CN117173793B - 目标姿态检测方法、计算机设备及存储介质 - Google Patents
目标姿态检测方法、计算机设备及存储介质 Download PDFInfo
- Publication number
- CN117173793B CN117173793B CN202311447421.4A CN202311447421A CN117173793B CN 117173793 B CN117173793 B CN 117173793B CN 202311447421 A CN202311447421 A CN 202311447421A CN 117173793 B CN117173793 B CN 117173793B
- Authority
- CN
- China
- Prior art keywords
- characteristic parameter
- point cloud
- cloud data
- posture
- target object
- 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.)
- Active
Links
- 238000001514 detection method Methods 0.000 title abstract description 44
- 238000000034 method Methods 0.000 claims abstract description 51
- 230000006399 behavior Effects 0.000 claims description 35
- 230000004044 response Effects 0.000 claims description 28
- 238000000605 extraction Methods 0.000 claims description 11
- 230000036544 posture Effects 0.000 description 110
- 230000009471 action Effects 0.000 description 21
- 230000008569 process Effects 0.000 description 12
- 238000010586 diagram Methods 0.000 description 7
- 238000012545 processing Methods 0.000 description 6
- 238000012549 training Methods 0.000 description 5
- 230000008859 change Effects 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 230000003247 decreasing effect Effects 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
Landscapes
- Image Analysis (AREA)
Abstract
本申请公开了一种目标姿态检测方法、计算机设备及存储介质。该方法包括:获取在第一时间段内对目标对象检测得到的第一点云数据;判断第一点云数据的第一特征参数是否满足第一姿态条件;响应于第一特征参数不满足第一姿态条件,利用第二点云数据的第二特征参数,对目标对象的姿态进行识别,其中,第二点云数据为在第二时间段内对目标对象检测得到的,第二时间段为第一时间段之后的时间段。上述方案,能够提高姿态识别的准确度。
Description
技术领域
本申请涉及姿态识别技术领域,特别是涉及一种目标姿态检测方法、计算机设备及计算机可读存储介质。
背景技术
随着经济的发展,人们的生活水平在不断的提高,人们对居家安全越来越重视,通常在很多情况下都需要对目标的姿态进行检测。例如对老人的居家安全,如果老人独居在家发生跌倒、滑倒等动作,可以对老人的跌倒等动作姿态进行检测,以及时的了解到老人的情况。因此,跌倒等姿态检测技术也得到了越来越多的应用。
目前,通常是通过一帧图像或其他数据等来进行目标的姿态识别,由于受跌倒、滑倒等姿态的变化多样,以及环境影响等情况,现有技术中的目标姿态识别方法存在识别准确度低的问题。
发明内容
本申请主要解决的技术问题是提供一种目标姿态检测方法、计算机设备及存储介质,能够提高姿态识别的准确度。
为了解决上述问题,本申请第一方面提供了一种目标姿态检测方法,该方法包括:获取在第一时间段内对目标对象检测得到的第一点云数据;判断第一点云数据的第一特征参数是否满足第一姿态条件;响应于第一特征参数不满足第一姿态条件,利用第二点云数据的第二特征参数,对目标对象的姿态进行识别,其中,第二点云数据为在第二时间段内对目标对象检测得到的,第二时间段为第一时间段之后的时间段。
为了解决上述问题,本申请第二方面提供了一种计算机设备,该计算机设备包括相互耦接的存储器和处理器,存储器中存储有程序数据,处理器用于执行程序数据以实现上述目标姿态检测方法的任一步骤。
为了解决上述问题,本申请第三方面提供了一种计算机可读存储介质,该计算机可读存储介质存储有能够被处理器运行的程序数据,程序数据用于实现上述目标姿态检测方法的任一步骤。
上述方案,通过获取在第一时间段内对目标对象检测得到的第一点云数据,判断第一点云数据的第一特征参数是否满足第一姿态条件,在第一特征参数不满足第一姿态条件的情况下,再利用在第二时间段内对目标对象检测得到的第二点云数据的第二特征参数,对目标对象的姿态进行识别,通过多段的方式对目标对象的姿态进行检测,可以减少在第一时间段的第一特征参数对姿态的误检或漏检,结合更多的特征参数对姿态进行识别,能够提高姿态识别的准确度。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,而非限制本申请。
附图说明
为了更清楚地说明本申请中的技术方案,下面将对实施例描述中所需要的附图作简单的介绍,显而易见地,下面描述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说,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。其中:
图1是本申请目标姿态检测方法第一实施例的流程示意图;
图2是本申请目标点云数据的多普勒频差一实施例的实例示意图;
图3是本申请目标点云数据的高度信息一实施例的实例示例图;
图4是本申请目标姿态检测方法第二实施例的流程示意图;
图5是本申请图4中步骤S23一实施例的流程示意图;
图6是本申请第二跌倒行为高度信息变化一实施例的实例示例图;
图7是本申请图4中步骤S23另一实施例的流程示意图;
图8是本申请第二跌倒行为高度信息变化另一实施例的实例示例图;
图9是本申请目标姿态检测方法第三实施例的流程示意图;
图10是本申请目标姿态检测方法第四实施例的流程示意图;
图11是本申请目标姿态检测装置一实施例的结构示意图;
图12是本申请计算机设备一实施例的结构示意图;
图13是本申请计算机可读存储介质一实施例的结构示意图。
具体实施方式
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,所描述的实施例仅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。
本申请中的术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。本申请的描述中,“多个”的含义是至少两个,例如两个,三个等,除非另有明确具体的限定。此外,术语“包括”和“具有”以及它们任何变形,意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元,而是可选地还包括没有列出的步骤或单元,或可选地还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。
在本申请中提及“实施例”意味着,结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例,也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是,本文所描述的实施例可以与其它实施例相结合。
本文中术语“和/或”,仅仅是一种描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。另外,本文中字符“/”,一般表示前后关联对象是一种“或”的关系。此外,本文中的“多”表示两个或者多于两个。另外,本文中术语“至少一种”表示多种中的任意一种或多种中的至少两种的任意组合,例如,包括A、B、C中的至少一种,可以表示包括从A、B和C构成的集合中选择的任意一个或多个元素。
本申请提供以下实施例,下面对各实施例进行具体说明。
可以理解的是,本申请中的目标姿态检测方法可以由一计算机设备执行,该计算机设备可以为具有处理能力的任意设备,例如电脑、服务器、手机、平板电脑等,本申请不限于此。
请参阅图1,图1是本申请目标姿态检测方法第一实施例的流程示意图。该方法可以包括以下步骤:
S11:利用目标时间段内第一数量帧的目标点云数据,得到第一数量帧的统计信息,其中,统计信息包括高度信息、多普勒速度中的至少一者。
可以理解的是,可以在需要进行目标姿态检测的目标区域或目标对象所在的目标区域进行点云数据的采集,目标区域如独居老人的房间、客厅、老年人活动场所等,可以在目标区域安装毫米波雷达设备,利用毫米波雷达设备对目标对象进行检测以采集得到点云数据。例如在独居老人的房间安装雷达设备采集点云数据用于检测老人是否突然跌倒,以可以做到及时的提醒相关人员。
在一些实施方式中,在步骤S11之前,毫米雷达设备可以与计算机设备进行通信连接,可以互相进行数据传输。利用毫米雷达设备对目标区域的目标对象进行检测,采集得到点云数据。将采集的点云数据输入计算机设备或者毫米雷达设备存储处理,对点云数据进行数据预处理,通过点云检测和跟踪算法检测到目标区域或所在环境中是否存在目标对象,若检测存在目标对象,则可以对目标对象进行持续的点云数据检测,以及对目标对象的姿态进行持续检测。
在一些实施方式中,在步骤S11之前,可以利用毫米雷达设备采集多帧点云数据,例如50帧的点云数据,则对多帧点云数据进行特征提取,以得到点云数据对应的特征参数。
在一些实施方式中,可以将需要进行特征提取的目标时间段的多帧点云数据作为目标点云数据,以执行该实施例的步骤S11至步骤S22提取得到目标点云数据的目标特征参数。
在步骤S11中,可以获取目标时间段内对目标对象采集得到的第一数量帧的目标点云数据,针对每一帧中属于目标对象的所有目标点云数据,通过对目标点云数据进行统计处理得到每一帧的统计信息,可以理解的是,通过该方式,可以得到第一数量帧的统计信息。
在一些实施方式中,统计信息包括高度信息、多普勒速度中的至少一者。毫米波雷达设备检测目标对象,可以检测得到目标对象的高度信息和速度信息。多普勒速度可以是由毫米雷达设备对目标对象直接检测得到的径向速度,也即目标对象相对于毫米雷达设备的径向的速度。高度信息可以是由毫米雷达设备对目标对象直接检测得到的高度信息。对于统计信息的获取方式,本申请对此不做限制。
S12:对第一数量帧的统计信息进行特征提取,得到目标点云数据的目标特征参数;其中,目标特征参数包括以下至少一者:最高高度、最低高度、高度差、高低帧差、多普勒频差、高度拟合度。
可以利用上述的第一数量帧的统计信息进行特征提取,以提取得到的目标特征参数包括以下至少一者:目标距离、最高高度、最低高度、高度差、高低帧差、多普勒频差、高度拟合度。
可选地,对于每一目标特征参数的提取方式,如下:
目标距离(Range):通过对目标跟踪后,目标点云数据的坐标(X,Y)得到相对于毫米雷达设备的距离。不同的距离,毫米雷达设备的检测到的高度信息、多普勒速度的精度和方差会不同。
最高高度(HeightMax):最高高度可以为第一数量帧(如50帧)中高度信息的最高值。或者,在设定帧数中高度信息开始下降,且下降速度或下降高度满足第一设定阈值的位置,作为最高高度。
最低高度(HeightLow):最低高度可以为第一数量帧(如50帧)中高度信息的最低值。或者,在设定帧数中高度信息的均值小于第二设定阈值且高度信息最低点的位置,作为最低高度。
高度差(HeightDiff):最高高度与最低高度的高度差值,作为高度差。
高低帧差(FrameDiff):最高值与最低值间隔的帧数,也可以理解为,最高高度所在帧与最低高度所在帧之间的帧数,作为高低帧差。
多普勒频差(DoppleDiff):可以利用多普勒速度得到多普勒频差。也可以称为多普勒频移,本申请对多普勒频差的获取方式不做限制。
请参阅图2,例如可以提取每帧的多普勒速度的包络,分别得到正负速度的包络,提取其中包络差值最大的位置所在的帧,将最大包络差值作为多普勒频差的值。
高度拟合度(FitDegree):统计信息包括高度信息的情况下,可以对预设帧的高度信息进行直线拟合,得到拟合直线;其中,预设帧包含最高高度、最低高度所在的帧;分别获取第二数量帧的高度信息与对应拟合直线的拟合高度之间的拟合差值,将第二数量帧的拟合差值的总和作为高度拟合度;其中,第二数量帧包括预设帧的最高高度、最低高度所在的帧之间包含的帧。在一些应用场景中,第二数量帧也可以与第一数量帧相同,也即可以通过拟合直线的拟合高度与对应的每一帧高度信息之间的拟合差值,将拟合差值的总和作为高度拟合度。
请参阅图3,可以获取最高高度、最低高度所在的帧,作为预设帧,对最高高度、最低高度这两点的高度信息进行直接拟合,得到拟合直线。从而,将每帧的高度信息与对应拟合直线中的高度信息进行相减,得到每一帧的拟合差值,对每一帧的拟合差值求和取绝对值,可以得到高度拟合度。
在一些实施方式中,可以用下述公式获取高度拟合度:
。
其中,F表示高度拟合度,表示i帧的高度信息,a、b分别表示拟合直线的斜率和截距,n为自然数,如第一数量帧或第二数量帧。
在一些实施方式中,可以对第一数量帧的高度信息进行曲线拟合,以得到拟合曲线。再分别获取第一数量帧的高度信息与对应拟合曲线的拟合高度之间的拟合差值,将第一数量帧的拟合差值的总和的绝对值作为高度拟合度。
在一些实施方式中,本实施例所指的目标时间段可以为下述的第一时间段或第二时间段或第三时间段等。相应的,目标点云数据可以为第一时间段采集的第一点云数据、或第二时间段采集的第二点云数据、或第三时间段采集的第三点云数据;则目标点云数据对应的目标特征参数为第一点云数据对应的第一特征参数、或第二点云数据对应的第二特征参数、或第三点云数据对应的第三特征参数等。可以理解的是,本申请的特征提取方式可以对任意时间段的采集的点云数据进行特征参数的提取,本申请对此不做限制。
通过上述方式,可以针对需要特征提取的目标时间段的多帧点云数据进行特征提取,以提取得到需要的目标特征参数。
请参阅图4,图4是本申请目标姿态检测方法第二实施例的流程示意图。该方法可以包括以下步骤:
S21:获取在第一时间段内对目标对象检测得到的第一点云数据。
在一些实施方式中,在检测到目标区域或目标环境中存在目标对象时,可以对目标对象进行持续的点云数据采集。
可以获取在第一时间段内对目标对象检测得到的第一点云数据,例如包含第一时间段对目标对象检测得到的50帧的点云数据。
S22:判断第一点云数据的第一特征参数是否满足第一姿态条件。
在一些实施方式中,可以利用上述第一实施例的方式,对第一点云数据进行特征提取,以得到第一点云数据的第一特征参数。
其中,第一特征参数包括以下至少一者:目标距离、最高高度、最低高度、高度差、高低帧差、多普勒频差、高度拟合度。
在一些实施方式中,第一姿态条件包括以下至少一者:最低高度小于第一高度阈值HeightLowTh1、高度差大于第一高度差阈值HeightDiff Th1、高低帧差小于第一帧差阈值FrameDiffTh1、多普勒频差大于第一频差阈值DoppleDiffTh1、高度拟合度小于第一拟合度阈值FitDegreeTh1。对应的每个比较阈值可以根据具体的应用场景设置对应的具体数值,本申请对此不做限制。
在一些实施方式中,在获取得到对应第一特征参数的情况下,可以采用对应的第一特征参数判断是否满足第一姿态条件。如仅包含最低高度,则对应的第一姿态条件为最低高度小于第一高度阈值HeightLowTh1;如仅包含高度差,则对应的第一姿态条件为高度差大于第一高度差阈值HeightDiff Th1。可以理解的是,可以获取对应的高低帧差、多普勒频差、高度拟合度的第一姿态条件。再如,包含多个第一特征参数的情况下,如包含最低高度和高度差,则对应的第一姿态条件为最低高度小于第一高度阈值HeightLowTh1,且高度差大于第一高度差阈值HeightDiff Th1。如包含多个第一特征参数的情况下,如包含最低高度、高度差和高低帧差,则对应的第一姿态条件为最低高度小于第一高度阈值HeightLowTh1、高度差大于第一高度差阈值HeightDiff Th1,并且高低帧差小于第一帧差阈值FrameDiffTh1。可以理解的是,可以按照此方式获取对应的第一姿态条件。本申请对此不做限制。
为了更准确地检测目标对象的姿态,第一姿态条件可以包括:最低高度小于第一高度阈值HeightLowTh1、高度差大于第一高度差阈值HeightDiff Th1、高低帧差小于第一帧差阈值FrameDiffTh1、多普勒频差大于第一频差阈值DoppleDiffTh1、高度拟合度小于第一拟合度阈值FitDegreeTh1。
在一些实施方式中,判断第一点云数据的第一特征参数是否满足第一姿态条件。例如,可以依次判断最低高度、高度差、高低帧差、多普勒频差、高度拟合度是否满足对应的阈值条件,以综合确定第一特征参数是否满足第一姿态条件。
在一些实施方式中,若判断为不满足第一姿态条件,则响应于第一特征参数不满足第一姿态条件,执行下述步骤S23。
在一些实施方式中,若判断为满足第一姿态条件,则响应于第一特征参数满足第一姿态条件,执行下述步骤S24。
S23:利用第二点云数据的第二特征参数,对目标对象的姿态进行识别,其中,第二点云数据为在第二时间段内对目标对象检测得到的,第二时间段为第一时间段之后的时间段。
在一些实施方式中,可以在获取第一时间段的第一点云数据之后,继续对目标对象进行检测,以采集得到第二时间段的第二点云数据。第二时间段可以是第一时间段之后相邻的时间段,或者,第二时间段是第一时间段相隔预设时长之后的时间段,本申请对此不做限制。下述以第二时间段可以是第一时间段之后相邻的时间段为例进行说明。
在一些实施方式中,在执行步骤S21之后,则执行后续步骤S22,同时,可以继续执行在第二时间段内对目标对象检测,以得到第二点云数据。或者,在第二时间段内对目标对象检测获取第二点云数据的步骤可以在步骤S22之前或同时执行。或者,在执行步骤S22中,响应于第一特征参数不满足第一姿态条件,则执行在第二时间段内对目标对象检测获取第二点云数据的步骤。可以理解的是,本申请对第二点云数据的获取方式不做限制。
在判断为第一特征参数不满足第一姿态条件的情况下,可以响应于第一特征参数不满足第一姿态条件,再获取第二点云数据的第二特征参数,利用第二点云数据的第二特征参数,对目标对象的姿态进行识别。
其中,第二点云数据可以是在第二时间段对目标对象检测得到的,而第二时间段为第一时间段之后的时间段。第二点云数据例如包含第二时间段对目标对象检测得到的50帧的点云数据。
本实施例中,通过获取在第一时间段内对目标对象检测得到的第一点云数据,判断第一点云数据的第一特征参数是否满足第一姿态条件,在第一特征参数不满足第一姿态条件的情况下,再利用在第二时间段内对目标对象检测得到的第二点云数据的第二特征参数,对目标对象的姿态进行识别,通过多段的方式对目标对象的姿态进行检测,可以减少在第一时间段的第一特征参数对姿态的误检或漏检,结合更多的特征参数对姿态进行识别,能够提高姿态识别的准确度。
另外,相比较单独一帧的点云数据做检测方案,本申请通过多帧累计的点云数据进行姿态识别,更能够体现跌倒的整个过程,提高对姿态识别的准确度。
相比较只提取速度信息和距离的方案,本申请的上述方式在第一姿态条件、第二姿态条件等对姿态的识别判断过程中,提取了更多的特征参数,能够是一些相似的动作在数据上更加具有区分度,进一步提高对姿态识别的准确度。
此外,相比较只做一次判断的方案,本申请的上述方式通过多段识别的方法,可以解决缓慢跌倒过程中,跌倒过程复杂的问题,即使第一段时间内没有检测到跌倒行为,也可以通过第二段时间内对上半身倒下的时候检测出跌倒行为,进一步提高对姿态识别的准确度。
在一些实施例中,请参阅图5,可以对上述实施例的步骤S23进一步扩展。利用第二点云数据的第二特征参数,对目标对象的姿态进行识别,本实施例可以包括以下步骤:
S231:判断第二特征参数是否满足第二姿态条件。
其中,第二特征参数包括以下至少一者:目标距离、最高高度、最低高度、高度差、高低帧差、多普勒频差、高度拟合度。
在一些实施方式中,第二姿态条件包括以下至少一者:最低高度小于第二高度阈值HeightLowTh2、高度差大于第二高度差阈值HeightDiff Th2、高低帧差小于第二帧差阈值FrameDiffTh2、多普勒频差大于第二频差阈值DoppleDiffTh2、高度拟合度小于第二拟合度阈值FitDegreeTh2。
其中,第二姿态条件的具体判断及确定方式可以参考上述第一姿态条件,本申请在此不在赘述。
在一些实施方式中,第二姿态条件与第一姿态条件中的阈值相比,包括以下至少一者:第二高度阈值HeightLowTh2大于第一高度阈值HeightLowTh1,第二帧差阈值FrameDiffTh2大于第一帧差阈值FrameDiffTh1,第二拟合度阈值FitDegreeTh2大于第一拟合度阈值FitDegreeTh1。第二高度差阈值HeightDiff Th2小于第一高度差阈值HeightDiffTh1,第二频差阈值DoppleDiffTh2小于第一频差阈值DoppleDiffTh1。也即,最低高度、高低帧差、多普勒频差对应的比较阈值相比第一姿态条件中的比较阈值更大,高度差、多普勒频差对应的比较阈值相比第一姿态条件中的比较阈值更小。相比较而言,第二姿态条件的整体检测门限值更加宽泛。
在一些实施方式中,第二姿态条件还可以包括:最高帧间隔小于预设帧间隔阈值FdiffTh1。其中,最高帧间隔为第一时间段内第一点云数据与第二时间段内第二点云数据的间隔,如可以为第一时间段内最高高度所在的帧与第二时间段内最高高度所在的帧之间的间隔。或者,如,第一时间段内最低高度所在的帧与第二时间段内最低高度所在的帧之间的间隔。可以理解的是,可以根据具体的应用场景选择不同时间段对应的帧获取最高帧间隔,本申请对此不做限制。
在一些实施方式中,在判断第二特征参数是否满足第二姿态条件时,可以依次判断最低高度、高度差、高低帧差、多普勒频差、高度拟合度是否满足对应的比较阈值的条件,来确定第二特征参数是否满足第二姿态条件。
在一些实施方式中,还可以增加最高帧间隔的比较,如在上述判断最低高度、高度差、高低帧差、多普勒频差、高度拟合度满足对应的比较阈值的条件之后,再比较最高帧间隔是否小于预设帧间隔阈值FdiffTh1。或者,可以依次比较最低高度、高度差、高低帧差、多普勒频差、高度拟合度、最高帧间隔是否满足对应的比较阈值的条件。来综合确定第二特征参数是否满足第二姿态条件。或者,先比较最高帧间隔是否小于预设帧间隔阈值FdiffTh1,在最高帧间隔小于预设帧间隔阈值FdiffTh1的情况下,再依次比较最低高度、高度差、高低帧差、多普勒频差、高度拟合度是否满足对应的比较阈值的条件。可以理解的是,比较方式可以根据具体的应用选择,本申请对此不做限制。
在一些实施方式中,若第二特征参数满足第二姿态条件,则响应于第二特征参数满足第二姿态条件,执行下述步骤S232。
在一些实施方式中,若第二特征参数不满足第二姿态条件,则响应于第二特征参数不满足第二姿态条件,执行下述不做S233或步骤S234。
S232:确定目标对象的姿态为第二跌倒行为。
响应于第二特征参数满足第二姿态条件,确定目标对象的姿态为第二跌倒行为。其中,第二跌倒行为可以表述为相对较慢的跌倒方式,属于缓慢跌倒姿态,如目标对象发生缓慢跌倒。
请参阅图6,作为一种示例,当目标对象缓慢跌倒的情况下,高度信息的变化情况可以分为多段,第一段高度信息出现下降的变化,可能是目标对象缓慢倒下的时候,身体的上半身还是直立的状态,比如坐在地上或者靠着墙。第二段高度信息出现下降变化,可能是目标对象坐着倒下或者靠着墙倒下的情况。上述方式通过多段对目标姿态进行识别的方法,结合目标对象的高度信息的变化情况进行第一姿态条件、第二姿态条件的判断分析,既可以识别出快速跌倒,也可以识别出缓慢跌倒,且提高对目标对象识别的准确度。
上述方式,在第一时间段的第一点云数据的第一特征参数不满足姿态条件的情况下,没有直接确定没有跌倒行为,再继续在第二时间段的第二点云数据的第二特征参数满足第二姿态条件的情况下,才确定为目标对象的姿态为第二跌倒行为,可以对缓慢跌倒进行检测,减少误检的概率,整体上可以提高对目标对象的姿态的检测的准确度。
S233:确定目标对象的姿态为非跌倒行为。
响应于第二特征参数不满足第二姿态条件,确定目标对象的姿态为非跌倒行为,也即确定为目标对象没有发生跌倒行为。
上述方式,在第一时间段的第一点云数据的第一特征参数不满足姿态条件的情况下,没有直接确定没有跌倒行为,再继续在第二时间段的第二点云数据的第二特征参数不满足第二姿态条件的情况下,才确定为目标对象的姿态为非跌倒行为,没有发生跌倒行为,减少误检的概率,整体上可以提高对目标对象的姿态的检测的准确度。
在一些实施方式中,在步骤S233之后,则结束本次流程,或者,继续执行上述步骤S21,以持续对目标对象进行姿态检测。
S234:利用第三点云数据的第三特征参数,对目标对象的姿态进行识别,其中,第三点云数据是在第三时间段内对目标对象检测得到的,第三时间段为第二时间段之后的时间段。
响应于第二特征参数不满足第二姿态条件,可以再获取第三时间段的第三点云数据,利用第三点云数据的第三特征参数,对目标对象的姿态进行识别,其中,第三点云数据是在第三时间段内对目标对象检测得到的,第三时间段为第二时间段之后的时间段。
其中,利用第三点云数据的第三特征参数,对目标对象的姿态进行识别的具体步骤可以参考上述利用第二点云数据的第二特征参数,对目标对象的姿态进行识别的具体实施过程,本申请在此不再赘述。
可以理解的是,在执行利用第三点云数据的第三特征参数,对目标对象的姿态进行识别的步骤中,可以判断第三特征参数是否满足第三姿态条件,其中,第三姿态条件包含最低高度、高度差、高低帧差、多普勒频差、高度拟合度、最高帧间隔中至少一者与比较阈值的比较,第三姿态条件对应的比较阈值是相比第二姿态条件中的比较阈值整体相对更加宽泛。
上述方式,可以将对目标对象的姿态识别过程分为多段进行识别,以综合确定出目标对象的最终的姿态,提高姿态识别的准确度。
在一些实施例中,上述第二姿态条件不包含对最高帧间隔小于预设帧间隔阈值FdiffTh1的判断,或者,在上述步骤S231至步骤S233之前或之后,可以执行下述实施例的步骤S235至步骤S237。
在一些实施例中,请参阅图7,可以对上述实施例的步骤S23进一步扩展。利用第二点云数据的第二特征参数,对目标对象的姿态进行识别,本实施例可以包括以下步骤:
S235:获取第一最高高度和第二最高高度之间的最高帧间隔。
第一特征参数包括第一最高高度,也即为第一时间段中第一点云数据获取的最高高度。第二特征参数包括第二最高高度,也即为第二时间段中第二点云数据获取的最高高度。
请参阅图8,可以分别获取第一段时间内的第一点云数据的最高高度、最低高度,第二段时间内的第二点云数据的最高高度、最低高度。第一时间段中第一点云数据获取的最高高度作为第一最高高度。第二时间段中第二点云数据获取的最高高度作为第二最高高度。可以获取第一最高高度和第二最高高度之间的帧差,作为最高帧间隔,也即也可以表示为第一时间段与第二时间段的点云数据(或最高高度)之间的帧间隔。
S236:判断最高帧间隔是否大于预设帧间隔阈值。
若最高帧间隔大于预设帧间隔阈值,则响应于最高帧间隔大于预设帧间隔阈值,执行下述步骤S237。或将第二时间段的第二点云数据作为上述的第一时间段的第一点云数据,执行上述步骤S21及其后续步骤。
若最高帧间隔不大于预设帧间隔阈值,则可以响应于最高帧间隔不大于预设帧间隔阈值,执行上述步骤S231至步骤S234。
S237:确定目标对象的姿态为非跌倒行为。
响应于最高帧间隔大于预设帧间隔阈值,确定目标对象的姿态为非跌倒行为。由于第一时间段与第二时间段的点云数据之间的最高帧间隔过长,则可以认为两个时间段的点云数据不属于同一跌倒姿态。因为缓慢跌倒也应该在一段时间内完成,如果间隔时间太久,则认为目标对象没有发生跌倒行为。该方式可以进一步提高姿态识别的准确度。
在一些实施方式中,在步骤S237之后,则结束本次流程,或者,继续执行上述步骤S21,以持续对目标对象进行姿态检测。
在一些实施例中,在上述步骤S22中,判断第一特征参数是否满足第一姿态条件之后,还包括以下步骤:
S24:确定目标对象的姿态为第一跌倒行为。
响应于第一特征参数满足第一姿态条件,确定目标对象的姿态为第一跌倒行为。其中,属于第一跌倒行为的目标对象的跌倒速度大于属于第二跌倒行为的目标对象的跌倒速度。第二跌倒行为可以为缓慢跌倒姿态,第一跌倒行为可以为快速跌倒姿态。属于第二跌倒行为与第一跌倒行为的目标对象的跌倒速度是相对而言的,例如大于跌倒速度阈值的为第一跌倒行为,小于或等于跌倒速度阈值的为第二跌倒行为。对于高度信息的变化而言,当目标对象快速跌倒的时候,高度信息会随着时间快速下降并且呈现比较一条比较平稳的斜线,可以通过上述的第一姿态条件判断出目标对象是否出现第一跌倒行为。
在一些实施方式中,在步骤S24之后,则结束本次流程,或者,继续执行上述步骤S21,以持续对目标对象进行姿态检测。
上述方式,在第一时间段的第一点云数据对应的第一特征参数满足第一姿态条件时,可以确定目标对象的姿态为第一跌倒行为,可以直接在一段时间内就确定出目标对象的姿态,可以对不同的姿态采用单个时间段或结合多个时间段对目标对象的姿态进行检测,以提高姿态检测的适应性和准确度。
请参阅图9,图9是本申请目标姿态检测方法第三实施例的流程示意图。该方法可以包括以下步骤:
S31:判断第一点云数据的第一特征参数是否满足姿态判决条件。
在一些实施例中,该实施例的步骤S31至步骤S33可以在上述步骤S22的利用第二点云数据的第二特征参数,对目标对象的姿态进行识别之前执行。
例如,在步骤S22中,响应于第一特征参数不满足第一姿态条件之后,则执行该实施例的步骤S31。
其中,第一特征参数包括以下至少一者:目标距离、最高高度、最低高度、高度差、高低帧差、多普勒频差、高度拟合度。
在一些实施方式中,姿态判断条件可以包括以下至少一者:最低高度小于第三高度阈值HeightLowTh3、高度差大于第三高度差阈值HeightDiff Th3、高低帧差小于第三帧差阈值FrameDiffTh3、多普勒频差大于第三频差阈值DoppleDiffTh3、高度拟合度小于第三拟合度阈值FitDegreeTh3。对应的每个比较阈值可以根据具体的应用场景设置对应的具体数值,本申请对此不做限制。
其中,最低高度、高低帧差、多普勒频差对应的比较阈值(HeightLowTh3、FrameDiffTh3、FitDegreeTh3)相比第一姿态条件中的比较阈值更大,高度差、多普勒频差对应的比较阈值(HeightDiffTh3,DoppleDiffTh3)相比第一姿态条件中的比较阈值更小。相比较而言,姿态判断条件的整体检测门限值更加宽泛。而姿态判断条件与第二姿态条件相比,第二姿态条件的整体检测门限值更加宽泛。
其中,姿态判断条件的具体判断及确定方式可以参考上述第一姿态条件,本申请在此不在赘述。
在一些实施方式中,响应于第一特征参数不满足第一姿态条件,且第一特征参数满足姿态判决条件,则执行下述步骤S32。
在一些实施方式中,响应于所述第一特征参数不满足所述第一姿态条件,且所述第一特征参数不满足姿态判决条件,则执行下述步骤S33。
S32:利用第二点云数据的第二特征参数,对目标对象的姿态进行识别。
响应于第一特征参数不满足第一姿态条件,且第一特征参数满足姿态判决条件,则获取在第二时间段内对目标对象检测得到的第二点云数据,执行利用第二点云数据的第二特征参数,对目标对象的姿态进行识别的步骤。
该步骤的具体实施过程可以参考上述步骤S22的具体实施过程,本申请在此不做赘述。
S33:确定目标对象的姿态为非跌倒行为。
响应于第一特征参数不满足第一姿态条件,且第一特征参数不满足姿态判决条件,则确定目标对象的姿态为非跌倒行为。
上述方式,在第一时间段的第一特征参数满足第一姿态条件的情况下,确认目标对象的姿态为第第一跌倒行为,在第一特征参数不满足第一姿态条件的情况下,继续判断第一特征参数是否满足姿态判断条件,在第一特征参数不满足第一姿态条件,且第一特征参数不满足姿态判决条件的情况下,才确定目标对象的姿态为非跌倒行为,可以避免对跌倒行为的漏检,另外,在第一特征参数不满足第一姿态条件,且第一特征参数满足姿态判决条件的情况下,目标对象可能会发生缓慢跌倒的情况,进一步地获取在第二时间段内对目标对象检测得到的第二点云数据,执行利用第二点云数据的第二特征参数,对目标对象的姿态进行识别的步骤,以进一步地确定目标对象是否发生跌倒行为,可以在整体上提高对目标姿态检测的准确度。
请参阅图10,图10是本申请目标姿态检测方法第四实施例的流程示意图。该方法可以包括以下步骤:
S41:获取在第一时间段内对目标对象检测得到的第一点云数据。
S42:判断第一点云数据的第一特征参数是否满足第一姿态条件。
其中,第一姿态条件包括以下至少一者:最低高度小于第一高度阈值HeightLowTh1、高度差大于第一高度差阈值HeightDiff Th1、高低帧差小于第一帧差阈值FrameDiffTh1、多普勒频差大于第一频差阈值DoppleDiffTh1、高度拟合度小于第一拟合度阈值FitDegreeTh1。
作为一种示例,HeightLowTh1为0.5,HeightDiff Th1为0.8,FrameDiffTh1为30帧,DoppleDiffTh1为1.5,FitDegreeTh1为10。
可以理解的是,上述的示例的相关阈值可以根据具体的目标对象而确定,可以为经验值或对模型进行训练得到的值,本申请对此不做限制。
在一些实施方式中,响应于第一特征参数满足第一姿态条件,执行下述步骤S43。
在一些实施方式中,响应于第一特征参数不满足第一姿态条件,执行下述步骤S44。
S43:确定目标对象的姿态为第一跌倒行为。
其中,属于第一跌倒行为的目标对象的跌倒速度大于属于第二跌倒行为的目标对象的跌倒速度。
在一些实施方式中,响应于第一特征参数满足第一姿态条件,确定目标对象的姿态为第一跌倒行为。
S44:判断第一点云数据的第一特征参数是否满足姿态判决条件。
其中,姿态判断条件可以包括以下至少一者:最低高度小于第三高度阈值HeightLowTh3、高度差大于第三高度差阈值HeightDiff Th3、高低帧差小于第三帧差阈值FrameDiffTh3、多普勒频差大于第三频差阈值DoppleDiffTh3、高度拟合度小于第三拟合度阈值FitDegreeTh3。
在一些实施方式中,响应于第一特征参数不满足第一姿态条件,且第一特征参数不满足姿态判决条件,执行下述步骤S45。
在一些实施方式中,响应于第一特征参数不满足第一姿态条件,且第一特征参数满足姿态判决条件,执行下述步骤S46。
S45:确定目标对象的姿态为非跌倒行为。
在一些实施方式中,响应于第一特征参数不满足第一姿态条件,且第一特征参数不满足姿态判决条件,确定目标对象的姿态为非跌倒行为。
在一些实施方式中,响应于第二特征参数不满足第二姿态条件,确定目标对象的姿态为非跌倒行为。
S46:获取在第二时间段内对目标对象检测得到的第二点云数据。
响应于第一特征参数不满足第一姿态条件,且第一特征参数满足姿态判决条件,则继续对目标对象进行检测采集点云数据,获取在第二时间段内对目标对象检测得到的第二点云数据。
该步骤S46的执行顺序可以在步骤S41之后执行,或者,可以在步骤S42中响应于第一特征参数不满足第一姿态条件之后执行,或者,与步骤S42同时执行,或者在步骤S44响应于第一特征参数不满足第一姿态条件,且第一特征参数满足姿态判决条件之后执行等。本申请对步骤S46的执行顺序不做限制。
S47:判断第二特征参数是否满足第二姿态条件。
其中,第二姿态条件包括以下至少一者:最低高度小于第二高度阈值HeightLowTh2、高度差大于第二高度差阈值HeightDiff Th2、高低帧差小于第二帧差阈值FrameDiffTh2、多普勒频差大于第二频差阈值DoppleDiffTh2、高度拟合度小于第二拟合度阈值FitDegreeTh2、最高帧间隔小于预设帧间隔阈值FdiffTh1。
可以理解的是,上述的相关阈值可以根据具体的目标对象而确定,可以为经验值或对模型进行训练得到的值,本申请对此不做限制。
在一些实施方式中,响应于第二特征参数满足第二姿态条件,执行下述步骤S48。
在一些实施方式中,响应于第二特征参数不满足第二姿态条件,执行步骤S45,确定目标对象的姿态为非跌倒行为。
在一些实施方式中,响应于第二特征参数不满足第二姿态条件,执行下述步骤S49。
S48:确定目标对象的姿态为第二跌倒行为。
响应于第二特征参数满足第二姿态条件,确定目标对象的姿态为第二跌倒行为。
S49:利用第三点云数据的第三特征参数,对目标对象的姿态进行识别。
响应于第二特征参数不满足第二姿态条件,利用第三点云数据的第三特征参数,对目标对象的姿态进行识别,其中,第三点云数据是在第三时间段内对目标对象检测得到的,第三时间段为第二时间段之后的时间段。
该实施例的具体实施方式可参考上述实施例的实施过程,在此不再赘述。
在一些实施例中,上述实施例中所述的第一姿态条件、姿态判决条件、第二姿态条件中至少一者的具体比较阈值可以预先根据标定的样本分类训练得到,分类训练方法可以参考现有技术中对分类模型的训练方法,本申请对此不做限制。
对于上述实施例,本申请提供一种目标姿态检测装置,用于实现上述任一实施例的目标姿态检测方法。
请参阅图11,图11是本申请目标姿态检测装置一实施例的结构示意图。该目标姿态检测装置50包括采集模块51、判断模块52和识别模块53。其中,采集模块51、判断模块52和识别模块53之间相互连接。
采集模块51用于获取在第一时间段内对目标对象检测得到的第一点云数据。
判断模块52用于判断第一点云数据的第一特征参数是否满足第一姿态条件。
识别模块53用于响应于第一特征参数不满足第一姿态条件,利用第二点云数据的第二特征参数,对目标对象的姿态进行识别,其中,第二点云数据为在第二时间段内对目标对象检测得到的,第二时间段为第一时间段之后的时间段。
该实施例的具体实施方式可参考上述实施例的实施过程,在此不再赘述。
对于上述实施例,本申请提供一种计算机设备,请参阅图12,图12是本申请计算机设备一实施例的结构示意图。该计算机设备60包括存储器61和处理器62,其中,存储器61和处理器62相互耦接,存储器61中存储有程序数据,处理器62用于执行程序数据以实现上述目标姿态检测方法任一实施例的步骤。
在本实施例中,处理器62还可以称为CPU(Central Processing Unit,中央处理单元)。处理器62可能是一种集成电路芯片,具有信号的处理能力。处理器62还可以是通用处理器、数字信号处理器(DSP)、专用集成电路(ASIC)、现场可编程门阵列(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。通用处理器可以是微处理器或者该处理器62也可以是任何常规的处理器等。
对于上述实施例的方法,其可以采用计算机程序的形式实现,因而本申请提出一种计算机可读存储介质,请参阅图13,图13是本申请计算机可读存储介质一实施例的结构示意图。该计算机可读存储介质70中存储有能够被处理器运行的程序数据71,程序数据71可被处理器执行以实现上述目标姿态检测方法任一实施例的步骤。
本实施例计算机可读存储介质70可以是U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等可以存储程序数据71的介质,或者也可以为存储有该程序数据71的服务器,该服务器可将存储的程序数据71发送给其他设备运行,或者也可以自运行该存储的程序数据71。
在本申请所提供的几个实施例中,应该理解的,所揭露的方法和装置,可以通过其它的方式实现。例如,以上所描述的装置实施方式仅仅是示意性的,例如,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信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性、机械或其它的形式。
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方式方案的目的。
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。
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,该计算机可读存储介质是一种计算机可读取存储介质。基于这样的理解,本申请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电子设备(可以是个人计算机,服务器,或者网络设备等)或处理器(processor)执行本申请各个实施方式方法的全部或部分步骤。
显然,本领域的技术人员应该明白,上述的本申请的各模块或各步骤可以用通用的计算装置来实现,它们可以集中在单个的计算装置上,或者分布在多个计算装置所组成的网络上,可选地,它们可以用计算装置可执行的程序代码来实现,从而,可以将它们存储在计算机可读存储介质中由计算装置来执行,或者将它们分别制作成各个集成电路模块,或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样,本申请不限制于任何特定的硬件和软件结合。
以上所述仅为本申请的实施例,并非因此限制本申请的专利范围,凡是利用本申请说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本申请的专利保护范围内。
Claims (8)
1.一种目标姿态检测方法,其特征在于,所述方法包括:
获取在第一时间段内对目标对象检测得到的第一点云数据;
判断所述第一点云数据的第一特征参数是否满足第一姿态条件;
响应于所述第一特征参数满足所述第一姿态条件,确定所述目标对象的姿态为第一跌倒行为;或者,
响应于所述第一特征参数不满足所述第一姿态条件,且所述第一特征参数满足姿态判决条件,则判断第二点云数据的第二特征参数是否满足第二姿态条件;
响应于所述第二特征参数满足所述第二姿态条件,确定所述目标对象的姿态为第二跌倒行为;
其中,所述第二点云数据为在第二时间段内对目标对象检测得到的,所述第二时间段为所述第一时间段之后的时间段;属于所述第一跌倒行为的目标对象的跌倒速度大于属于第二跌倒行为的目标对象的跌倒速度。
2.根据权利要求1所述的方法,其特征在于,所述判断所述第二特征参数是否满足第二姿态条件之后,还包括:
响应于所述第二特征参数不满足所述第二姿态条件,确定所述目标对象的姿态为非跌倒行为;或者,
响应于所述第二特征参数不满足所述第二姿态条件,利用第三点云数据的第三特征参数,对所述目标对象的姿态进行识别,其中,所述第三点云数据是在第三时间段内对目标对象检测得到的,所述第三时间段为所述第二时间段之后的时间段。
3.根据权利要求1所述的方法,其特征在于,所述判断所述第一点云数据的第一特征参数是否满足第一姿态条件之后,还包括:
响应于所述第一特征参数不满足所述第一姿态条件,且所述第一特征参数不满足姿态判决条件,确定所述目标对象的姿态为非跌倒行为。
4.根据权利要求1所述的方法,其特征在于,所述方法还包括:
利用目标时间段内第一数量帧的目标点云数据,得到第一数量帧的统计信息;其中,所述统计信息包括高度信息、多普勒速度中的至少一者,所述目标时间段为所述第一时间段或第二时间段或第三时间段,所述目标点云数据为所述第一点云数据或第二点云数据或第三点云数据;
对所述第一数量帧的统计信息进行特征提取,得到所述目标点云数据的目标特征参数;其中,所述目标特征参数为所述第一特征参数或第二特征参数或第三特征参数;所述目标特征参数包括以下至少一者:最高高度、最低高度、高度差、高低帧差、多普勒频差、高度拟合度。
5.根据权利要求4所述的方法,其特征在于,所述统计信息包括高度信息,所述目标特征参数包括高度拟合度;所述对所述第一数量帧的统计信息进行特征提取,得到所述目标点云数据的目标特征参数,包括:
对预设帧的高度信息进行直线拟合,得到拟合直线;其中,所述预设帧包含最高高度、最低高度所在的帧;
分别获取第二数量帧的高度信息与对应所述拟合直线的拟合高度之间的拟合差值,将所述第二数量帧的拟合差值的总和作为高度拟合度;其中,所述第二数量帧包括所述预设帧的最高高度、最低高度所在的帧之间包含的帧。
6.根据权利要求1所述的方法,其特征在于,所述第一特征参数包括第一最高高度,所述第二特征参数包括第二最高高度;所述方法还包括:
获取所述第一最高高度和所述第二最高高度之间的最高帧间隔;
判断所述最高帧间隔是否大于预设帧间隔阈值;
响应于所述最高帧间隔大于所述预设帧间隔阈值,确定所述目标对象的姿态为非跌倒行为。
7.一种计算机设备,其特征在于,包括相互耦接的存储器和处理器,所述存储器中存储有程序数据,所述处理器用于执行所述程序数据以实现权利要求1至6任一项所述方法的步骤。
8.一种计算机可读存储介质,其特征在于,存储有能够被处理器运行的程序数据,所述程序数据用于实现权利要求1至6任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311447421.4A CN117173793B (zh) | 2023-11-02 | 2023-11-02 | 目标姿态检测方法、计算机设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311447421.4A CN117173793B (zh) | 2023-11-02 | 2023-11-02 | 目标姿态检测方法、计算机设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117173793A CN117173793A (zh) | 2023-12-05 |
CN117173793B true CN117173793B (zh) | 2024-03-01 |
Family
ID=88930200
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311447421.4A Active CN117173793B (zh) | 2023-11-02 | 2023-11-02 | 目标姿态检测方法、计算机设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117173793B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101860062B1 (ko) * | 2017-01-06 | 2018-05-23 | 한국과학기술원 | 낙상 감지 시스템 및 방법 |
CN111754571A (zh) * | 2019-03-28 | 2020-10-09 | 北京沃东天骏信息技术有限公司 | 一种姿态识别方法、装置及其存储介质 |
CN112386248A (zh) * | 2019-08-13 | 2021-02-23 | 中国移动通信有限公司研究院 | 人体跌倒的检测方法、装置、设备及计算机可读存储介质 |
CN112488019A (zh) * | 2020-12-07 | 2021-03-12 | 新疆爱华盈通信息技术有限公司 | 基于姿态识别的跌倒检测方法、装置、电子设备及存储介质 |
CN112949552A (zh) * | 2021-03-22 | 2021-06-11 | 浙江大华技术股份有限公司 | 一种跌倒检测处理方法及装置 |
CN113793476A (zh) * | 2021-09-10 | 2021-12-14 | 上海赐创信息技术有限公司 | 一种老人跌倒检测方法 |
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 |
CN115089135A (zh) * | 2022-04-25 | 2022-09-23 | 无锡博奥玛雅医学科技有限公司 | 一种基于毫米波雷达老人健康状态检测方法及系统 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR102647351B1 (ko) * | 2017-01-26 | 2024-03-13 | 삼성전자주식회사 | 3차원의 포인트 클라우드를 이용한 모델링 방법 및 모델링 장치 |
JP6831769B2 (ja) * | 2017-11-13 | 2021-02-17 | 株式会社日立製作所 | 画像検索装置、画像検索方法、及び、それに用いる設定画面 |
WO2021130690A1 (en) * | 2019-12-23 | 2021-07-01 | Vayyar Imaging Ltd. | Fall detection systems and methods |
-
2023
- 2023-11-02 CN CN202311447421.4A patent/CN117173793B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101860062B1 (ko) * | 2017-01-06 | 2018-05-23 | 한국과학기술원 | 낙상 감지 시스템 및 방법 |
CN111754571A (zh) * | 2019-03-28 | 2020-10-09 | 北京沃东天骏信息技术有限公司 | 一种姿态识别方法、装置及其存储介质 |
CN112386248A (zh) * | 2019-08-13 | 2021-02-23 | 中国移动通信有限公司研究院 | 人体跌倒的检测方法、装置、设备及计算机可读存储介质 |
CN112488019A (zh) * | 2020-12-07 | 2021-03-12 | 新疆爱华盈通信息技术有限公司 | 基于姿态识别的跌倒检测方法、装置、电子设备及存储介质 |
CN112949552A (zh) * | 2021-03-22 | 2021-06-11 | 浙江大华技术股份有限公司 | 一种跌倒检测处理方法及装置 |
CN113793476A (zh) * | 2021-09-10 | 2021-12-14 | 上海赐创信息技术有限公司 | 一种老人跌倒检测方法 |
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 |
CN115089135A (zh) * | 2022-04-25 | 2022-09-23 | 无锡博奥玛雅医学科技有限公司 | 一种基于毫米波雷达老人健康状态检测方法及系统 |
Non-Patent Citations (3)
Title |
---|
Shiba, K.Fall Detection Utilizing Frequency Distribution Trajectory by Microwave Doppler Sensor.《IEEE SENSORS JOURNAL》.2017,第17卷(第22期),7561-7568. * |
徐涛 ; 孙威 ; 色海锋 ; 卢少微 ; 王晓强 ; 马克明 ; .老人跌倒姿态实时识别系统设计.传感器与微系统.2020,(03),100-103. * |
王忠民.一种基于时序分析异常数据的跌倒行为监测方法.《计算机应用研究》.2018,第35卷(第3期),839-843. * |
Also Published As
Publication number | Publication date |
---|---|
CN117173793A (zh) | 2023-12-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110458061B (zh) | 一种识别老年人跌倒的方法及陪伴机器人 | |
JP6969611B2 (ja) | 情報処理システム、制御方法、及びプログラム | |
US11789545B2 (en) | Information processing device and method, program and recording medium for identifying a gesture of a person from captured image data | |
JP5287333B2 (ja) | 年令推定装置 | |
JP5848551B2 (ja) | 学習装置、学習装置の制御方法、検出装置、検出装置の制御方法、およびプログラム | |
WO2018059125A1 (zh) | 一种基于毫米波图像的人体异物检测方法及系统 | |
CN111488850B (zh) | 一种基于神经网络的老年人跌倒检测方法 | |
CN113963192A (zh) | 跌倒检测方法、装置和电子设备 | |
CN111325204A (zh) | 目标检测方法、装置、电子设备以及存储介质 | |
CN111275040A (zh) | 定位方法及装置、电子设备、计算机可读存储介质 | |
CN110674680A (zh) | 活体识别的方法、装置、存储介质 | |
CN114255468A (zh) | 一种笔迹识别方法及其相关设备 | |
Liu et al. | Human body fall detection based on the Kinect sensor | |
CN103577804A (zh) | 基于sift流和隐条件随机场的人群异常行为识别方法 | |
CN117173793B (zh) | 目标姿态检测方法、计算机设备及存储介质 | |
CN111507361A (zh) | 基于微波雷达的动作识别装置、方法及系统 | |
CN104463912A (zh) | 一种基于簇相似的多尺度目标跟踪方法 | |
JP2019005512A (ja) | 特定行動検知プログラム、特定行動検知方法及び特定行動検知システム | |
Chen et al. | An indoor video surveillance system with intelligent fall detection capability | |
CN107103267A (zh) | 一种基于视频的打架斗殴行为检测方法、装置 | |
CN110488279B (zh) | 一种基于雷达的行人与树木区分方法与装置 | |
KR101556696B1 (ko) | 단위 동작에 따른 사람의 행동 인식 방법 및 시스템 | |
CN108171149B (zh) | 一种人脸识别方法、装置、设备及可读存储介质 | |
Pipanmaekaporn et al. | Mining Acceleration Data for Smartphone-based Fall Detection | |
CN112183446B (zh) | 一种基于独立成分分析的室内实时摔倒检测方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |