CN115937991A - 人体摔倒识别方法、装置、计算机设备及存储介质 - Google Patents
人体摔倒识别方法、装置、计算机设备及存储介质 Download PDFInfo
- Publication number
- CN115937991A CN115937991A CN202310197871.6A CN202310197871A CN115937991A CN 115937991 A CN115937991 A CN 115937991A CN 202310197871 A CN202310197871 A CN 202310197871A CN 115937991 A CN115937991 A CN 115937991A
- Authority
- CN
- China
- Prior art keywords
- human body
- result
- image
- training
- deep learning
- 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
- 238000000034 method Methods 0.000 title claims abstract description 58
- 238000003860 storage Methods 0.000 title claims abstract description 21
- 238000012545 processing Methods 0.000 claims abstract description 75
- 238000007781 pre-processing Methods 0.000 claims abstract description 40
- 238000012549 training Methods 0.000 claims description 114
- 238000012795 verification Methods 0.000 claims description 74
- 238000013135 deep learning Methods 0.000 claims description 64
- 238000010606 normalization Methods 0.000 claims description 41
- 230000006399 behavior Effects 0.000 claims description 29
- 238000001514 detection method Methods 0.000 claims description 28
- 238000004590 computer program Methods 0.000 claims description 22
- 230000006870 function Effects 0.000 claims description 15
- 230000007246 mechanism Effects 0.000 claims description 15
- 238000004422 calculation algorithm Methods 0.000 claims description 14
- 230000004927 fusion Effects 0.000 claims description 14
- 238000002372 labelling Methods 0.000 claims description 14
- 238000012360 testing method Methods 0.000 claims description 7
- 238000011156 evaluation Methods 0.000 claims description 6
- 238000005457 optimization Methods 0.000 claims description 6
- 238000005516 engineering process Methods 0.000 abstract description 7
- 238000010586 diagram Methods 0.000 description 10
- 230000004913 activation Effects 0.000 description 8
- 238000004364 calculation method Methods 0.000 description 8
- 238000011176 pooling Methods 0.000 description 6
- 238000012552 review Methods 0.000 description 5
- 238000012216 screening Methods 0.000 description 5
- 238000000605 extraction Methods 0.000 description 4
- 238000013461 design Methods 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- 238000010200 validation analysis Methods 0.000 description 3
- 101100134058 Caenorhabditis elegans nth-1 gene Proteins 0.000 description 2
- 102100025444 Gamma-butyrobetaine dioxygenase Human genes 0.000 description 2
- 101000934612 Homo sapiens Gamma-butyrobetaine dioxygenase Proteins 0.000 description 2
- 101000764644 Homo sapiens Trimethyllysine dioxygenase, mitochondrial Proteins 0.000 description 2
- 102100026223 Trimethyllysine dioxygenase, mitochondrial Human genes 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 2
- 230000009471 action Effects 0.000 description 2
- 238000005452 bending Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 238000009432 framing Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 230000037081 physical activity Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 206010000117 Abnormal behaviour Diseases 0.000 description 1
- 101100272669 Aromatoleum evansii boxA gene Proteins 0.000 description 1
- 235000002566 Capsicum Nutrition 0.000 description 1
- 239000006002 Pepper Substances 0.000 description 1
- 235000016761 Piper aduncum Nutrition 0.000 description 1
- 235000017804 Piper guineense Nutrition 0.000 description 1
- 244000203593 Piper nigrum Species 0.000 description 1
- 235000008184 Piper nigrum Nutrition 0.000 description 1
- 206010037180 Psychiatric symptoms Diseases 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000037237 body shape Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 230000005802 health problem Effects 0.000 description 1
- 230000002401 inhibitory effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000006116 polymerization reaction Methods 0.000 description 1
- 238000012805 post-processing Methods 0.000 description 1
- 150000003839 salts Chemical class 0.000 description 1
- 238000010008 shearing Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001629 suppression Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Images
Landscapes
- Image Analysis (AREA)
Abstract
本发明实施例公开了人体摔倒识别方法、装置、计算机设备及存储介质。所述方法包括:获取人体活动图像;将所述人体活动图像进行预处理,以得到处理结果;将所述处理结果输入至所述人体摔倒识别模型内进行人体行为状态识别,以得识别结果;对所述识别结果进行复核,以得到复核结果;当所述复核结果是所述人体活动图像存在人体摔倒行为,则生成警报信息。通过实施本发明实施例的方法可以解决现有人体摔倒识别技术所面临的成本高、易误识别与漏识别、识别精度与速度无法兼顾、受干扰影响严重等问题。
Description
技术领域
本发明涉及人体动作识别方法,更具体地说是指人体摔倒识别方法、装置、计算机设备及存储介质。
背景技术
独居老人的医疗健康问题引起社会的广泛关注。因此及时识别人体摔倒行为以降低安全隐患面临迫切的现实需求,并且具有广阔的应用前景和巨大的经济价值。
现有人体摔倒行为的识别手段包括三种,第一种是基于可穿戴式设备如陀螺仪、加速度计监测人体姿态特征,然后通过提取特征和行为建模识别摔倒异常行为,然而穿戴式设备会为老人行动带来不便、舒适性较差,且不适应于室外或拥挤场景;第二种是基于环境传感器,如压力传感器、红外传感器等获取老人日常行为数据,通过建模分析检测老人异常行为,然而此类方法成本较高、受环境干扰影响较大,准确率较低;第三种是基于计算机视觉技术,从监控设备中获取人体活动信息,通过图像处理、模式识别检测是否有异常摔倒行为发生,该类方法无需用户人为佩戴设备,成本低、用户体验好、且识别精度较高,成为主流摔倒识别技术。基于计算机视觉的人体摔倒识别技术包含传统机器学习方法与深度学习方法两类,前者需人工设计特征,步骤繁琐且精度有所限制;后者如基于SSD、Faster-RCNN的人体摔倒识别方法可实现自动化特征提取,在识别速度与精度上具有一定优势,然而,现实生活场景复杂,视角光线变化多样、目标遮挡及行为差异性显著使得现有方法容易产生误识别或漏识别问题,无法满足实际应用需求。
因此,有必要设计一种新的方法,以解决现有人体摔倒识别技术所面临的成本高、易误识别与漏识别、识别精度与速度无法兼顾、受干扰影响严重等问题。
发明内容
本发明的目的在于克服现有技术的缺陷,提供人体摔倒识别方法、装置、计算机设备及存储介质。
为实现上述目的,本发明采用以下技术方案:人体摔倒识别方法,包括:
获取人体活动图像;
将所述人体活动图像进行预处理,以得到处理结果;
将所述处理结果输入至所述人体摔倒识别模型内进行人体行为状态识别,以得识别结果;
对所述识别结果进行复核,以得到复核结果;
当所述复核结果是所述人体活动图像存在人体摔倒行为,则生成警报信息。
其进一步技术方案为:所述人体摔倒识别模型是通过带标签的离线获取的人体摔倒图像进行预处理后形成的图像作为样本集训练深度学习网络形成的;所述深度学习网络由结合通道注意力机制和CSPDarkNet的骨干网络、多尺度特征融合结构以及检测头网络结构构成。
其进一步技术方案为:所述人体摔倒识别模型是通过带标签的离线获取的人体摔倒图像进行预处理后形成的图像作为样本集训练深度学习网络形成的,包括:
离线获取人体摔倒图像,对所述人体摔倒图像进行标签标注,并将标注后的所述人体摔倒图像划分为训练集与验证集;
对所述训练集以及所述验证集分别进行预处理,以得到训练图像集以及验证图像集;
构建深度学习网络;
利用所述训练图像集对所述深度学习网络进行训练,并利用所述验证图像集对所述深度学习网络进行性能评估,以得到人体摔倒识别模型。
其进一步技术方案为:所述对所述训练集以及所述验证集分别进行预处理,以得到训练图像集以及验证图像集,包括:
对所述训练集以及所述验证集分别进行数据归一化处理,以得到归一化的训练集以及归一化的验证集;
对归一化的训练集以及归一化的验证集分别进行数据标准化处理,以得到标准化训练集以及验证图像集;
对所述标准化训练集进行数据增强,以得到训练图像集。
其进一步技术方案为:所述利用所述训练图像集对所述深度学习网络进行训练,并利用所述验证图像集对所述深度学习网络进行性能评估,以得到人体摔倒识别模型,包括:
将所述训练图像集输入至所述深度学习网络,通过网络前向传播获取相应的人体状态多尺度检测结果;
根据所述人体状态多尺度检测结果与所述标签的真实标注边界框,利用目标损失函数计算批量输入下的损失;
利用随机梯度下降优化算法更新所述深度学习网络的参数;
利用所述验证图像集进行结果测试,直至所述深度学习网络收敛,并选取在验证集上性能最佳的所述深度学习网络的参数,以得到人体摔倒识别模型。
其进一步技术方案为:所述将所述人体活动图像进行预处理,以得到处理结果,包括:
对所述人体活动图像进行数据归一化处理,以得到归一化结果;
对所述归一化结果进行数据标准化处理,以得到处理结果。
其进一步技术方案为:所述对所述识别结果进行复核,以得到复核结果之后,还包括:
当所述复核结果是误报,则将所述处理结果加入至样本集,以用于所述人体摔倒识别模型的迭代。
本发明还提供了人体摔倒识别装置,包括:
图像获取单元,用于获取人体活动图像;
预处理单元,用于将所述人体活动图像进行预处理,以得到处理结果;
识别单元,用于将所述处理结果输入至所述人体摔倒识别模型内进行人体行为状态识别,以得识别结果;
复核单元,用于对所述识别结果进行复核,以得到复核结果;
信息生成单元,用于当所述复核结果是所述人体活动图像存在人体摔倒行为,则生成警报信息。
本发明还提供了一种计算机设备,所述计算机设备包括存储器及处理器,所述存储器上存储有计算机程序,所述处理器执行所述计算机程序时实现上述的方法。
本发明还提供了一种存储介质,所述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上述的方法。
本发明与现有技术相比的有益效果是:本发明通过对人体活动图像采用构建的联合轻量级注意力机制的单阶段目标检测算法进行人体行为识别,且对识别结果进行复核,以解决现有人体摔倒识别技术所面临的成本高、易误识别与漏识别、识别精度与速度无法兼顾、受干扰影响严重等问题。
下面结合附图和具体实施例对本发明作进一步描述。
附图说明
为了更清楚地说明本发明实施例技术方案,下面将对实施例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的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的人体摔倒识别方法的应用场景示意图;
图2为本发明实施例提供的人体摔倒识别方法的流程示意图;
图3为本发明实施例提供的人体摔倒识别方法的子流程示意图;
图4为本发明实施例提供的人体摔倒识别方法的子流程示意图;
图5为本发明实施例提供的人体摔倒识别方法的子流程示意图;
图6为本发明实施例提供的人体摔倒识别方法的子流程示意图;
图7为本发明实施例提供的人体摔倒识别模型的示意图;
图8为本发明实施例提供的通道注意力机制的示意图;
图9为本发明实施例提供的轻量级坐标注意力模块的示意图;
图10为本发明实施例提供的人体摔倒识别装置的示意性框图;
图11为本发明实施例提供的人体摔倒识别装置的预处理单元的示意性框图;
图12为本发明实施例提供的计算机设备的示意性框图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整的描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
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”和 “包含”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,在此本发明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发明。如在本发明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,在本发明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。
请参阅图1和图2,图1为本发明实施例提供的人体摔倒识别方法的应用场景示意图。图2为本发明实施例提供的人体摔倒识别方法的示意性流程图。该人体摔倒识别方法应用于服务器中。该服务器与终端进行数据交互,实现利用终端获取人体活动图像,对人体活动图像进行预处理后,采用人体摔倒识别模型进行人体行为状态识别,并进行复核,解决现有人体摔倒识别技术所面临的成本高、易误识别与漏识别等问题,可应用于实际生活。
图2是本发明实施例提供的人体摔倒识别方法的流程示意图。如图2所示,该方法包括以下步骤S110至S150。
S110、获取人体活动图像。
在本实施例中,人体活动图像是指由终端的摄像头或者独立的摄像头拍摄所监控区域的人体活动的图像帧。
S120、将所述人体活动图像进行预处理,以得到处理结果。
在本实施例中,处理结果是指对人体活动图像进行数据归一化和标准化处理后形成的图像。
在一实施例中,请参阅图3,上述的步骤S120可包括步骤S121~S122。
S121、对所述人体活动图像进行数据归一化处理,以得到归一化结果。
在本实施例中,所述归一化结果是指对人体活动图像进行尺度调整等归一化操作形成的图像。
具体地,通过将所述人体活动图像除以255,将数据尺度范围调整为[0,1],由此形成归一化结果。
S122、对所述归一化结果进行数据标准化处理,以得到处理结果。
在本实施例中,利用均值方差标准化方法将归一化结果调整为标准正态分布,具体计算方法如下:,其中表示归一化结果;表示经标准化处理后的测试集数据;表示训练集数据在各个通道上的均值数组;表示训练集数据在各个通道上的方差数组;是维持数据平衡而使用的常数。
S130、将所述处理结果输入至所述人体摔倒识别模型内进行人体行为状态识别,以得识别结果。
在本实施例中,识别结果是指人体所在的预测边界框的位置以及所对应的类别,该类别包括摔倒或非摔倒类别。
具体地,将处理结果输入至人体摔倒识别模型,通过前向传播获得三个尺度的预测结果,在本实施例中,其形状大小为:[1,
na,5+nc],其中
na表示所有预测框的数量,预测结果最后一个维度的含义分别为预测框位置(x,y,w,h)、预测框中含有目标对象的置信度、预测框内为各个目标类别的预测概率;
对所获得的多尺度检测预测边界框进行后处理,得到最终人体摔倒识别结果,具体步骤如下:
筛选出预测框中含有对象置信度比置信度阈值conf_thr大的预测框;本发明实例中,设定conf_thr=0.25;
筛选出预测框置信度大于置信度阈值conf_thr的目标框,所述预测框置信度的计算公式为:;
利用非极大值抑制算法NMS对遗留的预测框进行筛选,去除重复冗余边界框,获得最终的人体摔倒识别结果,所述NMS算法的实现流程为:
将目标框按置信度降序进行排序,记作生成的列表为L;
以列表L中置信度最高的预测边界框BBOX1为基准,筛除所有与BBOX1的交并比大于交并比阈值IoU_thr的非基准边界框;本发明实施中,IoU_thr设置为0.45;
以列表L中置信度次高的边界框BBOX2为基准,筛除所有与BBOX2的交并比大于交并比阈值IoU_thr的非基准边界框;
重复上述三个步骤,直至遍历列表L中的所有预测边界框,从而获得最终的所有预测边界框;
人体摔倒检测结果可视化输出:利用获得的预测边界框,在原始图像中框出各预测框位置,并在各预测边界框中显示预测类别与预测置信度。
在本实施例中,所述人体摔倒识别模型是通过带标签的离线获取的人体摔倒图像进行预处理后形成的图像作为样本集训练深度学习网络形成的;所述深度学习网络由结合通道注意力机制和CSPDarkNet的骨干网络、多尺度特征融合结构以及检测头网络结构构成。
在一实施例中,请参阅图4,上述的人体摔倒识别模型是通过带标签的离线获取的人体摔倒图像进行预处理后形成的图像作为样本集训练深度学习网络形成的,包括步骤S131~ S134。
S131、离线获取人体摔倒图像,对所述人体摔倒图像进行标签标注,并将标注后的所述人体摔倒图像划分为训练集与验证集。
在本实施例中,可通过互联网下载包含人体摔倒与人体正常活动的视频或图像数据,也可以通过人工拍摄或监控设备录制包含人体摔倒与人体正常活动的视频或图像数据。对所获取视频或图像进行内容评估与人工标注:针对视频数据首先将其分帧处理获得单帧图像;然后对图像进行内容评估,将其分为行走、摔倒、坐立、蹲下、弯腰等nc种不同行为状态;最后对所有图像标注人体位置与人体状态类别,其中人体位置用一个矩形框表示,其由四个元素构成,分别为左上角横、纵坐标与右下角横、纵坐标,人体状态类别用类别整数序号表示,如将行走、摔倒、坐立、蹲下、弯腰、其他等状态分别记作0,1,2··· nc-1。以适当比例将所标注数据集划分为训练集与验证集。本实施例将标注数据集按照8:2比例划分为训练集与验证集。
S132、对所述训练集以及所述验证集分别进行预处理,以得到训练图像集以及验证图像集。
在一实施例中,请参阅图5,上述的步骤S132可包括步骤S1321~S1323。
S1321、对所述训练集以及所述验证集分别进行数据归一化处理,以得到归一化的训练集以及归一化的验证集。
具体地,通过将所述训练集以及所述验证集除以255,将数据尺度范围调整为[0,1],由此形成归一化的训练集以及归一化的验证集。
S1322、对归一化的训练集以及归一化的验证集分别进行数据标准化处理,以得到标准化训练集以及验证图像集;
在本实施例中,利用均值方差标准化方法将归一化结果调整为标准正态分布,使数据中心化、数据各维度特征相平衡,从而有效防止梯度爆炸或梯度消失、加快模型收敛,具体计算方法如下:,其中表示归一化的训练集或归一化的验证集;表示经标准化处理后的数据;表示训练集数据在各个通道上的均值数组;表示训练集数据在各个通道上的方差数组;是维持数据平衡而使用的常数。
S1323、对所述标准化训练集进行数据增强,以得到训练图像集。
具体地,通过对训练集数据进行随机角度旋转、随机上下左右翻转、随机按照一定比例进行剪切缩放、随机添加高斯噪声与椒盐噪声等方法在线丰富训练集数据,提高模型泛化能力。
S133、构建深度学习网络。
在本实施例中,人体摔倒识别模型由骨干网络Backbone、特征融合结构Neck、检测头Head三部分构成,结构参考附图7,其具体搭建流程为:
搭建结合通道注意力机制和CSPDarkNet的骨干网络Backbone:具体地,Backbone由Focus切片结构、基础卷积块CBS、联合通道注意力机制ECA的跨阶段局部网络结构CSP1_X_ECA,在本实施例中X=1,3、空间金字塔池化模块SPP构成。所述Focus切片结构将数据切片为4份,然后在通道维度进行拼接,可实现在下采样的同时减少信息损失;所述基础卷积块CBS由依次连接的卷积、批归一化、SiLU激活三部分构成,其中SiLU激活函数的计算公式为:,其中,x表示激活函数的输入;所述CSP1_X_ECA结构由两个平行分支构成,其中一个分支由依次连接的基础卷积块CBS、X个联合通道注意力ECA的残差单元以及卷积层构成,另一个分支由一个单一卷积层构成,然后两个平行分支依次执行通道维度拼接、批归一化、SiLU激活与基础卷积块操作;所述联合通道注意力ECA的残差单元在残差卷积块之间添加通道注意力ECA,通过增强网络对重要抽象特征的提取能力、有效抑制背景信息,可提高算法在位置和类别上的识别准确性;所述通道注意力机制ECA,结构可参考图8,首先通过在空间维度对输入特征实施全局平均池化操作获取通道权重信息,然后利用卷积核大小为k的一维卷积进行跨通道的局部信息交互,并利用sigmoid激活函数计算各个通道的权重特征,最后将原特征F与权重特征逐通道相乘,实现权重特征传播,获得最终通道注意力特征,其中卷积核大小k可通过公式,其中表示取接近的奇数操作,表示通道维度数,、b为实验超参数,在本实例中,分别设与b为2与1;空间金字塔池化模块SPP首先将该层输入特征输入至基础卷积模块CBS、然后平行执行三个不同核大小的最大池化层,并将多尺度池化结果与输入沿通道拼接,最后将特征输入至另一基础卷积模块CBS中。
搭建多尺度特征融合结构Neck:具体地,Neck结构采用FPN(特征金字塔,FeaturePyramid Network)结构、PAN(路径聚合,Path Aggregation Network)结构以及跨连接三种方式实现多尺度特征高效融合。其中FPN自顶向下传递高层抽象语义信息,具体实现方法为:首先将第N级高层特征依次输入跨阶段局部网络结构CSP2_X(本发明实例中X=1)、基础卷积模块,然后进行上采样并与骨干网络中对应第N-1级特征进行通道拼接,得到FPN结构中的第N-1级融合特征;PAN结构引入自底向上路径传递低层位置细节信息,具体实现方法为:首先将第M级低层特征依次输入CSP2_X结构与stride为2的基础卷积模块,然后与PAN结构中对应的第M+1级特征进行通道拼接;跨连接在PAN基础之上融合骨干网络同分辨率特征,有利于形成更加完善的融合特征;所述CSP2_X结构由两个平行分支构成,其中一个分支由依次连接的基础卷积块CBS、X个基础卷积块CBS以及卷积层构成,另一个分支由一个单一卷积层构成,然后两个平行分支依次执行通道维度拼接、批归一化、SiLU激活与基础卷积块操作。
搭建检测头网络结构Head:具体地,利用所述Neck网络中的融合特征构建多尺度检测头,其中大尺度负责检测大目标,小尺度负责检测小目标,记作检测头个数为n,本实施例中n=3,具体实施流程如下:
首先将Neck网络结构中多级不同尺度的融合特征输入轻量级坐标注意力模块CAM,具体实现如下,如图9所示:
利用一维全局池化对输入特征分别沿X、Y方向聚合特征,从而可以在一空间方向捕获长范围依赖关系,在另一空间方向保留精确位置信息,得到特征、,计算表示如下:、,其中H、W、C表述输入特征的高度、宽度与通道数量;、分别表示第c通道在高处h、宽度w处的输出;
所获得的X、Y方向聚合特征、进行通道维度拼接,并依次通过卷积、批归一化与SiLU激活函数,生成注意力特征,其中r表示卷积操作中的降采样率;
将所获得的注意力特征拆分为高度注意力特征与宽度注意力特征,然后分别通过1x1卷积与Sigmoid激活函数获得X、Y方向上的注意力特征图、;
利用、对输入特征进行点积运算,实现权重重分配,获得最终的加权注意力特征,计算公式为:,其中、分别加权注意力表示特征、输入特征第c个通道对应坐标(i,j)处的像素值;
利用处理后的多个尺度的注意力特征分别进行卷积运算,得到特征图,用于预测目标的位置和类别,其中nc表示目标对象类别总数,、表示检测头特征图的高度与宽度,B表示特征图上每个像素点对应锚框的数量。
S134、利用所述训练图像集对所述深度学习网络进行训练,并利用所述验证图像集对所述深度学习网络进行性能评估,以得到人体摔倒识别模型。
在一实施例中,请参阅图6,上述的步骤S134可包括步骤S1341~S1344。
S1341、将所述训练图像集输入至所述深度学习网络,通过网络前向传播获取相应的人体状态多尺度检测结果;
S1342、根据所述人体状态多尺度检测结果与所述标签的真实标注边界框,利用目标损失函数计算批量输入下的损失;
S1343、利用随机梯度下降优化算法更新所述深度学习网络的参数;
S1344、利用所述验证图像集进行结果测试,直至所述深度学习网络收敛,并选取在验证集上性能最佳的所述深度学习网络的参数,以得到人体摔倒识别模型。
在本实施例中,批量输入处理后的训练集数据至所搭建人体摔倒识别模型,通过网络前向传播获取相应的人体状态多尺度检测结果;所述批量大小记作BS,本实例中BS=64;根据所获取的人体状态多尺度检测结果与真实标注边界框,利用目标损失函数计算批量输入下的损失,所述目标损失函数由分类损失、置信度损失与边界框回归损失三部分构成。其中分类损失针对正样本(人体行为状态)计算交叉熵损失;置信度损失针对所有样本(人体行为状态与背景)的置信度计算交叉熵损失;边界框回归损失针对正样本计算CIoU损失,具体定义分别如下:
;
;
;;其中、、分别表示分类损失、置信度损失与边界框回归损失的平衡系数;S×S表示检测头特征图的像素总量;B表示特征图上每个像素点对应锚框的数量;表示样本i在类别c上的标签;表示样本i预测为类别c概率;为目标检测所有需检测类别;、分别表示正、负样本;与分别表示样本i的置信度标签与预测置信度;IoU表示预测边界框与真值边界框之间的交并比;表示两个矩形框中心点之间的欧氏距离;表示两个矩形框的对角线距离,即最小外接矩形的对角线长度;v用于衡量长宽比一致性,计算如下,其中,、分别表示真实标注框与预测边界框的宽高比值。
利用随机梯度下降优化算法SGD更新模型参数,最小化目标损失函数,具体流程如下:
计算当前迭代次数下目标损失函数的梯度,计算公式为,其中表示模型网络结构参数,表示人体摔倒识别模型的整体函数功能;表示当前迭代次数下的训练样本;表示当前迭代次数下训练样本对应的真值标注数据;
模型参数更新,计算公式为:,其中为更新后的模型参数;为学习率,在本实施中,设置初始值为0.01,并每间隔30 epochs降低一半;
重复上述四个步骤,并每间隔inter_val利用验证集进行结果测试,直至模型收敛,然后选取在验证集上性能最佳的模型参数作为最终的人体摔倒识别模型。
通过构建联合轻量级注意力机制的单阶段目标检测算法,促使模型检测速度快,且在复杂环境下具有较好的鲁棒性与稳定性。具体地,在人体摔倒识别算法的骨干网络中引入通道注意力机制,提高模型对关键特征提取能力,有效地抑制了复杂背景的干扰;在特征融合阶段采用自顶而下、自底而上、跨连接三种方式,提高特征利用效率及特征完整性;在检测头阶段引入坐标注意力机制,增大感受野、获取长范围全局信息,显著改善了人体摔倒识别的位置准确性及分类精度。
S140、对所述识别结果进行复核,以得到复核结果。
在本实施例中,复核结果是指人工复核的结果。
S150、当所述复核结果是所述人体活动图像存在人体摔倒行为,则生成警报信息。
另外,当所述复核结果是误报,则将所述处理结果加入至样本集,以用于所述人体摔倒识别模型的迭代。
上述的人体摔倒识别方法,通过对人体活动图像采用构建的联合轻量级注意力机制的单阶段目标检测算法进行人体行为识别,且对识别结果进行复核,可以解决现有人体摔倒识别技术所面临的成本高、易误识别与漏识别、识别精度与速度无法兼顾、受干扰影响严重等问题。
图10是本发明实施例提供的一种人体摔倒识别装置300的示意性框图。如图10所示,对应于以上人体摔倒识别方法,本发明还提供一种人体摔倒识别装置300。该人体摔倒识别装置300包括用于执行上述人体摔倒识别方法的单元,该装置可以被配置于服务器中。具体地,请参阅图10,该人体摔倒识别装置300包括图像获取单元301、预处理单元302、识别单元303、复核单元304以及信息生成单元305。
图像获取单元301,用于获取人体活动图像;预处理单元302,用于将所述人体活动图像进行预处理,以得到处理结果;识别单元303,用于将所述处理结果输入至所述人体摔倒识别模型内进行人体行为状态识别,以得识别结果;复核单元304,用于对所述识别结果进行复核,以得到复核结果;信息生成单元305,用于当所述复核结果是所述人体活动图像存在人体摔倒行为,则生成警报信息。
还包括模型生成单元,所述模型生成单元,用于通过带标签的离线获取的人体摔倒图像进行预处理后形成的图像作为样本集训练深度学习网络,以形成人体摔倒识别模型,所述深度学习网络由结合通道注意力机制和CSPDarkNet的骨干网络、多尺度特征融合结构以及检测头网络结构构成。
在一实施例中,所述模型生成单元包括图像处理子单元、集合处理子单元、模型构建子单元以及训练子单元。
图像处理子单元,用于离线获取人体摔倒图像,对所述人体摔倒图像进行标签标注,并将标注后的所述人体摔倒图像划分为训练集与验证集;集合处理子单元,用于对所述训练集以及所述验证集分别进行预处理,以得到训练图像集以及验证图像集;模型构建子单元,用于构建深度学习网络;训练子单元,用于利用所述训练图像集对所述深度学习网络进行训练,并利用所述验证图像集对所述深度学习网络进行性能评估,以得到人体摔倒识别模型。
在一实施例中,所述集合处理子单元包括第一处理模块、第二处理模块以及第三处理模块。
第一处理模块,用于对所述训练集以及所述验证集分别进行数据归一化处理,以得到归一化的训练集以及归一化的验证集;第二处理模块,用于对归一化的训练集以及归一化的验证集分别进行数据标准化处理,以得到标准化训练集以及验证图像集;第三处理模块,用于对所述标准化训练集进行数据增强,以得到训练图像集。
在一实施例中,如图11所示,所述预处理单元302包括归一化子单元3021以及标准化子单元3022。
归一化子单元3021,用于对所述人体活动图像进行数据归一化处理,以得到归一化结果;标准化子单元3022,用于对所述归一化结果进行数据标准化处理,以得到处理结果。
在一实施例中,所述装置还包括:加入单元,用于当所述复核结果是误报,则将所述处理结果加入至样本集,以用于所述人体摔倒识别模型的迭代。
需要说明的是,所属领域的技术人员可以清楚地了解到,上述人体摔倒识别装置300和各单元的具体实现过程,可以参考前述方法实施例中的相应描述,为了描述的方便和简洁,在此不再赘述。
上述人体摔倒识别置可以实现为一种计算机程序的形式,该计算机程序可以在如图12所示的计算机设备上运行。
请参阅图12,图12是本申请实施例提供的一种计算机设备的示意性框图。该计算机设备500可以是服务器,其中,服务器可以是独立的服务器,也可以是多个服务器组成的服务器集群。
参阅图12,该计算机设备500包括通过系统总线501连接的处理器502、存储器和网络接口505,其中,存储器可以包括非易失性存储介质503和内存储器504。
该非易失性存储介质503可存储操作系统5031和计算机程序5032。该计算机程序5032包括程序指令,该程序指令被执行时,可使得处理器502执行一种人体摔倒识别方法。
该处理器502用于提供计算和控制能力,以支撑整个计算机设备500的运行。
该内存储器504为非易失性存储介质503中的计算机程序5032的运行提供环境,该计算机程序5032被处理器502执行时,可使得处理器502执行一种人体摔倒识别方法。
该网络接口505用于与其它设备进行网络通信。本领域技术人员可以理解,图12中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备500的限定,具体的计算机设备500可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
其中,所述处理器502用于运行存储在存储器中的计算机程序5032,以实现如下步骤:
获取人体活动图像;将所述人体活动图像进行预处理,以得到处理结果;将所述处理结果输入至所述人体摔倒识别模型内进行人体行为状态识别,以得识别结果;对所述识别结果进行复核,以得到复核结果;当所述复核结果是所述人体活动图像存在人体摔倒行为,则生成警报信息。
其中,所述人体摔倒识别模型是通过带标签的离线获取的人体摔倒图像进行预处理后形成的图像作为样本集训练深度学习网络形成的;所述深度学习网络由结合通道注意力机制和CSPDarkNet的骨干网络、多尺度特征融合结构以及检测头网络结构构成。
在一实施例中,处理器502在实现所述人体摔倒识别模型是通过带标签的离线获取的人体摔倒图像进行预处理后形成的图像作为样本集训练深度学习网络形成的步骤时,具体实现如下步骤:
离线获取人体摔倒图像,对所述人体摔倒图像进行标签标注,并将标注后的所述人体摔倒图像划分为训练集与验证集;对所述训练集以及所述验证集分别进行预处理,以得到训练图像集以及验证图像集;构建深度学习网络;利用所述训练图像集对所述深度学习网络进行训练,并利用所述验证图像集对所述深度学习网络进行性能评估,以得到人体摔倒识别模型。
在一实施例中,处理器502在实现所述对所述训练集以及所述验证集分别进行预处理,以得到训练图像集以及验证图像集步骤时,具体实现如下步骤:
对所述训练集以及所述验证集分别进行数据归一化处理,以得到归一化的训练集以及归一化的验证集;对归一化的训练集以及归一化的验证集分别进行数据标准化处理,以得到标准化训练集以及验证图像集;对所述标准化训练集进行数据增强,以得到训练图像集。
在一实施例中,处理器502在实现所述利用所述训练图像集对所述深度学习网络进行训练,并利用所述验证图像集对所述深度学习网络进行性能评估,以得到人体摔倒识别模型步骤时,具体实现如下步骤:
将所述训练图像集输入至所述深度学习网络,通过网络前向传播获取相应的人体状态多尺度检测结果;根据所述人体状态多尺度检测结果与所述标签的真实标注边界框,利用目标损失函数计算批量输入下的损失;利用随机梯度下降优化算法更新所述深度学习网络的参数;利用所述验证图像集进行结果测试,直至所述深度学习网络收敛,并选取在验证集上性能最佳的所述深度学习网络的参数,以得到人体摔倒识别模型。
在一实施例中,处理器502在实现所述将所述人体活动图像进行预处理,以得到处理结果步骤时,具体实现如下步骤:
对所述人体活动图像进行数据归一化处理,以得到归一化结果;对所述归一化结果进行数据标准化处理,以得到处理结果。
在一实施例中,处理器502在实现所述对所述识别结果进行复核,以得到复核结果步骤之后,还实现如下步骤:
当所述复核结果是误报,则将所述处理结果加入至样本集,以用于所述人体摔倒识别模型的迭代。
应当理解,在本申请实施例中,处理器502可以是中央处理单元 (CentralProcessing Unit,CPU),该处理器502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 IntegratedCircuit,ASIC)、现成可编程门阵列 (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。其中,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。
本领域普通技术人员可以理解的是实现上述实施例的方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成。该计算机程序包括程序指令,计算机程序可存储于一存储介质中,该存储介质为计算机可读存储介质。该程序指令被该计算机系统中的至少一个处理器执行,以实现上述方法的实施例的流程步骤。
因此,本发明还提供一种存储介质。该存储介质可以为计算机可读存储介质。该存储介质存储有计算机程序,其中该计算机程序被处理器执行时使处理器执行如下步骤:
获取人体活动图像;将所述人体活动图像进行预处理,以得到处理结果;将所述处理结果输入至所述人体摔倒识别模型内进行人体行为状态识别,以得识别结果;对所述识别结果进行复核,以得到复核结果;当所述复核结果是所述人体活动图像存在人体摔倒行为,则生成警报信息。
所述人体摔倒识别模型是通过带标签的离线获取的人体摔倒图像进行预处理后形成的图像作为样本集训练深度学习网络形成的;所述深度学习网络由结合通道注意力机制和CSPDarkNet的骨干网络、多尺度特征融合结构以及检测头网络结构构成。
在一实施例中,所述处理器在执行所述计算机程序而实现所述人体摔倒识别模型是通过带标签的离线获取的人体摔倒图像进行预处理后形成的图像作为样本集训练深度学习网络形成的步骤时,具体实现如下步骤:
离线获取人体摔倒图像,对所述人体摔倒图像进行标签标注,并将标注后的所述人体摔倒图像划分为训练集与验证集;对所述训练集以及所述验证集分别进行预处理,以得到训练图像集以及验证图像集;构建深度学习网络;利用所述训练图像集对所述深度学习网络进行训练,并利用所述验证图像集对所述深度学习网络进行性能评估,以得到人体摔倒识别模型。
在一实施例中,所述处理器在执行所述计算机程序而实现所述对所述训练集以及所述验证集分别进行预处理,以得到训练图像集以及验证图像集步骤时,具体实现如下步骤:
对所述训练集以及所述验证集分别进行数据归一化处理,以得到归一化的训练集以及归一化的验证集;对归一化的训练集以及归一化的验证集分别进行数据标准化处理,以得到标准化训练集以及验证图像集;对所述标准化训练集进行数据增强,以得到训练图像集。
在一实施例中,所述处理器在执行所述计算机程序而实现所述利用所述训练图像集对所述深度学习网络进行训练,并利用所述验证图像集对所述深度学习网络进行性能评估,以得到人体摔倒识别模型步骤时,具体实现如下步骤:
将所述训练图像集输入至所述深度学习网络,通过网络前向传播获取相应的人体状态多尺度检测结果;根据所述人体状态多尺度检测结果与所述标签的真实标注边界框,利用目标损失函数计算批量输入下的损失;利用随机梯度下降优化算法更新所述深度学习网络的参数;利用所述验证图像集进行结果测试,直至所述深度学习网络收敛,并选取在验证集上性能最佳的所述深度学习网络的参数,以得到人体摔倒识别模型。
在一实施例中,所述处理器在执行所述计算机程序而实现所述将所述人体活动图像进行预处理,以得到处理结果步骤时,具体实现如下步骤:
对所述人体活动图像进行数据归一化处理,以得到归一化结果;对所述归一化结果进行数据标准化处理,以得到处理结果。
在一实施例中,所述处理器在执行所述计算机程序而实现所述对所述识别结果进行复核,以得到复核结果步骤之后,还实现如下步骤:
当所述复核结果是误报,则将所述处理结果加入至样本集,以用于所述人体摔倒识别模型的迭代。
所述存储介质可以是U盘、移动硬盘、只读存储器(Read-Only Memory,ROM)、磁碟或者光盘等各种可以存储程序代码的计算机可读存储介质。
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、计算机软件或者二者的结合来实现,为了清楚地说明硬件和软件的可互换性,在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。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。
在本发明所提供的几个实施例中,应该理解到,所揭露的装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的。例如,各个单元的划分,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。
本发明实施例方法中的步骤可以根据实际需要进行顺序调整、合并和删减。本发明实施例装置中的单元可以根据实际需要进行合并、划分和删减。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,也可以是两个或两个以上单元集成在一个单元中。
该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,可以存储在一个存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分,或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,终端,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到各种等效的修改或替换,这些修改或替换都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以权利要求的保护范围为准。
Claims (10)
1.人体摔倒识别方法,其特征在于,包括:
获取人体活动图像;
将所述人体活动图像进行预处理,以得到处理结果;
将所述处理结果输入至所述人体摔倒识别模型内进行人体行为状态识别,以得识别结果;
对所述识别结果进行复核,以得到复核结果;
当所述复核结果是所述人体活动图像存在人体摔倒行为,则生成警报信息。
2.根据权利要求1所述的人体摔倒识别方法,其特征在于,所述人体摔倒识别模型是通过带标签的离线获取的人体摔倒图像进行预处理后形成的图像作为样本集训练深度学习网络形成的;所述深度学习网络由结合通道注意力机制和CSPDarkNet的骨干网络、多尺度特征融合结构以及检测头网络结构构成。
3.根据权利要求2所述的人体摔倒识别方法,其特征在于,所述人体摔倒识别模型是通过带标签的离线获取的人体摔倒图像进行预处理后形成的图像作为样本集训练深度学习网络形成的,包括:
离线获取人体摔倒图像,对所述人体摔倒图像进行标签标注,并将标注后的所述人体摔倒图像划分为训练集与验证集;
对所述训练集以及所述验证集分别进行预处理,以得到训练图像集以及验证图像集;
构建深度学习网络;
利用所述训练图像集对所述深度学习网络进行训练,并利用所述验证图像集对所述深度学习网络进行性能评估,以得到人体摔倒识别模型。
4.根据权利要求3所述的人体摔倒识别方法,其特征在于,所述对所述训练集以及所述验证集分别进行预处理,以得到训练图像集以及验证图像集,包括:
对所述训练集以及所述验证集分别进行数据归一化处理,以得到归一化的训练集以及归一化的验证集;
对归一化的训练集以及归一化的验证集分别进行数据标准化处理,以得到标准化训练集以及验证图像集;
对所述标准化训练集进行数据增强,以得到训练图像集。
5.根据权利要求4所述的人体摔倒识别方法,其特征在于,所述利用所述训练图像集对所述深度学习网络进行训练,并利用所述验证图像集对所述深度学习网络进行性能评估,以得到人体摔倒识别模型,包括:
将所述训练图像集输入至所述深度学习网络,通过网络前向传播获取相应的人体状态多尺度检测结果;
根据所述人体状态多尺度检测结果与所述标签的真实标注边界框,利用目标损失函数计算批量输入下的损失;
利用随机梯度下降优化算法更新所述深度学习网络的参数;
利用所述验证图像集进行结果测试,直至所述深度学习网络收敛,并选取在验证集上性能最佳的所述深度学习网络的参数,以得到人体摔倒识别模型。
6.根据权利要求1所述的人体摔倒识别方法,其特征在于,所述将所述人体活动图像进行预处理,以得到处理结果,包括:
对所述人体活动图像进行数据归一化处理,以得到归一化结果;
对所述归一化结果进行数据标准化处理,以得到处理结果。
7.根据权利要求1所述的人体摔倒识别方法,其特征在于,所述对所述识别结果进行复核,以得到复核结果之后,还包括:
当所述复核结果是误报,则将所述处理结果加入至样本集,以用于所述人体摔倒识别模型的迭代。
8.人体摔倒识别装置,其特征在于,包括:
图像获取单元,用于获取人体活动图像;
预处理单元,用于将所述人体活动图像进行预处理,以得到处理结果;
识别单元,用于将所述处理结果输入至所述人体摔倒识别模型内进行人体行为状态识别,以得识别结果;
复核单元,用于对所述识别结果进行复核,以得到复核结果;
信息生成单元,用于当所述复核结果是所述人体活动图像存在人体摔倒行为,则生成警报信息。
9.一种计算机设备,其特征在于,所述计算机设备包括存储器及处理器,所述存储器上存储有计算机程序,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中任一项所述的方法。
10.一种存储介质,其特征在于,所述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权利要求1至7中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310197871.6A CN115937991A (zh) | 2023-03-03 | 2023-03-03 | 人体摔倒识别方法、装置、计算机设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310197871.6A CN115937991A (zh) | 2023-03-03 | 2023-03-03 | 人体摔倒识别方法、装置、计算机设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115937991A true CN115937991A (zh) | 2023-04-07 |
Family
ID=86651009
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310197871.6A Pending CN115937991A (zh) | 2023-03-03 | 2023-03-03 | 人体摔倒识别方法、装置、计算机设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115937991A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116311542A (zh) * | 2023-05-23 | 2023-06-23 | 广州英码信息科技有限公司 | 兼容拥挤场景和非拥挤场景的人体摔倒检测方法及系统 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110598633A (zh) * | 2019-09-12 | 2019-12-20 | 杭州品茗安控信息技术股份有限公司 | 一种摔倒行为识别方法、装置及系统 |
CN113392765A (zh) * | 2021-06-15 | 2021-09-14 | 广东工业大学 | 一种基于机器视觉的摔倒检测方法和系统 |
CN113384267A (zh) * | 2021-08-17 | 2021-09-14 | 深圳市爱深盈通信息技术有限公司 | 一种跌倒实时检测方法、系统、终端设备及存储介质 |
CN113705478A (zh) * | 2021-08-31 | 2021-11-26 | 中国林业科学研究院资源信息研究所 | 一种基于改进YOLOv5的红树林单木目标检测方法 |
CN114170161A (zh) * | 2021-11-25 | 2022-03-11 | 云南大学 | 一种烟支外观缺陷检测方法及系统 |
CN114724070A (zh) * | 2022-04-18 | 2022-07-08 | 北京联合大学 | 一种适用于边缘设备的YoloMD行人摔倒检测方法 |
CN115019174A (zh) * | 2022-06-10 | 2022-09-06 | 西安电子科技大学 | 基于像素重组和注意力的上采样遥感图像目标识别方法 |
CN115410039A (zh) * | 2022-08-26 | 2022-11-29 | 安徽理工大学 | 基于改进YOLOv5算法的煤炭异物检测系统及方法 |
CN115546491A (zh) * | 2022-11-28 | 2022-12-30 | 中南财经政法大学 | 一种跌倒报警方法、系统、电子设备及存储介质 |
CN115661943A (zh) * | 2022-12-22 | 2023-01-31 | 电子科技大学 | 一种基于轻量级姿态评估网络的跌倒检测方法 |
CN115713715A (zh) * | 2022-11-22 | 2023-02-24 | 天津安捷物联科技股份有限公司 | 一种基于深度学习的人体行为识别方法及识别系统 |
-
2023
- 2023-03-03 CN CN202310197871.6A patent/CN115937991A/zh active Pending
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110598633A (zh) * | 2019-09-12 | 2019-12-20 | 杭州品茗安控信息技术股份有限公司 | 一种摔倒行为识别方法、装置及系统 |
CN113392765A (zh) * | 2021-06-15 | 2021-09-14 | 广东工业大学 | 一种基于机器视觉的摔倒检测方法和系统 |
CN113384267A (zh) * | 2021-08-17 | 2021-09-14 | 深圳市爱深盈通信息技术有限公司 | 一种跌倒实时检测方法、系统、终端设备及存储介质 |
CN113705478A (zh) * | 2021-08-31 | 2021-11-26 | 中国林业科学研究院资源信息研究所 | 一种基于改进YOLOv5的红树林单木目标检测方法 |
CN114170161A (zh) * | 2021-11-25 | 2022-03-11 | 云南大学 | 一种烟支外观缺陷检测方法及系统 |
CN114724070A (zh) * | 2022-04-18 | 2022-07-08 | 北京联合大学 | 一种适用于边缘设备的YoloMD行人摔倒检测方法 |
CN115019174A (zh) * | 2022-06-10 | 2022-09-06 | 西安电子科技大学 | 基于像素重组和注意力的上采样遥感图像目标识别方法 |
CN115410039A (zh) * | 2022-08-26 | 2022-11-29 | 安徽理工大学 | 基于改进YOLOv5算法的煤炭异物检测系统及方法 |
CN115713715A (zh) * | 2022-11-22 | 2023-02-24 | 天津安捷物联科技股份有限公司 | 一种基于深度学习的人体行为识别方法及识别系统 |
CN115546491A (zh) * | 2022-11-28 | 2022-12-30 | 中南财经政法大学 | 一种跌倒报警方法、系统、电子设备及存储介质 |
CN115661943A (zh) * | 2022-12-22 | 2023-01-31 | 电子科技大学 | 一种基于轻量级姿态评估网络的跌倒检测方法 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116311542A (zh) * | 2023-05-23 | 2023-06-23 | 广州英码信息科技有限公司 | 兼容拥挤场景和非拥挤场景的人体摔倒检测方法及系统 |
CN116311542B (zh) * | 2023-05-23 | 2023-08-04 | 广州英码信息科技有限公司 | 兼容拥挤场景和非拥挤场景的人体摔倒检测方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107358149B (zh) | 一种人体姿态检测方法和装置 | |
Singh et al. | Image classification: a survey | |
US9754160B2 (en) | Method and device for detecting gathering of objects based on stereo vision as well as non-transitory computer-readable medium | |
CN110781836A (zh) | 人体识别方法、装置、计算机设备及存储介质 | |
CN112651292A (zh) | 基于视频的人体动作识别方法、装置、介质及电子设备 | |
JPWO2018051944A1 (ja) | 人流推定装置、人流推定方法およびプログラム | |
CN114241548A (zh) | 一种基于改进YOLOv5的小目标检测算法 | |
CN112132119A (zh) | 客流统计方法、装置、电子设备和存储介质 | |
CN111652181B (zh) | 目标跟踪方法、装置及电子设备 | |
CN113642431A (zh) | 目标检测模型的训练方法及装置、电子设备和存储介质 | |
CN112446869A (zh) | 基于深度学习的无监督工业品缺陷检测方法及装置 | |
CN113706579A (zh) | 一种基于工厂化养殖的对虾多目标跟踪系统及方法 | |
JP6255944B2 (ja) | 画像解析装置、画像解析方法及び画像解析プログラム | |
CN113780145A (zh) | 精子形态检测方法、装置、计算机设备和存储介质 | |
CN112560584A (zh) | 一种人脸检测方法及装置、存储介质、终端 | |
CN116824335A (zh) | 一种基于YOLOv5改进算法的火灾预警方法及系统 | |
CN115661860A (zh) | 一种狗行为动作识别技术的方法、装置、系统及存储介质 | |
CN115937991A (zh) | 人体摔倒识别方法、装置、计算机设备及存储介质 | |
US12033372B2 (en) | Attributing generated visual content to training examples | |
CN114387496A (zh) | 一种目标检测方法和电子设备 | |
CN109598712A (zh) | 塑料泡沫餐盒的质量检测方法、装置、服务器及存储介质 | |
CN115393252A (zh) | 显示面板的缺陷检测方法、装置、电子设备及存储介质 | |
KR101268596B1 (ko) | 정사각 코드북과 다중 경계 값이 적용된 텍스쳐 특징을 이용한 전경 검출 장치 및 방법 | |
CN115862119B (zh) | 基于注意力机制的人脸年龄估计方法及装置 | |
CN110163032B (zh) | 一种人脸检测方法及装置 |
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: 20230407 |