存在的人、动物、车辆等目标到发射机的距离、角度等信息。在进行信号处理时，通常以雷达帧为处理单位，每个雷达帧均包括较多能够反映目标距离、速度等信息的点，这些点的总和可以称为点云集合。
在一些实施例中，第一预设数目，可以是任意预先设置的数量，例如10或者20。连续的第一预设数目个雷达帧，可以是对老人等检测对象进行跌倒检测时连续生成的相应数量的雷达帧。
考虑到毫米波雷达对应的雷达帧中的点云通常较为稀疏，导致单个雷达帧的点云很难对目标进行描述，不利于后续的跌倒检测。对此，可以采用邻帧累积方案，以增加雷达帧中的点云。
具体的，获取连续的第一预设数目个雷达帧，然后将获取的目标雷达帧的点云集合和在目标雷达帧之前获取的最后一个雷达帧的点云集合映射至同一坐标系，并将映射得到的点云集合确定为目标雷达帧的点云集合；其中，目标雷达帧为第一预设数目个雷达帧中的任意一个雷达帧。由于人体的运动较慢，可以无需进行运动补偿处理。
下面以第i雷达帧指代目标雷达帧为例，给出一种目标雷达帧的点云集合，该点云集合可以表示为pointsInfo，具体如下：
pointsInfo＝{(x(1),y(1),z(1)),(x(2),y(2),z(2)),……，
(x(totalNum_0),y(totalNum_0),z(totalNum_0)),
(x(totalNum_0+1),y(totalNum_0+1),z(totalNum_0+1)),……
(x(totalNum_0+totalNum_1),y(totalNum_0+totalNum_1),z(totalNum_0+totalNum_1))}
其中，totalNum_0表示第i-1雷达帧中点云集合的点的总个数，totalNum_1表示第i雷达帧中点云集合的点的总个数，totalNum表示第i-1雷达帧和第i雷达帧进行映射后得到的点的总个数，如此可得：
totalNum＝totalNum_0+totalNum_1。
在一些实施例中，为了提高数据处理效率，也可以直接将单个雷达帧的点云集合确定为相应雷达帧的点云集合。
在一些实施例中，在获取到连续的第一预设数目个雷达帧各自的点云集合后，可以对每个雷达帧的点云集合进行聚类和航迹处理，以提取出相应点云集合中的待检测目标的点云特征，如待检测目标的点数特征、尺寸特征以及质心特征。之后，可以将第一预设数目个雷达帧各自的点云特征依次记录到特征序列，该特征序列可称为第一点云特征序列。
需要说明的是，由于点云集合中的点通常杂乱无序，很难直接利用，因此，可以对点云集合进行特征提取，提取得到的点云特征既可以表征点云的整体形状或者相对关系，又便于后续的规整和降维处理。
下面对点云特征的提取过程进行具体介绍。以某个雷达帧的点云集合为例，首先，从该点云集合中确定待检测目标对应的所有点。之后，将上述所有点的数目确定为待检测目标的点数特征。接着，获取上述所有点的点坐标中最大的X轴坐标、最大的Y轴坐标、最大的Z轴坐标、最小的X轴坐标、最小的Y轴坐标以及最小的Z轴坐标，然后将最大的X轴坐标和最小的X轴坐标的差值、最大的Y轴坐标和最小的Y轴坐标的差值以及最大的Z轴坐标和最小的Z轴坐标的差值，确定为待检测目标的尺寸特征。最后，分别累加所有点中每个点的X坐标与信噪比的第一乘积值、每个点的Y坐标与信噪比的第二乘积值、每个点的Z坐标与信噪比的第三乘积值，并分别计算累加得到的第一乘积值的总和与所有点的数目的第一商值、第二乘积值的总和与所有点的数目的第二商值、第三乘积值的总和与所有点的数目的第三商值，再将第一商值、第二商值、第三商值确定为待检测目标的质心特征。
具体的，点数特征可以表示为totalNum，尺寸特征可以表示为xsize、ysize、zsize，质心特征可以表示为xcenter、ycenter、zcenter，相应的计算公式可以如下：
xsize＝max(X)–min(X)；
ysize＝max(Y)–min(Y)；
zsize＝max(Z)–min(Z)；
Figure BDA0003272989940000111
Figure BDA0003272989940000112
Figure BDA0003272989940000113
其中，X表示点云集合中所有的X轴坐标，Y表示点云集合中所有的Y轴坐标，Z表示点云集合中所有的Z轴坐标，snri表示第i个点的信噪比。
可选的，为了减少不同点云特征之间的量纲影响，在进行下述步骤S120之前，还可以对上述第一点云特征序列进行归一化处理。
具体的，对于点数特征，其可以采用如下方式进行归一化处理，即：
Figure BDA0003272989940000114
其中，totalNum_normal表示归一化后的点数特征，maxPoints表示点云集合中的最大点数。
对于尺寸特征，其可以采用如下方式进行归一化处理，即：
Figure BDA0003272989940000115
Figure BDA0003272989940000116
Figure BDA0003272989940000117
其中，xsize_normal、ysize_normal、zsize_normal表示归一化后的尺寸特征，maxHeight表示点云集合中最大的Z坐标，需要说明的是，最大的Z坐标即为待检测目标在直行时身体的最高点。
对于质心特征，其可以采用如下方式进行归一化处理，即：
Figure BDA0003272989940000118
Figure BDA0003272989940000119
Figure BDA00032729899400001110
其中，xcenter_normal、ycenter_normal、zcenter_normal表示归一化后的质心特征，maxRange为点云集合对应的检测区域中最远点到雷达的距离，如此，可以将区间(-maxRange,maxRange)归一到(0,1)区间。
这样，当对第一点云特征序列中的所有点数特征、尺寸特征以及质心特征归一化处理后，可以得到归一化处理后的第一点云特征序列。
步骤S120、将第一点云特征序列输入至预设循环神经网络模型，得到第一点云特征序列的行为类别概率数组。
在一些实施例中，输入至预设循环神经网络模型的第一点云特征序列，可以是上述经过归一化处理后的点云特征序列，也可以是未经过归一化处理的点云特征序列，这里不对其进行具体限定。需要说明的是，经过归一化处理后的点云特征序列能够达到较好的检测效果，未经过归一化处理后的点云特征序列能够达到较高的数据处理效率，可以根据不同的需求选择相应类型的点云特征序列。
在一些实施例中，预设循环神经网络模型，可以是基于预先标注的多种行为类别的点云特征序列样本训练得到的模型，该模型可以对输入的第一点云特征序列进行分类处理，并可以得到第一点云特征序列属于不同行为类别的概率值，这些概率值的集合可以称为第一点云特征序列的行为类别概率数组。其中，行为类别可以包括跌倒行为，以及蹲下行为、坐下行为、弯腰行为、爬起行为或直行行为中的至少一种，相应的，行为类别概率数组可以包括各行为类别的概率值。
以行为类别包括跌倒行为、蹲下行为、坐下行为、弯腰行为、爬起行为、直行行为等六种行为为例，相应的行为类别概率数组可以为{p1,p2,……p6}，其中，p1-p6分别表示跌倒行为、蹲下行为、坐下行为、弯腰行为、爬起行为、直行行为等六种行为的概率。
需要说明的是，常规神经网络模型采用全连接模式，即将点云特征展开为一维数组作为模型的输入，即单帧的点云特征可以包括7个输入(上述totalNum、xsize、ysize、zsize、center、ycenter、zcenter)，该模型仅将每个点云特征独立作为输入，无法较好地表征雷达帧之间的相对关系。然而，人在跌倒或者其他运动时，对于前后雷达帧，无论尺寸还是坐标都具有很明显的时间变化规律，例如，对于t时刻人的行为的状态判断，不仅取决于t时刻的输入特征，同时取决于t-1时刻的输入特征。故而，可以选择循环神经网络模型，对雷达帧之间的数据变化情况加以描述。
值得一提的是，可以通过下述方式确定第一点云特征序列中需要记录的点云特征对应的雷达帧的数量，即上述第一预设数目，相应的公式如下：
featureList＝{featureArr(1),featureArr(2)……featureArr(lastFrame)}；
Figure BDA0003272989940000131
其中，lastFrame表示第一预设数目，lastingTime表示统计得到的跌倒持续时长，如采用大数据统计得到的跌倒持续时长的平均值或者依照数据变化趋势给出的跌倒持续时长，比如1.5-2秒，Period表示雷达的帧周期。
步骤S130、根据第一点云特征序列的行为类别概率数组，生成跌倒检测结果。
在一些实施例中，可以获取第一点云特征序列的行为类别概率数组中与最大概率值对应的行为类别。如果与最大概率值对应的行为类别为跌倒行为，则生成存在跌倒的跌倒检测结果，否则生成不存在跌倒的跌倒检测结果。
以上述{p1,p2,……p6}的行为类别概率数组的呈现形式为例，如果行为类别概率数组为{0.02,0.02,0.03,0.9,0.01,0.02}，则最大概率值为0.9，对应的行为类别为上述p4，即对应的行为类别为弯腰行为，由于弯腰行为不是跌倒行为，因此，生成不存在跌倒的跌倒检测结果。
值得一提的是，还可以结合概率阈值对跌倒检测结果进行二次判断，以提高检测准确率。以概率阈值0.8为例，如果行为类别概率数组中最大概率值小于0.8，则可以认为该行为类别概率数组为无效数组，参考价值不大，可以直接确定其对应的行为类别为无效行为，由于无效行为不是跌倒行为，因而同样可以生成不存在跌倒的跌倒检测结果。
在一些实施例中，考虑到单个点云特征序列的偶然性较大，可以结合多个点云特征序列生成跌倒检测结果，以提高跌倒检测的准确度。例如，可以根据第一点云特征序列的行为类别概率数组以及预先获取的至少一个第二点云特征序列的行为类别概率数组，生成跌倒检测结果。其中，至少一个第二点云特征序列为在第一点云特征序列之前获取的相邻点云特征序列，相邻点云特征序列依次记录有连续的第一预设数目个雷达帧各自的点云特征，且相邻点云特征序列与在其之后第一个获取的点云特征序列具有如下特点：相邻点云特征序列中依次记录的第二个点云特征至最后一个点云特征对应的所有雷达帧，与在其之后第一个获取的点云特征序列中依次记录的第一个点云特征至倒数第二个点云特征对应的所有雷达帧相同。
具体的，首先，可以将目点云特征序列的行为类别概率数组中最大概率值对应的行为类别确定为目标点云特征序列的行为类别，其中，目标点云特征序列为第一点云特征序列和至少一个第二点云特征序列中的任意一个点云特征序列。之后，判断行为类别为跌倒行为的目标点云特征序列占所有目标点云特征序列的比例是否超过预设阈值。如果行为类别为跌倒行为的目标点云特征序列占所有目标点云特征序列的比例超过预设阈值，则生成存在跌倒的跌倒检测结果，否则生成不存在跌倒的跌倒检测结果。
例如，可以用classList表示所有的目标点云特征序列，即：
classList＝{class(1),class(2)……class(saveFrame)}
其中，saveFrame表示所有的目标点云特征序列的数量，class(i)表示第i个目标点云特征序列中最大概率值对应的行为类别。如此，可以统计classList中跌倒行为对应的目标点云特征序列所占的比例，当该比例大于预设阈值时，则认为存在跌倒行为，如此，可以输出存在跌倒的跌倒检测结果。
为了进一步提升检测准确率，还可以结合基于实际逻辑的误报抑制机制，判断是否输出跌倒告警信息。
具体的，由于跌倒等时序行为对高度最为敏感，误报抑制可以依据高度变化。首先，获取第一点云特征序列中依次记录的最后一个点云特征对应的雷达帧的高度值，以及在最后一个点云特征对应的雷达帧之前连续获取的第二预设数目个雷达帧各自的高度值。之后，在所有高度值中确定最大高度值所在的第一雷达帧以及最小高度值所在的第二雷达帧。如果最大高度值大于第一预设高度、最小高度值小于第二预设高度且第一雷达帧和第二雷达帧之间的时间差大于预设时间差，则认为符合跌倒行为，如此可以输出跌倒告警信息。如果最大高度值、最小高度值或者上述时间差有一个未满足上述情形，则认为不符合跌倒行为，如此可以不输出跌倒告警信息。
在一些实施例中，跌倒告警信息可以为语音信息、短信息或者蜂鸣器信息中的至少一种。
本发明实施例提供一种跌倒检测方法、装置和电子设备，首先获取连续的第一预设数目个雷达帧各自的点云集合中待检测目标的点云特征，得到依次记录有第一预设数目个雷达帧各自的点云特征的第一点云特征序列。之后，将第一点云特征序列输入至预设循环神经网络模型，得到第一点云特征序列的行为类别概率数组。最后，根据第一点云特征序列的行为类别概率数组，生成跌倒检测结果。
由于点云特征包括待检测目标的点数特征、尺寸特征以及质心特征，涵盖了人体等待检测目标的高度变化、尺寸等信息，因此点云特征能够更加全面地对人体跌倒地瞬时状态和过程进行描述。此外，采用的预设循环神经网络模型是基于预先标注的多种行为类别的点云特征序列样本训练得到，对于蹲下、坐下、弯腰等干扰运动，能够很好地同跌倒进行区分，故而跌倒检测的准确率高。另外，本发明实施例提供的跌倒检测方法可以集成在毫米波雷达上，无需使用者随身携带，具有使用方便易用性高的优点。
应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。
以下为本发明的装置实施例，对于其中未详尽描述的细节，可以参考上述对应的方法实施例。
图2示出了本发明实施例提供的跌倒检测装置的结构示意图，为了便于说明，仅示出了与本发明实施例相关的部分，详述如下：
如图2所示，跌倒检测装置200包括：
获取模块210，用于获取连续的第一预设数目个雷达帧各自的点云集合中待检测目标的点云特征，得到依次记录有第一预设数目个雷达帧各自的点云特征的第一点云特征序列；其中，点云特征包括待检测目标的点数特征、尺寸特征以及质心特征；
输入模块220，用于将第一点云特征序列输入至预设循环神经网络模型，得到第一点云特征序列的行为类别概率数组；其中，预设循环神经网络模型基于预先标注的多种行为类别的点云特征序列样本训练得到，行为类别包括跌倒行为，以及蹲下行为、坐下行为、弯腰行为、爬起行为或直行行为中的至少一种，行为类别概率数组包括各行为类别的概率值；
检测模块230，用于根据第一点云特征序列的行为类别概率数组，生成跌倒检测结果。
在一种可能的实现方式中，获取模块还用于：
获取连续的第一预设数目个雷达帧；
将获取的单个雷达帧的点云集合确定为相应雷达帧的点云集合；或者，将获取的目标雷达帧的点云集合和在目标雷达帧之前获取的最后一个雷达帧的点云集合映射至同一坐标系，并将映射得到的点云集合确定为目标雷达帧的点云集合；其中，目标雷达帧为第一预设数目个雷达帧中的任意一个雷达帧。
在一种可能的实现方式中，获取模块还用于：
从点云集合中确定待检测目标对应的所有点；
将所有点的数目确定为待检测目标的点数特征；
获取所有点的点坐标中最大的X轴坐标、最大的Y轴坐标、最大的Z轴坐标、最小的X轴坐标、最小的Y轴坐标以及最小的Z轴坐标，并将最大的X轴坐标和最小的X轴坐标的差值、最大的Y轴坐标和最小的Y轴坐标的差值以及最大的Z轴坐标和最小的Z轴坐标的差值，确定为待检测目标的尺寸特征；
分别累加所有点中每个点的X坐标与信噪比的第一乘积值、每个点的Y坐标与信噪比的第二乘积值、每个点的Z坐标与信噪比的第三乘积值，并分别计算累加得到的第一乘积值的总和与所有点的数目的第一商值、第二乘积值的总和与所有点的数目的第二商值、第三乘积值的总和与所有点的数目的第三商值，将第一商值、第二商值、第三商值确定为待检测目标的质心特征。
在一种可能的实现方式中，跌倒检测这种还包括归一化模块，用于：
对第一点云特征序列进行归一化处理，得到归一化后的第一点云特征序列；
将第一点云特征序列输入至预设循环神经网络模型，包括：
将归一化后的第一点云特征序列输入至预设循环神经网络模型。
在一种可能的实现方式中，检测模块还用于：
获取第一点云特征序列的行为类别概率数组中与最大概率值对应的行为类别；
如果与最大概率值对应的行为类别为跌倒行为，则生成存在跌倒的跌倒检测结果，否则生成不存在跌倒的跌倒检测结果。
在一种可能的实现方式中，检测模块还用于：
根据第一点云特征序列的行为类别概率数组以及预先获取的至少一个第二点云特征序列的行为类别概率数组，生成跌倒检测结果；
其中，至少一个第二点云特征序列为在第一点云特征序列之前获取的相邻点云特征序列，相邻点云特征序列依次记录有连续的第一预设数目个雷达帧各自的点云特征，且相邻点云特征序列与在其之后第一个获取的点云特征序列具有如下特点：相邻点云特征序列中依次记录的第二个点云特征至最后一个点云特征对应的所有雷达帧，与在其之后第一个获取的点云特征序列中依次记录的第一个点云特征至倒数第二个点云特征对应的所有雷达帧相同。
在一种可能的实现方式中，检测模块还用于：
将目标点云特征序列的行为类别概率数组中与最大概率值对应的行为类别确定为目标点云特征序列的行为类别；其中，目标点云特征序列为第一点云特征序列和至少一个第二点云特征序列中的任意一个点云特征序列；
如果行为类别为跌倒行为的目标点云特征序列占所有目标点云特征序列的比例超过预设阈值，则生成存在跌倒的跌倒检测结果，否则生成不存在跌倒的跌倒检测结果。
在一种可能的实现方式中，跌倒检测这种还包括输出模块，用于：
获取第一点云特征序列中依次记录的最后一个点云特征对应的雷达帧的高度值，以及在最后一个点云特征对应的雷达帧之前连续获取的第二预设数目个雷达帧各自的高度值；
在所有高度值中确定最大高度值所在的第一雷达帧以及最小高度值所在的第二雷达帧；
如果最大高度值大于第一预设高度、最小高度值小于第二预设高度且第一雷达帧和第二雷达帧之间的时间差大于预设时间差，则输出跌倒告警信息。
本发明实施例提供一种跌倒检测方法、装置和电子设备，首先获取连续的第一预设数目个雷达帧各自的点云集合中待检测目标的点云特征，得到依次记录有第一预设数目个雷达帧各自的点云特征的第一点云特征序列。之后，将第一点云特征序列输入至预设循环神经网络模型，得到第一点云特征序列的行为类别概率数组。最后，根据第一点云特征序列的行为类别概率数组，生成跌倒检测结果。
由于点云特征包括待检测目标的点数特征、尺寸特征以及质心特征，涵盖了人体等待检测目标的高度变化、尺寸等信息，因此点云特征能够更加全面地对人体跌倒地瞬时状态和过程进行描述。此外，采用的预设循环神经网络模型是基于预先标注的多种行为类别的点云特征序列样本训练得到，对于蹲下、坐下、弯腰等干扰运动，能够很好地同跌倒进行区分，故而跌倒检测的准确率高。另外，本发明实施例提供的跌倒检测方法可以集成在毫米波雷达上，无需使用者随身携带，具有使用方便易用性高的优点。
图3是本发明实施例提供的电子设备3的示意图。如图3所示，该实施例的电子设备3包括：处理器30、存储器31以及存储在所述存储器31中并可在所述处理器30上运行的计算机程序32。所述处理器30执行所述计算机程序32时实现上述各个跌倒检测方法实施例中的步骤，例如图1所示的步骤S110至步骤S130。或者，所述处理器30执行所述计算机程序32时实现上述各装置实施例中各模块的功能，例如图2所示模块210至230的功能。
示例性的，所述计算机程序32可以被分割成一个或多个模块，所述一个或者多个模块被存储在所述存储器31中，并由所述处理器30执行，以完成本发明。所述一个或多个模块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32在所述电子设备3中的执行过程。例如，所述计算机程序32可以被分割成图2所示模块210至230。
所述电子设备3可包括，但不仅限于，处理器30、存储器31。本领域技术人员可以理解，图3仅仅是电子设备3的示例，并不构成对电子设备3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，例如所述电子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30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31可以是所述电子设备3的内部存储单元，例如电子设备3的硬盘或内存。所述存储器31也可以是所述电子设备3的外部存储设备，例如所述电子设备3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31还可以既包括所述电子设备3的内部存储单元也包括外部存储设备。所述存储器31用于存储所述计算机程序以及所述电子设备所需的其他程序和数据。所述存储器31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发明的范围。
在本发明所提供的实施例中，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，在本发明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，本发明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，可实现上述各个跌倒检测方法实施例的步骤。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发明的技术方案，而非对其限制；尽管参照前述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精神和范围，均应包含在本发明的保护范围之内。

Claims (10)

1.一种跌倒检测方法，其特征在于，包括：
获取连续的第一预设数目个雷达帧各自的点云集合中待检测目标的点云特征，得到依次记录有所述第一预设数目个雷达帧各自的点云特征的第一点云特征序列；
将所述第一点云特征序列输入至预设循环神经网络模型，得到所述第一点云特征序列的行为类别概率数组；其中，所述预设循环神经网络模型基于预先标注的多种行为类别的点云特征序列样本训练得到，所述行为类别包括跌倒行为，以及蹲下行为、坐下行为、弯腰行为、爬起行为或直行行为中的至少一种，所述行为类别概率数组包括各行为类别的概率值；
根据所述第一点云特征序列的行为类别概率数组，生成跌倒检测结果。
2.根据权利要求1所述的方法，其特征在于，在所述获取连续的第一预设数目个雷达帧各自的点云集合中待检测目标的点云特征之前，所述方法还包括：
获取连续的第一预设数目个雷达帧；
将获取的单个雷达帧的点云集合确定为相应雷达帧的点云集合；或者，将获取的目标雷达帧的点云集合和在所述目标雷达帧之前获取的最后一个雷达帧的点云集合映射至同一坐标系，并将映射得到的点云集合确定为所述目标雷达帧的点云集合；其中，所述目标雷达帧为所述第一预设数目个雷达帧中的任意一个雷达帧。
3.根据权利要求1所述的方法，其特征在于，所述点云特征包括所述待检测目标的点数特征、尺寸特征以及质心特征；
所述获取连续的第一预设数目个雷达帧各自的点云集合中待检测目标的点云特征，包括：
从所述点云集合中确定所述待检测目标对应的所有点；
将所述所有点的数目确定为所述待检测目标的点数特征；
获取所述所有点的点坐标中最大的X轴坐标、最大的Y轴坐标、最大的Z轴坐标、最小的X轴坐标、最小的Y轴坐标以及最小的Z轴坐标，并将所述最大的X轴坐标和所述最小的X轴坐标的差值、所述最大的Y轴坐标和所述最小的Y轴坐标的差值以及所述最大的Z轴坐标和所述最小的Z轴坐标的差值，确定为所述待检测目标的尺寸特征；
分别累加所述所有点中每个点的X坐标与信噪比的第一乘积值、每个点的Y坐标与信噪比的第二乘积值、每个点的Z坐标与信噪比的第三乘积值，并分别计算累加得到的第一乘积值的总和与所述所有点的数目的第一商值、第二乘积值的总和与所述所有点的数目的第二商值、第三乘积值的总和与所述所有点的数目的第三商值，将所述第一商值、所述第二商值、所述第三商值确定为所述待检测目标的质心特征。
4.根据权利要求1所述的方法，其特征在于，在将所述第一点云特征序列输入至预设循环神经网络模型之前，所述方法还包括：
对所述第一点云特征序列进行归一化处理，得到归一化后的第一点云特征序列；
所述将所述第一点云特征序列输入至预设循环神经网络模型，包括：
将所述归一化后的第一点云特征序列输入至预设循环神经网络模型。
5.根据权利要求1所述的方法，其特征在于，所述根据所述第一点云特征序列的行为类别概率数组，生成跌倒检测结果，包括：
获取所述第一点云特征序列的行为类别概率数组中与最大概率值对应的行为类别；
如果所述与最大概率值对应的行为类别为跌倒行为，则生成存在跌倒的跌倒检测结果，否则生成不存在跌倒的跌倒检测结果。
6.根据权利要求1所述的方法，其特征在于，所述根据所述第一点云特征序列的行为类别概率数组，生成跌倒检测结果，包括：
根据所述第一点云特征序列的行为类别概率数组以及预先获取的至少一个第二点云特征序列的行为类别概率数组，生成跌倒检测结果；
其中，所述至少一个第二点云特征序列为在所述第一点云特征序列之前获取的相邻点云特征序列，所述相邻点云特征序列依次记录有连续的所述第一预设数目个雷达帧各自的点云特征，且所述相邻点云特征序列与在其之后第一个获取的点云特征序列具有如下特点：所述相邻点云特征序列中依次记录的第二个点云特征至最后一个点云特征对应的所有雷达帧，与所述在其之后第一个获取的点云特征序列中依次记录的第一个点云特征至倒数第二个点云特征对应的所有雷达帧相同。
7.根据权利要求6所述的方法，其特征在于，所述根据所述第一点云特征序列的行为类别概率数组以及预先获取的至少一个第二点云特征序列的行为类别概率数组，生成跌倒检测结果，包括：
将目标点云特征序列的行为类别概率数组中与最大概率值对应的行为类别确定为所述目标点云特征序列的行为类别；其中，所述目标点云特征序列为所述第一点云特征序列和所述至少一个第二点云特征序列中的任意一个点云特征序列；
如果行为类别为跌倒行为的所述目标点云特征序列占所有所述目标点云特征序列的比例超过预设阈值，则生成存在跌倒的跌倒检测结果，否则生成不存在跌倒的跌倒检测结果。
8.根据权利要求1所述的方法，其特征在于，在所述生成跌倒检测结果之后，所述方法还包括：
获取所述第一点云特征序列中依次记录的最后一个点云特征对应的雷达帧的高度值，以及在所述最后一个点云特征对应的雷达帧之前连续获取的第二预设数目个雷达帧各自的高度值；
在所有所述高度值中确定最大高度值所在的第一雷达帧以及最小高度值所在的第二雷达帧；
如果所述最大高度值大于第一预设高度、所述最小高度值小于第二预设高度且所述第一雷达帧和所述第二雷达帧之间的时间差大于预设时间差，则输出跌倒告警信息。
9.一种跌倒检测装置，其特征在于，包括：
获取模块，用于获取连续的第一预设数目个雷达帧各自的点云集合中待检测目标的点云特征，得到依次记录有所述第一预设数目个雷达帧各自的点云特征的第一点云特征序列；其中，所述点云特征包括所述待检测目标的点数特征、尺寸特征以及质心特征；
输入模块，用于将所述第一点云特征序列输入至预设循环神经网络模型，得到所述第一点云特征序列的行为类别概率数组；其中，所述预设循环神经网络模型基于预先标注的多种行为类别的点云特征序列样本训练得到，所述行为类别包括跌倒行为，以及蹲下行为、坐下行为、弯腰行为、爬起行为或直行行为中的至少一种，所述行为类别概率数组包括各行为类别的概率值；
检测模块，用于根据所述第一点云特征序列的行为类别概率数组，生成跌倒检测结果。
10.一种电子设备，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，所述处理器执行所述计算机程序时实现如权利要求1至8任一项所述方法的步骤。
CN202111107797.1A 2021-09-22 2021-09-22 跌倒检测方法、装置和电子设备 Pending CN113963192A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111107797.1A CN113963192A (zh) 2021-09-22 2021-09-22 跌倒检测方法、装置和电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111107797.1A CN113963192A (zh) 2021-09-22 2021-09-22 跌倒检测方法、装置和电子设备

Publications (1)

Publication Number Publication Date
CN113963192A true CN113963192A (zh) 2022-01-21

Family

ID=79462381

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111107797.1A Pending CN113963192A (zh) 2021-09-22 2021-09-22 跌倒检测方法、装置和电子设备

Country Status (1)

Country Link
CN (1) CN113963192A (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114677761A (zh) * 2022-03-30 2022-06-28 北京洛必德科技有限公司 一种人体摔倒检测方法和装置、电子设备
CN114913373A (zh) * 2022-05-12 2022-08-16 苏州轻棹科技有限公司 一种基于图像点云对序列的分类方法和装置
CN114942434A (zh) * 2022-04-25 2022-08-26 西南交通大学 一种基于毫米波雷达点云的跌倒姿态识别方法及系统
CN115205982A (zh) * 2022-09-08 2022-10-18 深圳市维海德技术股份有限公司 起立跟踪检测方法、电子设备及介质
CN116840835A (zh) * 2022-05-05 2023-10-03 南方科技大学 一种基于毫米波雷达的跌倒检测方法、系统及设备

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114677761A (zh) * 2022-03-30 2022-06-28 北京洛必德科技有限公司 一种人体摔倒检测方法和装置、电子设备
CN114942434A (zh) * 2022-04-25 2022-08-26 西南交通大学 一种基于毫米波雷达点云的跌倒姿态识别方法及系统
CN114942434B (zh) * 2022-04-25 2024-02-02 四川八维九章科技有限公司 一种基于毫米波雷达点云的跌倒姿态识别方法及系统
CN116840835A (zh) * 2022-05-05 2023-10-03 南方科技大学 一种基于毫米波雷达的跌倒检测方法、系统及设备
CN116840835B (zh) * 2022-05-05 2024-05-10 南方科技大学 一种基于毫米波雷达的跌倒检测方法、系统及设备
CN114913373A (zh) * 2022-05-12 2022-08-16 苏州轻棹科技有限公司 一种基于图像点云对序列的分类方法和装置
CN114913373B (zh) * 2022-05-12 2024-04-09 苏州轻棹科技有限公司 一种基于图像点云对序列的分类方法和装置
CN115205982A (zh) * 2022-09-08 2022-10-18 深圳市维海德技术股份有限公司 起立跟踪检测方法、电子设备及介质

Similar Documents

Publication Publication Date Title
CN113963192A (zh) 跌倒检测方法、装置和电子设备
US10506990B2 (en) Devices and methods for fall detection based on phase segmentation
US20200166610A1 (en) Detection method, detection device, terminal and detection system
CN108109336B (zh) 一种基于加速度传感器的人体跌倒识别方法
CN112926541B (zh) 一种睡岗检测方法、装置及相关设备
CN108814618B (zh) 一种运动状态的识别方法、装置及终端设备
CN108021888B (zh) 一种跌倒检测方法
CN209186698U (zh) 一种基于fpga的癫痫预警装置
Saadeh et al. A high accuracy and low latency patient-specific wearable fall detection system
CN111208508A (zh) 运动量测量方法、装置及电子设备
CN114038012A (zh) 基于毫米波雷达和机器学习的跌倒检测方法及系统
CN111507361B (zh) 基于微波雷达的动作识别装置、方法及系统
CN111643092A (zh) 一种癫痫报警装置及癫痫检测方法
CN112818766A (zh) 一种基于计算机视觉的高空抛物检测警报方法及系统
CN112327288A (zh) 雷达人体动作识别方法、装置、电子设备和存储介质
CN113420634A (zh) 人体摔倒的检测方法、装置、电子设备及存储介质
CN112395920B (zh) 基于雷达的姿态识别装置、方法以及电子设备
CN115204240A (zh) 基于毫米波雷达和fpga的跌倒检测方法及装置
CN116264012A (zh) 一种用于短信报警器的无接触式跌倒方向检测方法
CN107103267A (zh) 一种基于视频的打架斗殴行为检测方法、装置
Pipanmaekaporn et al. Mining Acceleration Data for Smartphone-based Fall Detection
CN114034313A (zh) 计步方法和装置
CN117173793B (zh) 目标姿态检测方法、计算机设备及存储介质
Gong et al. A novel computer vision-based data driven modelling approach for person specific fall detection
CN118072472B (zh) 跌倒检测的预警方法、装置、设备及存储介质

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