CN114677761A - 一种人体摔倒检测方法和装置、电子设备 - Google Patents
一种人体摔倒检测方法和装置、电子设备 Download PDFInfo
- Publication number
- CN114677761A CN114677761A CN202210332075.4A CN202210332075A CN114677761A CN 114677761 A CN114677761 A CN 114677761A CN 202210332075 A CN202210332075 A CN 202210332075A CN 114677761 A CN114677761 A CN 114677761A
- Authority
- CN
- China
- Prior art keywords
- human body
- description information
- detection result
- human
- 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
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 143
- 239000011159 matrix material Substances 0.000 claims abstract description 27
- 238000000034 method Methods 0.000 claims description 27
- 238000013178 mathematical model Methods 0.000 claims description 13
- 230000004927 fusion Effects 0.000 claims description 9
- 230000008859 change Effects 0.000 claims description 5
- 238000010276 construction Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 abstract description 2
- 230000008569 process Effects 0.000 description 10
- 238000012549 training Methods 0.000 description 7
- 230000009471 action Effects 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 230000001133 acceleration Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 210000000038 chest Anatomy 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 241001122767 Theaceae Species 0.000 description 1
- 210000003423 ankle Anatomy 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 210000002683 foot Anatomy 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 210000004247 hand Anatomy 0.000 description 1
- 210000001624 hip Anatomy 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 210000003127 knee Anatomy 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 210000004197 pelvis Anatomy 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
- 210000000707 wrist Anatomy 0.000 description 1
Images
Classifications
-
- 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)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Alarm Systems (AREA)
- Image Analysis (AREA)
Abstract
本申请公开了一种人体摔倒检测方法和装置、电子设备，属于数据处理技术领域，该方法包括：对采集到的人体图像进行分析，确定身姿描述信息；确定人体预设范围内的场景描述信息和目标描述信息；基于身姿描述信息、场景描述信息以及目标描述信息进行组合，构建人体特征矩阵；将人体特征矩阵输入预先训练好的摔倒检测模型，得到第一人体姿态检测结果，以确定人是否摔倒。通过本申请的人体摔倒检测方法，综合考虑身姿信息、场景信息、目标信息三个维度的特征信息来进行人体摔倒检测，检测结果更加可靠。
Description
技术领域
本发明涉及数据处理技术领域，尤其涉及一种人体摔倒检测方法和装置、电子设备。
背景技术
准确的检测人体发生摔倒，然后发出报警，是现代人及时对摔倒者进行救治的有效手段，比如，因为中风引起的突然摔跤如果得不到快速的救治，其后果是难以想象的。
现有技术中，检测人体摔倒的方法一般是通过3D加速度传感器和对应的摔倒算法进行判断，而单独用使用3D加速度传感器来判断人体的摔倒，当人体快速下蹲或者快速坐下时，可能造成误判断，影响用户的正常使用，如，发出误报警后，使用者的家人或医护人员会第一时间与使用者联系，并快速向使用者所在地赶赴，浪费家人和医护人员的时间和精力等。
可见，目前迫切需要本领域技术人员提供一种高可靠性的检测人是否摔倒的方案。
发明内容
本申请目的是提供一种人体摔倒检测方法和装置、电子设备，能够解决现有技术中存在的摔倒检测方式可靠性低的问题。
为解决上述技术问题，本申请提供如下技术方案：
第一方面，本申请提供了一种人体摔倒检测方法，其中，所述方法包括：对采集到的人体图像进行分析，确定身姿描述信息；确定人体预设范围内的场景描述信息和目标描述信息；基于所述身姿描述信息、所述场景描述信息以及所述目标描述信息进行组合，构建人体特征矩阵；将所述人体特征矩阵输入预先训练好的摔倒检测模型，得到第一人体姿态检测结果，其中，所述第一人体姿态检测结果用于表征人是否摔倒。
可选地，在所述得到第一人体姿态检测结果之后，所述方法还包括：
采用预设数学模型对所述人体特征矩阵进行计算，得到第二人体姿态检测结果；
基于所述第一人体姿态检测结果和所述第二人体姿态检测结果，得到目标人体姿态检测结果，其中，所述目标人体姿态检测结果用于表征人是否摔倒。
可选地，所述第一人体姿态检测结果为第一摔倒概率值，所述第二人体姿态检测结果为第二摔倒概率值，所述基于所述第一人体姿态检测结果和所述第二人体姿态检测结果，得到目标人体姿态检测结果的步骤，包括：
依据预设融合系数，对所述第一摔倒概率值与所述第二摔倒概率值进行融合，得到目标概率值；
在所述目标概率值大于第一预设阈值的情况下，确定人已摔倒；
在所述目标概率值小于或等于所述第一预设阈值的情况下，确定人未摔倒。
可选地，对采集到的人体图像进行分析，确定身姿描述信息的步骤，包括：
对采集到的人体图像进行分析，确定在预设间隔跨度下前后两帧图像中人体预设关节节点的变化幅度；
分别将各预设关节节点的变化幅度与第二预设阈值进行比对，确定各关节对应描述信息，其中，各所述预设关节节点对应的描述信息集合为身姿描述信息。
可选地，所述确定人体预设范围内的场景描述信息和目标描述信息的步骤，包括：
采集人体预设范围内的环境图像；
对所述环境图像进行分析，得到环境描述信息目标描述信息；
其中，所述环境描述信息用于表征人体是否处于预设区域内，所述目标描述信息用于表征人体周围是否存在预设的目标对象。
第二方面，本申请还提供了一种人体摔倒检测装置，所述装置包括：
第一确定模块，用于对采集到的人体图像进行分析，确定身姿描述信息；
第二确定模块，用于确定人体预设范围内的场景描述信息和目标描述信息；
构建模块，用于基于所述身姿描述信息、所述场景描述信息以及所述目标描述信息进行组合，构建人体特征矩阵；
第一检测模块，用于将所述人体特征矩阵输入预先训练好的摔倒检测模型，得到第一人体姿态检测结果，其中，所述第一人体姿态检测结果用于表征人是否摔倒。
可选地，所述装置还包括：
第二检测模块，用于在所述第一检测模块得到第一人体姿态检测结果之后，采用预设数学模型对所述人体特征矩阵进行计算，得到第二人体姿态检测结果；
结果确定模块，用于基于所述第一人体姿态检测结果和所述第二人体姿态检测结果，得到目标人体姿态检测结果，其中，所述目标人体姿态检测结果用于表征人是否摔倒。
可选地，所述第一人体姿态检测结果为第一摔倒概率值，所述第二人体姿态检测结果为第二摔倒概率值，所述结果确定模块包括：
第一子模块，用于依据预设融合系数，对所述第一摔倒概率值与所述第二摔倒概率值进行融合，得到目标概率值；
第二子模块，用于在所述目标概率值大于第一预设阈值的情况下，确定人已摔倒；
第三子模块，用于在所述目标概率值小于或等于所述第一预设阈值的情况下，确定人未摔倒。
可选地，所述第一确定模块包括：
第四子模块，用于对采集到的人体图像进行分析，确定在预设间隔跨度下前后两帧图像中人体预设关节节点的变化幅度；
第五子模块，用于分别将各预设关节节点的变化幅度与第二预设阈值进行比对，确定各关节对应描述信息，其中，各所述预设关节节点对应的描述信息集合为身姿描述信息。
可选地，所述第二确定模块包括：
第六子模块，用于采集人体预设范围内的环境图像；
第七子模块，用于对所述环境图像进行分析，得到环境描述信息目标描述信息；
其中，所述环境描述信息用于表征人体是否处于预设区域内，所述目标描述信息用于表征人体周围是否存在具预设的目标对象。
第三方面，本申请还提供了一种电子设备，该电子设备包括处理器、存储器及存储在所述存储器上并可在所述处理器上运行的程序或指令，所述程序或指令被所述处理器执行时实现上述任意一种人体摔倒检测方法的步骤。
第四方面，本申请还提供了一种可读存储介质，所述可读存储介质上存储程序或指令，所述程序或指令被处理器执行时实现上述任意一种人体摔倒检测方法的步骤。
采用上述技术方案，相比于现有技术，本申请的技术效果有：
本申请提供的人体摔倒检测方法，对采集到的人体图像进行分析，确定身姿描述信息；确定人体预设范围内的场景描述信息和目标描述信息；基于身姿描述信息、场景描述信息以及目标描述信息进行组合，构建人体特征矩阵；将人体特征矩阵输入预先训练好的摔倒检测模型，得到第一人体姿态检测结果以确定人是否摔倒。本申请提供的人体摔倒检测方案，综合考虑身姿信息、场景信息、目标信息三个维度的特征信息来进行人体摔倒检测，检测结果更加可靠。
附图说明
图1是表示本申请实施例的一种人体摔倒检测方法的步骤流程图；
图2是表示本申请实施例的一种人体摔倒检测装置的结构框图；
图3是表示本申请实施例的一种电子设备的结构框图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请的一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本申请保护的范围。
下面结合附图，通过具体的实施例及其应用场景对本申请实施例提供的人体姿态检测方案进行详细地说明。
本申请实施例的人体摔倒检测方法包括以下步骤：
步骤101：对采集到的人体图像进行分析，确定身姿描述信息。
本申请实施例的人体摔倒检测方法可用于任意适当的电子设备，电子设备为可以为手机、电脑具有分析功能的摄像头等。电子设备可以自行采集人体图像，也可以与摄像设备之间通信，由摄像设备采集人体图像后发送至电子设备，由电子设备基于人体图像，进行人体摔倒检测，从而判定人是否摔倒。
电子设备中的存储介质存储有人体摔倒检测程序，电子设备的服务器运行存储介质中的人体摔倒检测程序执行人体姿态检测流程。电子设备可以按照预设时间间隔执行本申请实施例的人体摔倒检测方法。
一种可行性地对采集到的人体图像进行分析，确定身姿描述信息的方式可以如下：
首先，对采集到的人体图像进行分析，确定在预设间隔跨度下前后两帧图像中人体预设关节节点的变化幅度；
其中，预设关节节点可以由本领域技术人员灵活设置，本申请实施例中对此不做具体限制。
预设关节节点可以包括但不限于：头部、颈部、左右胸、左右肩、左右肘、左右手腕、左右手、胸腔、脊柱、躯干、骨盆、左右臀、左右膝盖、左右脚踝以及左右脚。
其次，分别将各预设关节节点的变化幅度与第二预设阈值进行比对，确定各关节对应描述信息。
其中，各预设关节节点对应的描述信息集合为身姿描述信息。不同预设关节节点对应的变化幅度阈值即第二预设阈值可以相同也可以不同，各预设关节节点对应的第二预设阈值可由本领域技术人员灵活设置，本申请实施例中对此不作具体限制。
关节节点对应的描述信息可以以二进制形式描述，通过图像分析确定各个关节节点的动作幅度，可判断各关节节点动作幅度是否超过预设阈值，若超过将该关节节点对应的描述信息记为1，否则将该关节节点对应的描述信息记为0。
步骤102：确定人体预设范围内的场景描述信息和目标描述信息。
场景描述信息和目标描述信息，可通过对采集的人体图像的背景部分中的图像信息识别得到。也可以在采集人体图像时同步采集一张人体周围的环境图像，对环境图像进行信息识别，确定场景描述信息和目标描述信息。一种可行性的确定人体预设范围内的场景描述信息和目标描述信息的方式可以如下：
首先，采集人体预设范围内的环境图像；
预设范围可以由本领域技术人员或者摄像头的广角适应性调整，本申请实施例中对此不做具体限制。
其次，对环境图像进行分析，得到环境描述信息目标描述信息；
其中，环境描述信息用于表征人体是否处于预设区域内，目标描述信息用于表征人体周围是否存在预设的目标对象。
其中，目标对象并不是安全隐患对象，只是对进一步是否是摔倒动作做进一步的判断。举例：周围对象是坐垫，人体幅度大坐到上边不算作摔倒动作，周围对象是桌子，人体幅度大碰到上边要算作摔倒动作。
场景描述信息用于描述人体是否位于各个预设区域，如表1所示，预设区域可以包括浴室、卧室、过道、餐厅、厨房、客厅等，若人体位于预设区域内则记为1，若人体位于预设区域外则记为0，比如人体位于浴室，则环境描述信息记为100000；再比如人体位于卧室，则环境描述信息为010000。
表1
| 预设区域 | 场景描述信息的各个维度 |
| 浴室 | 0/1 |
| 卧室 | 0/1 |
| 过道 | 0/1 |
| 餐厅 | 0/1 |
| 厨房 | 0/1 |
| 客厅 | 0/1 |
目标描述信息用于描述人体周围是否存在各预设的目标对象，如表2所示，预设对象可以包括但不限于：茶几、沙发、书桌、座椅等，若人体周围存在预设的目标对象则记为1，若人体周围不存在预设的目标对象则记为0；比如人体周围存在沙发和书桌，则目标描述信息记为0110。
表2
| 预设对象 | 目标描述信息的各个维度 |
| 茶几 | 0/1 |
| 沙发 | 0/1 |
| 书桌 | 0/1 |
| 座椅 | 0/1 |
步骤103：基于身姿描述信息、场景描述信息以及目标描述信息进行组合，构建人体特征矩阵。
人体特征矩阵可以用Q表示，矩阵Q的具体形式可以如下：
其中，X、Y以及Z分别表示身姿描述信息、场景描述信息以及目标描述信息。
步骤104：将人体特征矩阵输入预先训练好的摔倒检测模型，得到第一人体姿态检测结果。
本申请实施例中，预先搭建神经网络，利用训练样本对搭建的神经网络进行训练，得到训练完成的摔倒检测模型。
每个训练样本为一个预先标签好的人体图像，训练样本包括身姿描述信息、场景描述信息以及目标描述信息，也即训练样本包括人体特征矩阵，此外，每个训练样本还包括人体特征矩阵的标签，标签包括已摔倒和未摔倒。基于每个预先标记好的人体图像对搭建好的神经网络进行训练，通过不断的调整神经网络参数使其收敛度达到使用标准，最终得到训练好的摔倒检测模型。
其中，第一人体姿态检测结果用于表征人体是否摔倒。第一人体姿态检测结果可以为第一摔倒概率值。第一摔倒概率值大于第二预设阈值时，确定人体摔倒，第一摔倒概率值小于或等于第二预设阈值时，确定人体未摔倒。第二预设阈值的具体数值，可以由本领域技术人员灵活设置，本申请实施例中对此不做具体限制。例如：第二预设阈值可设置为0.8、0.7或者0.6等。
本申请实施例提供的人体摔倒检测方法，通过对采集到的人体图像进行分析，确定身姿描述信息；确定人体预设范围内的场景描述信息和目标描述信息；基于身姿描述信息、场景描述信息以及目标描述信息进行组合，构建人体特征矩阵；将人体特征矩阵输入预先训练好的摔倒检测模型，得到第一人体姿态检测结果以确定人是否摔倒。本申请实施例提供的人体摔倒检测方法，综合考虑身姿信息、场景信息、目标信息三个维度的特征信息来进行人体摔倒检测，检测结果更加可靠。
在一种可选地实施例中，在得到第一人体姿态检测结果之后，该方法还可以包括如下步骤：
步骤一：采用预设数学模型对人体特征矩阵进行计算，得到第二人体姿态检测结果；
数学模型f2的具体表示可以如下：
f2＝A·Q+b
上式中，A,b均为数学模型中的系数，通过已知数据进行优化求解得到，Q为人体特征矩阵，f2可以为第二摔倒概率值。
步骤二：基于第一人体姿态检测结果和第二人体姿态检测结果，得到目标人体姿态检测结果。
其中，目标人体姿态检测结果用于表征人是否摔倒。
在实际实现过程中，可将第一人体姿态检测结果和第二人体姿态检测结果的平均值，确定为目标人体姿态检测结果；还可以取二者中的较大值作为目标人体姿态检测结果；也可以将二者加权后求和，得到目标人体姿态检测结果。具体确定方式，可以由本领域技术人员灵活设置，本申请实施例中对此不做具体限制。
在一种可选地实施例中，第一人体姿态检测结果为第一摔倒概率值，第二人体姿态检测结果为第二摔倒概率值，基于第一人体姿态检测结果和第二人体姿态检测结果，得到目标人体姿态检测结果的方式可以如下：
首先，依据预设融合系数，对第一摔倒概率值与第二摔倒概率值进行融合，得到目标概率值；
在实际实现过程中，可设置数学模型，将第一摔倒概率值和第二摔倒概率值输入数学模型中，求解得到目标概率值，数学模型的表示可以如下：
f＝αf1+βf2+ε
其中，α,β,ε分别为预先设置的第一融合系数、第二融合系数和第三融合系数，f1为第一摔倒概率值，f2为第二摔倒概率值，f为目标概率值。
其次，在目标概率值大于第一预设阈值的情况下，确定人已摔倒；在目标概率值小于或等于第一预设阈值的情况下，确定人未摔倒。
第一预设阈值的具体数值可以由本领域技术人员灵活设置，本申请实施例中对此不做具体限制。例如：第二预设阈值可设置为0.8、0.7或者0.6等。
该种可选地结合摔倒检测模型和数学模型的人体姿态检测结果，确定人是否摔倒的方式，所确定的检测结果具有更高的可靠性。
图2为实现本申请实施例的一种人体摔倒检测装置的结构框图。
本申请实施例的人体摔倒检测装置包括如下功能模块：
第一确定模块201，用于对采集到的人体图像进行分析，确定身姿描述信息；
第二确定模块202，用于确定人体预设范围内的场景描述信息和目标描述信息；
构建模块203，用于基于身姿描述信息、场景描述信息以及目标描述信息进行组合，构建人体特征矩阵；
第一检测模块204，用于将人体特征矩阵输入预先训练好的摔倒检测模型，得到第一人体姿态检测结果，其中，第一人体姿态检测结果用于表征人是否摔倒。
可选地，该装置还包括：
第二检测模块，用于在第一检测模块得到第一人体姿态检测结果之后，采用预设数学模型对人体特征矩阵进行计算，得到第二人体姿态检测结果；
结果确定模块，用于基于第一人体姿态检测结果和第二人体姿态检测结果，得到目标人体姿态检测结果，其中，目标人体姿态检测结果用于表征人是否摔倒。
可选地，第一人体姿态检测结果为第一摔倒概率值，第二人体姿态检测结果为第二摔倒概率值，结果确定模块包括：
第一子模块，用于依据预设融合系数，对第一摔倒概率值与第二摔倒概率值进行融合，得到目标概率值；
第二子模块，用于在目标概率值大于第一预设阈值的情况下，确定人已摔倒；
第三子模块，用于在目标概率值小于或等于第一预设阈值的情况下，确定人未摔倒。
可选地，第一确定模块包括：
第四子模块，用于对采集到的人体图像进行分析，确定在预设间隔跨度下前后两帧图像中人体预设关节节点的变化幅度；
第五子模块，用于分别将各预设关节节点的变化幅度与第二预设阈值进行比对，确定各关节对应描述信息，其中，各预设关节节点对应的描述信息集合为身姿描述信息。
可选地，第二确定模块包括：
第六子模块，用于采集人体预设范围内的环境图像；
第七子模块，用于对所述环境图像进行分析，得到环境描述信息目标描述信息；
其中，环境描述信息用于表征人体是否处于预设区域内，目标描述信息用于表征人体周围是否存在预设的目标对象。
本申请实施例提供的人体摔倒检测装置，一方面，综合考虑身姿信息、场景信息、目标信息三个维度的特征信息来进行人体摔倒检测，检测结果更加可靠；再一方面，融合深度学习和数学模型两种方式分别进行人体姿态检测，结合这两种方式各自得到的检测结果目标人体姿态检测结果，确定人是否摔倒，能够进一步提升检测结果的可靠性。
本申请实施例中图2所示的人体摔倒检测装置可以是装置，也可以是服务器中的部件、集成电路、或芯片。本申请实施例中的图2所示的人体姿态检测装置可以为具有操作系统的装置。该操作系统可以为安卓(Android)操作系统，可以为iOS操作系统，还可以为其他可能的操作系统，本申请实施例不作具体限定。
本申请实施例提供的图2所示的人体摔倒检测装置能够实现图1的方法实施例实现的各个过程，为避免重复，这里不再赘述。
可选地，如图3所示，本申请实施例还提供一种电子设备300，包括处理器301，存储器302，存储在存储器302上并可在所述处理器301上运行的程序或指令，该程序或指令被处理器301执行时实现上述人体摔倒检测方法实施例的各个过程，且能达到相同的技术效果，为避免重复，这里不再赘述。
需要注意的是，本申请实施例中的电子设备包括上述所述的服务器。
本申请实施例还提供一种可读存储介质，所述可读存储介质上存储有程序或指令，该程序或指令被处理器执行时实现上述人体摔倒检测方法实施例的各个过程，且能达到相同的技术效果，为避免重复，这里不再赘述。
其中，所述处理器为上述实施例中所述的电子设备中的处理器。所述可读存储介质，包括计算机可读存储介质，如计算机只读存储器(Read-Only Memory，ROM)、随机存取存储器(Random Access Memory，RAM)、磁碟或者光盘等。
本申请实施例另提供了一种芯片，所述芯片包括处理器和通信接口，所述通信接口和所述处理器耦合，所述处理器用于运行程序或指令，实现上述人体摔倒检测方法实施例的各个过程，且能达到相同的技术效果，为避免重复，这里不再赘述。
应理解，本申请实施例提到的芯片还可以称为系统级芯片、系统芯片、芯片系统或片上系统芯片等。
需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者装置不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者装置所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。
以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明所述原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。
Claims (11)
1.一种人体摔倒检测方法，其特征在于，所述方法包括：
对采集到的人体图像进行分析，确定身姿描述信息；
确定人体预设范围内的场景描述信息和目标描述信息；
基于所述身姿描述信息、所述场景描述信息以及所述目标描述信息进行组合，构建人体特征矩阵；
将所述人体特征矩阵输入预先训练好的摔倒检测模型，得到第一人体姿态检测结果，其中，所述第一人体姿态检测结果用于表征人是否摔倒。
2.根据权利要求1所述的方法，其特征在于，在所述得到第一人体姿态检测结果之后，所述方法还包括：
采用预设数学模型对所述人体特征矩阵进行计算，得到第二人体姿态检测结果；
基于所述第一人体姿态检测结果和所述第二人体姿态检测结果，得到目标人体姿态检测结果，其中，所述目标人体姿态检测结果用于表征人是否摔倒。
3.根据权利要求2所述的方法，其特征在于，所述第一人体姿态检测结果为第一摔倒概率值，所述第二人体姿态检测结果为第二摔倒概率值，所述基于所述第一人体姿态检测结果和所述第二人体姿态检测结果，得到目标人体姿态检测结果的步骤，包括：
依据预设融合系数，对所述第一摔倒概率值与所述第二摔倒概率值进行融合，得到目标概率值；
在所述目标概率值大于第一预设阈值的情况下，确定人已摔倒；
在所述目标概率值小于或等于所述第一预设阈值的情况下，确定人未摔倒。
4.根据权利要求1所述的方法，其特征在于，对采集到的人体图像进行分析，确定身姿描述信息的步骤，包括：
对采集到的人体图像进行分析，确定在预设间隔跨度下前后两帧图像中人体预设关节节点的变化幅度；
分别将各预设关节节点的变化幅度与第二预设阈值进行比对，确定各关节对应描述信息，其中，各所述预设关节节点对应的描述信息集合为身姿描述信息。
5.根据权利要求1所述的方法，其特征在于，所述确定人体预设范围内的场景描述信息和目标描述信息的步骤，包括：
采集人体预设范围内的环境图像；
对所述环境图像进行分析，得到环境描述信息、目标描述信息；
其中，所述环境描述信息用于表征人体是否处于预设区域内，所述目标描述信息用于表征人体周围是否存在预设的目标对象。
6.一种人体摔倒检测装置，其特征在于，所述装置包括：
第一确定模块，用于对采集到的人体图像进行分析，确定身姿描述信息；
第二确定模块，用于确定人体预设范围内的场景描述信息和目标描述信息；
构建模块，用于基于所述身姿描述信息、所述场景描述信息以及所述目标描述信息进行组合，构建人体特征矩阵；
第一检测模块，用于将所述人体特征矩阵输入预先训练好的摔倒检测模型，得到第一人体姿态检测结果，其中，所述第一人体姿态检测结果用于表征人是否摔倒。
7.根据权利要求6所述的装置，其特征在于，所述装置还包括：
第二检测模块，用于在所述第一检测模块得到第一人体姿态检测结果之后，采用预设数学模型对所述人体特征矩阵进行计算，得到第二人体姿态检测结果；
结果确定模块，用于基于所述第一人体姿态检测结果和所述第二人体姿态检测结果，得到目标人体姿态检测结果，其中，所述目标人体姿态检测结果用于表征人是否摔倒。
8.根据权利要求7所述的装置，其特征在于，所述第一人体姿态检测结果为第一摔倒概率值，所述第二人体姿态检测结果为第二摔倒概率值，所述结果确定模块包括：
第一子模块，用于依据预设融合系数，对所述第一摔倒概率值与所述第二摔倒概率值进行融合，得到目标概率值；
第二子模块，用于在所述目标概率值大于第一预设阈值的情况下，确定人已摔倒；
第三子模块，用于在所述目标概率值小于或等于所述第一预设阈值的情况下，确定人未摔倒。
9.根据权利要求6所述的装置，其特征在于，所述第一确定模块包括：
第四子模块，用于对采集到的人体图像进行分析，确定在预设间隔跨度下前后两帧图像中人体预设关节节点的变化幅度；
第五子模块，用于分别将各预设关节节点的变化幅度与第二预设阈值进行比对，确定各关节对应描述信息，其中，各所述预设关节节点对应的描述信息集合为身姿描述信息。
10.根据权利要求6所述的装置，其特征在于，所述第二确定模块包括：
第六子模块，用于采集人体预设范围内的环境图像；
第七子模块，用于对所述环境图像进行分析，得到环境描述信息目标描述信息；
其中，所述环境描述信息用于表征人体是否处于预设区域内，所述目标描述信息用于表征人体周围是否存在预设的目标对象。
11.一种电子设备，包括处理器、存储器及存储在所述存储器上并可在所述处理器上运行的程序或指令，所述程序或指令被所述处理器执行时实现如权利要求1-5中任意一项所述的人体姿态检测方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210332075.4A CN114677761A (zh) | 2022-03-30 | 2022-03-30 | 一种人体摔倒检测方法和装置、电子设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210332075.4A CN114677761A (zh) | 2022-03-30 | 2022-03-30 | 一种人体摔倒检测方法和装置、电子设备 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114677761A true CN114677761A (zh) | 2022-06-28 |
Family
ID=82075200
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210332075.4A Pending CN114677761A (zh) | 2022-03-30 | 2022-03-30 | 一种人体摔倒检测方法和装置、电子设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114677761A (zh) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103903281A (zh) * | 2014-04-04 | 2014-07-02 | 西北工业大学 | 一种基于多特征分析和场景学习的老人摔倒检测方法 |
| CN111666857A (zh) * | 2020-05-29 | 2020-09-15 | 平安科技（深圳）有限公司 | 基于环境语义理解的人体行为识别方法、装置及存储介质 |
| CN113657150A (zh) * | 2021-07-07 | 2021-11-16 | 浙江大华技术股份有限公司 | 一种跌倒检测方法、装置和计算机可读存储介质 |
| CN113963192A (zh) * | 2021-09-22 | 2022-01-21 | 森思泰克河北科技有限公司 | 跌倒检测方法、装置和电子设备 |
-
2022
- 2022-03-30 CN CN202210332075.4A patent/CN114677761A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103903281A (zh) * | 2014-04-04 | 2014-07-02 | 西北工业大学 | 一种基于多特征分析和场景学习的老人摔倒检测方法 |
| CN111666857A (zh) * | 2020-05-29 | 2020-09-15 | 平安科技（深圳）有限公司 | 基于环境语义理解的人体行为识别方法、装置及存储介质 |
| WO2021114892A1 (zh) * | 2020-05-29 | 2021-06-17 | 平安科技（深圳）有限公司 | 基于环境语义理解的人体行为识别方法、装置、设备及存储介质 |
| CN113657150A (zh) * | 2021-07-07 | 2021-11-16 | 浙江大华技术股份有限公司 | 一种跌倒检测方法、装置和计算机可读存储介质 |
| CN113963192A (zh) * | 2021-09-22 | 2022-01-21 | 森思泰克河北科技有限公司 | 跌倒检测方法、装置和电子设备 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Su et al. | Doppler radar fall activity detection using the wavelet transform | |
| CN111666857B (zh) | 基于环境语义理解的人体行为识别方法、装置及存储介质 | |
| CN108256433B (zh) | 一种运动姿态评估方法及系统 | |
| CN109726672B (zh) | 一种基于人体骨架序列和卷积神经网络的摔倒检测方法 | |
| CN109920208A (zh) | 跌倒预测方法、装置、电子设备及系统 | |
| CN110674696B (zh) | 一种监控方法、装置、系统、监控设备及可读存储介质 | |
| CN110472612B (zh) | 人体行为识别方法及电子设备 | |
| WO2021217848A1 (zh) | 人体摔倒检测方法、装置、计算机设备和存储介质 | |
| Ghazal et al. | Human posture classification using skeleton information | |
| CN112949417A (zh) | 一种摔倒行为识别方法、设备及系统 | |
| CN113657150A (zh) | 一种跌倒检测方法、装置和计算机可读存储介质 | |
| CN112686211A (zh) | 一种基于姿态估计的跌倒检测方法及装置 | |
| CN110334609B (zh) | 一种智能实时体感捕捉方法 | |
| JP7201946B2 (ja) | 骨格情報判定装置、骨格情報判定方法及びコンピュータプログラム | |
| Pinitkan et al. | Abnormal activity detection and notification platform for real-time ad hoc network | |
| CN116266415A (zh) | 基于健身教学训练的动作评价方法及系统及装置及介质 | |
| CN112101094B (zh) | 一种基于肢体语言的自杀风险评估方法 | |
| Czarnuch et al. | Development and evaluation of a hand tracker using depth images captured from an overhead perspective | |
| CN114677761A (zh) | 一种人体摔倒检测方法和装置、电子设备 | |
| Toda et al. | Fall detection system for the elderly using RFID tags with sensing capability | |
| CN113673318A (zh) | 一种动作检测方法、装置、计算机设备和存储介质 | |
| Chen et al. | An indoor video surveillance system with intelligent fall detection capability | |
| Najmurrokhman et al. | Development of falling notification system for elderly using mpu6050 sensor and short message service | |
| Nguyen et al. | A SVM algorithm for falling detection in an IoTs-based system | |
| KR20200082689A (ko) | 딥러닝 기반의 재실자 포즈 분류를 이용한 재실자 활동량 산출 방법 및 시스템 |
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 |