CN114445915A - 跌倒行为的检测方法、装置、终端设备和可读存储介质 - Google Patents

跌倒行为的检测方法、装置、终端设备和可读存储介质 Download PDF

Info

Publication number
CN114445915A
CN114445915A CN202210110094.2A CN202210110094A CN114445915A CN 114445915 A CN114445915 A CN 114445915A CN 202210110094 A CN202210110094 A CN 202210110094A CN 114445915 A CN114445915 A CN 114445915A
Authority
CN
China
Prior art keywords
target
detection
falling
images
frames
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
CN202210110094.2A
Other languages
English (en)
Inventor
周蕾
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.)
Hangzhou Lianji Technology Co ltd
Original Assignee
Hangzhou Lianji Technology 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 Hangzhou Lianji Technology Co ltd filed Critical Hangzhou Lianji Technology Co ltd
Priority to CN202210110094.2A priority Critical patent/CN114445915A/zh
Publication of CN114445915A publication Critical patent/CN114445915A/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
    • G06F18/21—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
    • G06F18/24—Classification techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/20—Analysis of motion
    • G06T7/277—Analysis of motion involving stochastic approaches, e.g. using Kalman filters

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)

Abstract

本申请属于跌倒行为的检测领域，尤其涉及跌倒行为的检测方法、装置、终端设备和可读存储介质。该方法包括：获取同一目标对应的多帧目标检测图像；对同一目标对应的多帧目标检测图像进行扩展，获得多帧目标扩展图像，目标扩展图像中包含环境信息；将多帧目标扩展图像输入跌倒检测模型中进行检测，检测目标是否发生跌倒行为。即本申请可以通过对同一目标对应的多帧目标检测图像进行扩展，获得多帧目标扩展图像，目标扩展图像中包含环境信息；将多帧目标扩展图像输入跌倒检测模型中进行检测，检测目标是否发生跌倒行为，通过环境信息即可识别出与跌倒行为相似的行为，提高检测的准确性。

Description

跌倒行为的检测方法、装置、终端设备和可读存储介质
技术领域
本申请属于跌倒行为的检测领域，尤其涉及一种跌倒行为的检测方法、装置、终端设备和可读存储介质。
背景技术
现有的跌倒行为的检测方法，使用图像数据作为输入，经过人形检测网络、姿态估计网络、图卷积分类网络，最后进行过滤，进而对跌倒行为进行检测。
但是，现有的跌倒行为的检测方法难以识别与跌倒相近的行为，例如躺在沙发上、上床睡觉等相似行为，降低检测的准确性。
发明内容
本申请实施例提供一种跌倒行为的检测方法、装置、终端设备和可读存储介质，可以识别出与跌倒行为相似的行为，提高检测的准确性。
第一方面，本申请实施例提供一种跌倒行为的检测方法，包括：
获取同一目标对应的多帧目标检测图像；
对同一所述目标对应的多帧所述目标检测图像进行扩展，获得多帧所述目标扩展图像，所述目标扩展图像中包含环境信息；
将多帧所述目标扩展图像输入跌倒检测模型中进行检测，检测所述目标是否发生跌倒行为。
在第一方面的一种可能实现的方式中，所述获取同一目标对应的多帧目标检测图像，包括：
获取视频流中的多帧图像，每帧所述图像中包括多个所述目标；
对每帧所述图像中的多个所述目标进行检测，获取多个所述目标对应的多帧所述目标检测图像；
对多个所述目标对应的多帧所述目标检测图像进行目标追踪，获取同一所述目标对应的多帧所述目标检测图像。
其中，所述获取视频流中的多帧图像，包括：
获取所述视频流；
利用滑动窗口的方式，获取所述视频流中多帧所述图像。
其中，对同一所述目标对应的多帧所述目标检测图像进行扩展，获得多帧所述目标扩展图像，包括：
对同一所述目标对应的多帧所述目标检测图像中的目标边界框进行扩展，获得多帧所述目标扩展图像。
其中，对同一所述目标对应的多帧所述目标检测图像中的目标边界框进行扩展，包括：
增加所述目标边界框的宽度，和/或长度，获得目标边界扩展框；
基于所述目标边界扩展框，对同一所述目标对应的多帧所述目标检测图像中的目标边界框进行扩展。
其中，所述跌倒行为检测模型包括二分类模型，所述将多帧所述目标扩展图像输入跌倒检测模型中进行检测，检测所述目标是否发生跌倒行为，包括：
将多帧所述目标扩展图像输入所述二分类模型中进行处理，得到每帧所述目标扩展图像的跌倒得分和非跌倒得分；
计算多帧所述目标扩展图像的跌倒总分和非跌倒总分；
若所述跌倒总分不大于所述非跌倒总分，则所述目标未发生跌倒行为；
若所述跌倒总分大于所述非跌倒总分，则所述目标未发生跌倒行为。
其中，所述跌倒行为检测模型的训练方法包括：
获取训练集，所述训练集包括多组训练数据，每组所述训练数据包括多帧所述目标发生跌倒行为的所述目标扩展图像，和多帧所述目标未发生跌倒行为的所述目标扩展图像，将多帧所述目标发生跌倒行为的所述目标扩展图像标注为1，并将多帧所述目标未发生跌倒行为的所述目标扩展图像标注为0；
根据所述训练集，对所述跌倒行为检测模型进行训练。
第二方面，本申请实施例提供一种跌倒行为的检测装置，包括：
获取模块，用于获取同一目标对应的多帧目标检测图像；
扩展模块，用于对同一所述目标对应的多帧所述目标检测图像进行扩展，获得多帧所述目标扩展图像，所述目标扩展图像中包含环境信息；
检测模块，用于将多帧所述目标扩展图像输入跌倒检测模型中进行检测，检测所述目标是否发生跌倒行为。
第三方面，本申请实施例提供一种终端设备，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，所述处理器执行所述计算机程序时实现如第一方面任一项所述的跌倒行为的检测方法。
第四方面，本申请实施例提供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，所述计算机程序被处理器执行时实现如第一方面任一项所述的跌倒行为的检测方法。
本申请实施例与现有技术相比存在的有益效果是：获取同一目标对应的多帧目标检测图像；对同一目标对应的多帧目标检测图像进行扩展，获得多帧目标扩展图像，目标扩展图像中包含环境信息；将多帧目标扩展图像输入跌倒检测模型中进行检测，检测目标是否发生跌倒行为。即本申请可以通过对同一目标对应的多帧目标检测图像进行扩展，获得多帧目标扩展图像，目标扩展图像中包含环境信息；将多帧目标扩展图像输入跌倒检测模型中进行检测，检测目标是否发生跌倒行为，通过环境信息即可识别出与跌倒行为相似的行为，提高检测的准确性。
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1a是本申请一实施例提供的跌倒行为的检测方法的一种应用场景示意图；
图1b是本申请实施例提供的一种跌倒行为检测模型的网络架构示例图；
图1c是本申请实施例提供的一种模型的训练方法的示意性流程图；
图2是本申请实施例提供的一种跌倒行为的检测方法的示意性流程图；
图3a是本申请实施例提供的一种获取同一目标对应的多帧目标检测图像的方法的示意性流程图；
图3b是本申请一实施例提供的目标边界框和目标边界扩展框的示例图
图4是本申请实施例提供的一种检测目标是否发生跌倒行为的方法的示意性流程图；
图5是本申请实施例提供的一种跌倒行为的结构示意图；
图6是本申请实施例提供的一种终端设备的结构示意图。
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，在其它情况中，各个实施例中的具体技术细节可以互相参考，在一个实施例中没有描述的具体系统可参考其它实施例。
应当理解，当在本申请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。
在本申请说明书中描述的参考“本申请实施例”或“一些实施例”等意味着在本申请的一个或多个实施例中包括结合该实施例描述的特定特征、结构或特点。由此，在本说明书中的不同之处出现的语句“在另一些实施例中”、“本申请一实施例”、“本申请其他实施例”等不是必然都参考相同的实施例，而是意味着“一个或多个但不是所有的实施例”，除非是以其他方式另外特别强调。术语“包括”、“包含”、“具有”及它们的变形都意味着“包括但不限于”，除非是以其他方式另外特别强调。
另外，在本申请说明书和所附权利要求书的描述中，术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
现有的跌倒行为的检测方法，使用图像数据作为输入，经过人形检测网络、姿态估计网络、图卷积分类网络，最后进行过滤，进而对跌倒行为进行检测。
但是，现有的跌倒行为的检测方法难以识别与跌倒相近的行为，例如躺在沙发上、上床睡觉等相似行为，降低检测的准确性。
为了解决上述缺陷，本申请的发明构思为：
本申请可以通过对同一目标对应的多帧目标检测图像进行扩展，获得多帧目标扩展图像，目标扩展图像中包含环境信息；将多帧目标扩展图像输入跌倒检测模型中进行检测，检测目标是否发生跌倒行为，通过环境信息即可识别出与跌倒行为相似的行为，提高检测的准确性。
为了说明本申请的技术方案，下面通过具体实施例来进行说明。
请参考图1a，图1a是本申请一实施例提供的跌倒行为的检测方法的一种应用场景示意图，为了方便说明，仅示出与本申请相关的部分。该应用场景包括：终端设备100。
该终端设备100包括处理器101，该处理器101可以是中央处理单元(CentralProcessing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital SignalProcessor，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。该处理器101用于获取同一目标对应的多帧目标检测图像；对同一目标对应的多帧目标检测图像进行扩展，获得多帧目标扩展图像，目标扩展图像中包含环境信息；将多帧目标扩展图像输入跌倒检测模型中进行检测，检测目标是否发生跌倒行为。
本申请实施例中的跌倒行为检测模型是二分类神经网络模型，其网络架构可参考图1b，图1b是本申请实施例提供的一种跌倒行为检测模型的网络架构示例图，该网络架构的主干网络是残差网络(Residual Network，ResNet),示例性的，主干网络是ResNet18。
该网络架构包括20层卷积层、1层最大池化层、1层平均池化层和1层全连接层。卷积层用于对输入图像的进行特征提取，最大池化层用于去除冗余信息、对特征进行压缩、简化网络复杂度、减小计算量等，平均池化层用于对特征进行下采样，全连接层用获取最终的输出结果。
本申请实施例中，在跌倒行为检测模型的网络架构构建完成之后，需要对该模型进行训练，请参考图1c，图1c是本申请实施例提供的一种模型的训练方法的示意性流程图；图1c中的方法的执行主体可以为图1中的终端设备100。如图1c所示，该方法包括：S101至S102。
S101、获取训练集。
具体的，训练集包括多组训练数据，每组训练数据包括多个目标发生跌倒行为的目标扩展图像，和多个目标未发生跌倒行为的目标扩展图像，并将多个目标发生跌倒行为的目标扩展图像标注为1，将多个目标未发生跌倒行为的目标扩展图像标注为0。
本申请实施例是通过环境信息区分跌倒行为与跌倒行为相近(躺沙发、上床睡觉等)的行为，通常跌倒行为的环境信息为大地，非跌倒行为的环境信息为沙发、床等，因此本申请实施例中，将跌倒行为对应的环境信息(例如大地)称为跌倒环境，将除跌倒环境之外的环境信息(例如沙发、床等)称为非跌倒环境。
本申请实施例中，预先采集多组目标发生跌倒行为的目标扩展图像和多组目标未发生跌倒行为的目标扩展图像，并将多组目标发生跌倒行为的目标扩展图像标注为1，将多组目标未发生跌倒行为的目标扩展图像标注为0。本申请实施例中可通过标注工具对训练数据进行标注。标注工具包括Labellmg、Labelme、RectLabel等，本申请实施例对标注工具的类型不作限定。
S102、根据训练集，对跌倒行为检测模型进行训练。
具体的，本申请实施例中，将训练集按照一定比例划分为两部分，例如可以按照8:2的比例将训练集划分为第一部分和第二部分，第一部分用于训练模型，第二部分用于对训练之后的模型进行测试。
本申请实施例中，损失函数使用的是交叉熵损失函数，交叉熵损失函数衡量网络输出与标注的目标值之间的差异，通过最小化这种差异来约束网络的训练过程。当该差异值不再降低时，认为网络完成了训练。设置不同的超参进行上述过程，并利用得到的参数以及训练集中的第二部分进行测试，将在第二部分上表现最好的超参对应的网络参数作为最终结果。
在跌倒行为检测模型训练完成之后，使用该模型对跌倒行为进行检测，请参考图2，图2是本申请实施例提供的一种跌倒行为的检测方法的示意性流程图。图2中的方法的执行主体可以为图1中的终端设备100。如图2所示，该方法包括：S201至S203。
S201、获取同一目标对应的多帧目标检测图像。
具体的，本申请实施例中的目标，包含图像中出现的人形。获取同一目标对应的多帧目标检测图像的方法可参考图3a，图3a是本申请实施例提供的一种获取同一目标对应的多帧目标检测图像的方法的示意性流程图。图3a中的方法的执行主体可以为图1中的终端设备100。如图3a所示，该方法包括：S301至S303。
S301、获取视频流中的多帧图像。
具体的，每帧图像中包括多个目标。
本申请实施例可通过以下方法获取视频流中的多帧图像：
首先，获取视频流。
具体的，视频流为实时视频流，视频流是由时间上连续的多帧图像组成的。实时视频流中包含多个目标，多个目标具有不完全相同的行为，例如：在视频流中，目标1的行为为跌倒行为、目标2的行为为站立行为、目标3的行为为行走行为等。根据大数据分析，一次跌倒行为需要的时间为2.5s至3.5s，示例性的，可以为3s。若3s的视频流中包含连续的6帧图像，则6帧图像可代表一次跌倒行为。
其次，利用滑动窗口的方式，获取视频流中多帧图像。
具体的，本申请实施例为了减少冗余计算量，对实时视频流进行均匀采样。即每隔n帧采样一次进行计算。示例性的，本申请实施例可以利用滑动窗口的方式，获取视频流中多帧图像，即每6帧图像滑动一次窗口进行采样。
S302、对每帧图像中的多个目标进行检测，获取多个目标对应的多帧目标检测图像。
具体的，本申请实施例中，在获取到视频流中的多帧图像时，利用目标检测算法，例如(：You Only Look Once，YOLO)算法检测每帧图像中的多个目标，并用目标边界框将每帧图像中的多个目标框选出来，即可获取多个目标对应的多帧目标检测图像。
S303、对多个目标对应的多帧目标检测图像进行目标追踪，获取同一目标对应的多帧目标检测图像。
具体的，本申请实施例中，可利用匈牙利算法卡尔曼滤波器多目标跟踪方法对多个目标对应的多帧目标检测图像进行目标追踪，即可获取同一目标对应的多帧目标检测图像。
S202、对同一目标对应的多帧目标检测图像进行扩展，获得多帧目标扩展图像。
本申请实施例中，对同一目标对应的多帧目标检测图像进行扩展，获得多帧目标扩展图像的方法为：
对同一目标对应的多帧目标检测图像中的目标边界框进行扩展，获得多帧目标扩展图像。
具体的，本申请实施例可通过增加目标边界框的宽度，和/或长度，获得目标边界扩展框，基于目标边界扩展框，对同一目标对应的多帧目标检测图像中的目标边界框进行扩展。
示例性的，请参考图3b，图3b是本申请一实施例提供的目标边界框和目标边界扩展框的示例图。目标边界框为长方形框，长方形框中只包含目标，并未包含目标周围的环境信息。目标边界框中的对角处两个点分别为A和B，A点的坐标可表示为(X1，Y1)，B点的坐标可表示为(X2，Y2)。
在一些实施例中，对目标边界框进行扩展时，保持长方形框的长度保持不变，扩展长方形的宽度，例如：将长方形的宽度增加Y2-Y1。目标边界扩展框中a点的坐标可表示为
Figure BDA0003494831340000091
b点的坐标可表示为
Figure BDA0003494831340000092
Figure BDA0003494831340000093
在一些实施例中，若a点横坐标
Figure BDA0003494831340000094
小于0，则将a点横坐标配置为0。或b点横坐标
Figure BDA0003494831340000095
大于w，w为图像的宽度，将b点的横坐标配置为w。
在其他实施例中，扩展方法为保持长方形框的宽度不变，扩展长方形的长度。
在其他实施例中，扩展方法为同时扩展长方形框的宽度和长度。
本申请实施例中，目标边界扩展框中包括目标和目标所处的环境信息。
基于上述方法，确定每帧目标检测图像中的目标边界扩展框之后，即可获得多帧目标扩展图像。
S203、将多帧目标扩展图像输入跌倒检测模型中进行检测，检测目标是否发生跌倒行为。
具体的，检测目标是否发生跌倒行为的方法可参考图4，图4是本申请实施例提供的一种检测目标是否发生跌倒行为的方法的示意性流程图。图4中的方法的执行主体可以为图1中的终端设备100。如图4所示，该方法包括：S401至S405。
S401、将多帧目标扩展图像输入二分类模型中进行处理，得到每帧目标扩展图像的跌倒得分和非跌倒得分。
具体的，获取到多帧目标扩展图像时，在跌倒行为检测模型中，利用模型中构建的激活函数(softmax函数)即可计算每帧目标扩展图像的跌倒得分与非跌倒得分。
目标的跌倒行为是由多个动作构成的，本申请实施例中，多帧目标扩展图像可表示一个跌倒行为，每帧目标扩展图像可表示为一个动作。因此，每帧目标扩展图像的跌倒得分与非跌倒得分相当于，每帧目标扩展图像中目标的动作的跌倒得分与非跌倒得分
softmax函数可表示：
Figure BDA0003494831340000101
其中，zi表示目标边界扩展图像在二分类模型中被分为跌倒或者非跌倒的网络输出；c表示分类的类别个数，本申请是实施例中c为2。
本申请实施例中，通过上述公式计算出的每帧目标扩展图像中目标的动作的跌倒得分与非跌倒得分可表示为(fi,ni)。
S402、计算多帧目标扩展图像的跌倒总分和非跌倒总分。
具体的，本申请实施例中，确定行为的跌倒得分与非跌倒得分即将多个动作的跌倒得分与非跌倒得分相加，可利用以下公式进行计算：
Figure BDA0003494831340000111
Figure BDA0003494831340000112
其中，F表示目标的行为的跌倒得分，fi表示目标的第i个动作的跌倒得分，N表示目标的行为的非跌倒得分，ni表示目标的第i个动作的非跌倒得分。
S403、判断跌倒总分是否大于非跌倒得分。
具体的，判断跌倒总分是否大于非跌倒得分，是将F与N的数值进行对比。
S404、若跌倒总分不大于非跌倒总分，则目标未发生跌倒行为。
具体的，本申请实施例中，若行为的跌倒得分不大于非跌倒得分即若F不大于N，则目标未发生跌倒行为。
S405、若跌倒总分大于非跌倒总分，则目标发生跌倒行为。
本申请实施例中，若行为的跌倒得分大于非跌倒得分即若F大于N，则目标发生跌倒行为。
本申请实施例与现有技术相比存在的有益效果是：本申请实施例通过获取同一目标对应的多帧目标检测图像；对同一目标对应的多帧目标检测图像进行扩展，获得多帧目标扩展图像，目标扩展图像中包含环境信息；将多帧目标扩展图像输入跌倒检测模型中进行检测，检测目标是否发生跌倒行为。即本申请可以通过对同一目标对应的多帧目标检测图像进行扩展，获得多帧目标扩展图像，目标扩展图像中包含环境信息；将多帧目标扩展图像输入跌倒检测模型中进行检测，检测目标是否发生跌倒行为，通过环境信息即可识别出与跌倒行为相似的行为，提高检测的准确性。
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，而不应对本申请实施例的实施过程构成任何限定。
请参考图5，图5是一种跌倒行为的检测装置，包括：
获取模块51，用于获取同一目标对应的多帧目标检测图像。
扩展模块52，用于对同一目标对应的多帧目标检测图像进行扩展，获得多帧目标扩展图像，目标扩展图像中包含环境信息。
检测模块53，用于将多帧目标扩展图像输入跌倒检测模型中进行检测，检测目标是否发生跌倒行为。
获取模块51，还用于获取视频流中的多帧图像，每帧图像中包括多个目标；
对每帧图像中的多个目标进行检测，获取多个目标对应的多帧目标检测图像；
对多个目标对应的多帧目标检测图像进行目标追踪，获取同一目标对应的多帧目标检测图像。
获取模块51，还用于获取视频流；
利用滑动窗口的方式，获取视频流中多帧图像。
扩展模块52，还用于对同一目标对应的多帧目标检测图像中的目标边界框进行扩展，获得多帧目标扩展图像。
扩展模块52，还用于增加目标边界框的宽度，和/或长度，获得目标边界扩展框；
基于目标边界扩展框，对同一目标对应的多帧目标检测图像中的目标边界框进行扩展。
检测模块53，还用于将多帧目标扩展图像输入二分类模型中进行处理，得到每帧目标扩展图像的跌倒得分和非跌倒得分；
计算多帧目标扩展图像的跌倒总分和非跌倒总分；
若跌倒总分不大于非跌倒总分，则目标未发生跌倒行为；
若跌倒总分大于非跌倒总分，则目标未发生跌倒行为。
该装置还包括：
训练模块54，用于获取训练集，训练集包括多组训练数据，每组训练数据包括多个目标发生跌倒行为的目标扩展图像，和多个目标未发生跌倒行为的目标扩展图像，并将多个目标发生跌倒行为的目标扩展图像标注为1，将多个目标未发生跌倒行为的目标扩展图像标注为0；根据训练集，对跌倒行为检测模型进行训练。
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。
如图6所示，本申请实施例还提供一种终端设备200，包括存储器21、处理器22以及存储在存储器21中并可在处理器22上运行的计算机程序23，处理器22执行计算机程序23时实现上述各实施例的跌倒行为的检测方法。
所述处理器22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21可以是终端设备200的内部存储单元。所述存储器21也可以是终端设备200的外部存储设备，例如终端设备200上配备的插接式硬盘，智能存储卡(SmartMedia Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)等。进一步地，存储器21还可以既包括终端设备200的内部存储单元也包括外部存储设备。存储器21用于存储计算机程序以及终端设备200所需的其他程序和数据。存储器21还可以用于暂时地存储已经输出或者将要输出的数据。
本申请实施例还提供了一种计算机可读存储介质，计算机可读存储介质存储有计算机程序，计算机程序被处理器执行时实现上述各实施例的跌倒行为的检测方法。
本申请实施例提供了一种计算机程序产品，当计算机程序产品在移动终端上运行时，使得移动终端执行时实现上述各实施例的跌倒行为的检测方法。
集成的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，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，计算机程序包括计算机程序代码，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。计算机可读存储介质至少可以包括：能够将计算机程序代码携带到拍照装置/终端设备的任何实体或装置、记录介质、计算机存储器、只读存储器(read-only memory，ROM)、随机存取存储器(random access memory，RAM)、电载波信号、电信信号以及软件分发介质。例如U盘、移动硬盘、磁碟或者光盘等。在某些司法管辖区，根据立法和专利实践，计算机可读存储介质不可以是电载波信号和电信信号。
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。
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申请实施例方案的目的。
以上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)

1.一种跌倒行为的检测方法，其特征在于，包括：
获取同一目标对应的多帧目标检测图像；
对同一所述目标对应的多帧所述目标检测图像进行扩展，获得多帧所述目标扩展图像，所述目标扩展图像中包含环境信息；
将多帧所述目标扩展图像输入跌倒检测模型中进行检测，检测所述目标是否发生跌倒行为。
2.根据权利要求1所述的检测方法，其特征在于，所述获取同一目标对应的多帧目标检测图像，包括：
获取视频流中的多帧图像，每帧所述图像中包括多个所述目标；
对每帧所述图像中的多个所述目标进行检测，获取多个所述目标对应的多帧所述目标检测图像；
对多个所述目标对应的多帧所述目标检测图像进行目标追踪，获取同一所述目标对应的多帧所述目标检测图像。
3.根据权利要求2所述的检测方法，其特征在于，所述获取视频流中的多帧图像，包括：
获取所述视频流；
利用滑动窗口的方式，获取所述视频流中多帧所述图像。
4.根据权利要求1所述的检测方法，其特征在于，对同一所述目标对应的多帧所述目标检测图像进行扩展，获得多帧所述目标扩展图像，包括：
对同一所述目标对应的多帧所述目标检测图像中的目标边界框进行扩展，获得多帧所述目标扩展图像。
5.根据权利要求4所述的检测方法，其特征在于，对同一所述目标对应的多帧所述目标检测图像中的目标边界框进行扩展，包括：
增加所述目标边界框的宽度，和/或长度，获得目标边界扩展框；
基于所述目标边界扩展框，对同一所述目标对应的多帧所述目标检测图像中的目标边界框进行扩展。
6.根据权利要求1所述的检测方法，其特征在于，所述跌倒行为检测模型包括二分类模型，所述将多帧所述目标扩展图像输入跌倒检测模型中进行检测，检测所述目标是否发生跌倒行为，包括：
将多帧所述目标扩展图像输入所述二分类模型中进行处理，得到每帧所述目标扩展图像的跌倒得分和非跌倒得分；
计算多帧所述目标扩展图像的跌倒总分和非跌倒总分；
若所述跌倒总分不大于所述非跌倒总分，则所述目标未发生跌倒行为；
若所述跌倒总分大于所述非跌倒总分，则所述目标未发生跌倒行为。
7.根据权利要求6所述的方法，其特征在于，所述跌倒行为检测模型的训练方法包括：
获取训练集，所述训练集包括多组训练数据，每组所述训练数据包括多帧所述目标发生跌倒行为的所述目标扩展图像，和多帧所述目标未发生跌倒行为的所述目标扩展图像，并将多帧所述目标发生跌倒行为的所述目标扩展图像标注为1，将多帧所述目标未发生跌倒行为的所述目标扩展图像标注为0；
根据所述训练集，对所述跌倒行为检测模型进行训练。
8.一种跌倒行为的检测装置，其特征在于，包括：
获取模块，用于获取同一目标对应的多帧目标检测图像；
扩展模块，用于对同一所述目标对应的多帧所述目标检测图像进行扩展，获得多帧所述目标扩展图像，所述目标扩展图像中包含环境信息；
检测模块，用于将多帧所述目标扩展图像输入跌倒检测模型中进行检测，检测所述目标是否发生跌倒行为。
9.一种终端设备，其特征在于，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权利要求1至7任一项所述的跌倒行为的检测方法。
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，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述的跌倒行为的检测方法。
CN202210110094.2A 2022-01-29 2022-01-29 跌倒行为的检测方法、装置、终端设备和可读存储介质 Pending CN114445915A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210110094.2A CN114445915A (zh) 2022-01-29 2022-01-29 跌倒行为的检测方法、装置、终端设备和可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210110094.2A CN114445915A (zh) 2022-01-29 2022-01-29 跌倒行为的检测方法、装置、终端设备和可读存储介质

Publications (1)

Publication Number Publication Date
CN114445915A true CN114445915A (zh) 2022-05-06

Family

ID=81370787

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210110094.2A Pending CN114445915A (zh) 2022-01-29 2022-01-29 跌倒行为的检测方法、装置、终端设备和可读存储介质

Country Status (1)

Country Link
CN (1) CN114445915A (zh)

Similar Documents

Publication Publication Date Title
CN111652869B (zh) 基于深度学习的板坯空洞识别方法、系统、介质及终端
CN111091101B (zh) 基于一步法的高精度行人检测方法、系统、装置
CN111783997B (zh) 一种数据处理方法、装置及设备
CN111401196A (zh) 受限空间内自适应人脸聚类的方法、计算机装置及计算机可读存储介质
CN112328715A (zh) 视觉定位方法及相关模型的训练方法及相关装置、设备
CN112883983B (zh) 特征提取方法、装置和电子系统
CN112116567A (zh) 一种无参考图像质量评价方法、装置及存储介质
KR20240127952A (ko) 이미지 처리 방법 및 장치
CN115311632A (zh) 一种基于多摄像头的车辆重识别方法和设备
CN112036381A (zh) 视觉跟踪方法、视频监控方法及终端设备
CN113158773A (zh) 一种活体检测模型的训练方法及训练装置
CN113409353A (zh) 运动前景检测方法、装置、终端设备及存储介质
CN110633630B (zh) 一种行为识别方法、装置及终端设备
CN112883765B (zh) 一种目标移动轨迹获取方法、装置、存储介质及电子设备
CN112097772A (zh) 机器人及其地图构建方法和装置
CN111104965A (zh) 车辆目标识别的方法及装置
CN114445915A (zh) 跌倒行为的检测方法、装置、终端设备和可读存储介质
CN114550288B (zh) 基于事件数据的动作识别方法及装置
CN112861874B (zh) 一种基于多滤波器去噪结果的专家场去噪方法及系统
CN115424293A (zh) 活体检测方法、活体检测模型的训练方法及装置
CN112084874B (zh) 一种物体检测方法、装置及终端设备
CN115004245A (zh) 目标检测方法、装置、电子设备和计算机存储介质
CN113704374A (zh) 空间飞行器轨迹拟合方法、装置及终端
CN115170618B (zh) 一种对象跟踪方法、装置、电子设备及存储介质
CN116128734B (zh) 一种基于深度学习的图像拼接方法、装置、设备和介质

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