CN117576780A - 一种基于人体关键点规则的摔倒检测方法及系统 - Google Patents
一种基于人体关键点规则的摔倒检测方法及系统 Download PDFInfo
- Publication number
- CN117576780A CN117576780A CN202311633969.8A CN202311633969A CN117576780A CN 117576780 A CN117576780 A CN 117576780A CN 202311633969 A CN202311633969 A CN 202311633969A CN 117576780 A CN117576780 A CN 117576780A
- Authority
- CN
- China
- Prior art keywords
- pedestrian
- key point
- fall
- detection
- pedestrian 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
- 238000000034 method Methods 0.000 title claims abstract description 41
- 238000001514 detection method Methods 0.000 claims abstract description 110
- 210000003127 knee Anatomy 0.000 claims description 33
- 210000003423 ankle Anatomy 0.000 claims description 10
- 210000002683 foot Anatomy 0.000 claims description 9
- 238000004458 analytical method Methods 0.000 claims description 3
- 239000013598 vector Substances 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 210000000707 wrist Anatomy 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 230000036544 posture Effects 0.000 description 2
- 210000002832 shoulder Anatomy 0.000 description 2
- 208000027418 Wounds and injury Diseases 0.000 description 1
- 210000000617 arm Anatomy 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000005452 bending Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 210000001217 buttock Anatomy 0.000 description 1
- 230000006378 damage Effects 0.000 description 1
- 230000006735 deficit Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 210000003128 head Anatomy 0.000 description 1
- 210000001624 hip Anatomy 0.000 description 1
- 208000014674 injury Diseases 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000007500 overflow downdraw method Methods 0.000 description 1
- 238000011897 real-time detection Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/20—Movements or behaviour, e.g. gesture recognition
- G06V40/23—Recognition of whole body movements, e.g. for sport training
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/04—Inference or reasoning models
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/07—Target detection
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Social Psychology (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Psychiatry (AREA)
- General Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Human Computer Interaction (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及技术领域,尤其是涉及一种基于人体关键点规则的摔倒检测方法及系统。方法包括:利用网络摄像头获取待处理图片;利用已训练的行人检测模型检测待处理图片,得到行人目标检测框;利用目标跟踪算法对行人目标检测进行跟踪,获取每个行人目标的唯一标识ID;本发明提出了一种基于人体关键点规则的摔倒检测方法。该方法通过对人体关键点的位置和连接关系进行分析,可以准确地捕捉人体的姿态和运动信息,从而实现对摔倒动作的准确判断,降低误报和漏报的概率。
Description
技术领域
本发明涉及技术领域,尤其是涉及一种基于人体关键点规则的摔倒检测方法及系统。
背景技术
由于年龄、健康状况或身体残疾等原因,老年人和行动不便者等人群更容易在日常生活中发生摔倒事件,给他们的生活带来巨大的安全隐患。摔倒事故不仅对个体造成伤害,也给家庭和社会带来沉重的负担。因此,一种可靠、高效的摔倒检测方法,可及时发现并预防摔倒事件的发生,具有重要的现实意义。
现有的摔倒检测方法主要有三种:基于可穿戴设备的摔倒检测方法,基于环境传感器的摔倒检测方法,基于计算机视觉的摔倒检测方法。
基于可穿戴设备的摔倒检测方法:该方法通过让目标用户佩戴特定的传感器设备,通过传感器采集的数据来实时监测用户的姿态和运动状态,从而判断是否发生了摔倒事件。常见的基于可穿戴设备的摔倒检测方法有加速度计方法、陀螺仪与加速度计融合方法、心率检测方法等。一些可穿戴设备可能在长时间佩戴后给用户带来不适,例如过重或不透气的传感器。部分用户可能因为舒适度问题而不愿意持续佩戴,导致监测的连续性受影响。
基于环境传感器的摔倒检测方法:该方法通过在目标场所预先布置一组环境传感器,如压力传感器、声音传感器、红外传感器等,来监测目标用户的活动和姿态,从而实时判断是否发生了摔倒事件。常见的基于环境传感器的摔倒检测方法有压力传感器方法、声音传感器方法、红外传感器方法等。实现环境传感器的摔倒检测方法需要预先在目标场所布置一组传感器网络,涉及到硬件的购买、安装和维护,增加了部署成本和工作量。不同的场所和环境可能需要不同的传感器组合和布置方式,适用性受到场所布局和环境条件的限制,可能不适用于所有场景。
基于计算机视觉的摔倒检测方法:该方法主要是利用摄像头采集目标区域的图像或视频,通过图像处理和深度学习算法对图像序列进行分析,来实现摔倒检测。尽管基于计算机视觉的摔倒检测方法在实现摔倒检测方面取得了显著进展,但仍然存在一些不足之处。现有的一种基于图像增强算法和人体关键点定位的高效行人摔倒检测方法(CN111783702 A),该方法中使用关键点规则判断是否摔倒,它的判定条件为脖子于两臀中心坐标的夹角、脖子与两膝中心的夹角、脖子与两脚中心的夹角,任意两个夹角小于预设的阈值时,则认为摔倒。在实际应用场景中,人物姿态丰富,该判断条件对于弯腰或下蹲过程中出现的关键点状态,很容易产生误报。一些现有方法可能依赖于复杂的卷积神经网络或循环神经网络,导致较高的计算复杂度,这可能限制了检测结果的实时性。一些基于计算机视觉的方法可能需要对视频进行较长时间的处理和分析,从而导致检测结果的实时性难以满足某些紧急场景下的需求。
发明内容
为了解决上述提到的问题,本发明提供一种基于人体关键点规则的摔倒检测方法及系统。
第一方面,本发明提供的一种基于人体关键点规则的摔倒检测方法,采用如下的技术方案:
一种基于人体关键点规则的摔倒检测方法,包括:
利用网络摄像头获取待处理图片;
利用已训练的行人检测模型检测待处理图片,得到行人目标检测框;
利用目标跟踪算法对行人目标检测进行跟踪,获取每个行人目标的唯一标识ID;
利用已训练的关键点检测模型对图片中所有行人目标检测框的区域进行推理,获取每个行人目标的关键点坐标;
利用关键点坐标与行人目标检测框构建摔倒检测规则,初步判断行人是否疑似摔倒;
采用滑动窗口对行人目标检测框持续进行多帧判断,确认是否发生摔倒行为。
进一步地,所述利用已训练的关键点检测模型对图片中所有行人目标区域进行推理,获取每个行人目标的关键点坐标,包括采用轻量级关键点检测模型,模型输入是待处理图片和行人检测框,输出每个行人目标的17个关键点。
进一步地,所述利用关键点坐标与行人目标检测框构建摔倒检测规则,初步判断行人是否疑似摔倒,包括计算行人目标的肩与脚的位置关系,若肩位于脚的下方,且肩与脚的关键点置信度大于预设的阈值,则初步判定为摔倒。
进一步地,所述利用关键点坐标与行人目标检测框构建摔倒检测规则,初步判断行人是否疑似摔倒,还包括计算行人目标肩与膝盖的位置关系,若膝盖在肩的上方,且肩与膝盖的关键点置信度大于预设的阈值,则初步判定为摔倒。
进一步地,所述利用关键点坐标与行人目标检测框构建摔倒检测规则,初步判断行人是否疑似摔倒,还包括初步判定为摔倒后,判断关键点坐标的最小外接矩形的宽高比是否大于预设的阈值,若否,则认为未摔倒;若是,则继续利用肩、髋部、膝盖的角度规则判定是否摔倒。
进一步地,所述利用肩、髋部、膝盖的角度规则判定是否摔倒,包括若膝盖、髋部与地面的角度满足预设的规则,且膝盖、髋部的关键点置信度大于预设的阈值,则初步判定为摔倒;若肩、髋部、膝盖的角度满足预设的规则或髋部、膝盖、脚踝的角度满足预设的规则,则初步判定为摔倒。
进一步地,所述采用滑动窗口对行人目标检测框持续进行多帧的判断,确认是否发生摔倒行为,包括利用滑动窗口依据行人目标的唯一标识ID,对待处理图像进行持续判断,通过连续帧分析计算疑似摔倒的次数,当疑似摔倒的次数大于预设阈值,则判断行人目标发生摔倒事件。
第二方面,一种基于人体关键点规则的摔倒检测系统,包括:
数据获取模块,被配置为,获取医学图像;利用网络摄像头获取待处理图片;
检测模块,被配置为,利用已训练的行人检测模型检测待处理图片,得到行人目标检测框;利用目标跟踪算法对行人目标检测进行跟踪,获取每个行人目标的唯一标识ID;
推理模块,被配置为,利用已训练的关键点检测模型对图片中所有行人目标检测框的区域进行推理,获取每个行人目标的关键点坐标;
判断模块,被配置为,利用关键点坐标与行人目标检测框构建摔倒检测规则,初步判断行人是否疑似摔倒;采用滑动窗口对行人目标检测框持续进行多帧判断,确认是否发生摔倒行为。
第三方面,本发明提供一种计算机可读存储介质,其中存储有多条指令,所述指令适于由终端设备的处理器加载并执行所述的一种基于人体关键点规则的摔倒检测方法。
第四方面,本发明提供一种终端设备,包括处理器和计算机可读存储介质,处理器用于实现各指令;计算机可读存储介质用于存储多条指令,所述指令适于由处理器加载并执行所述的一种基于人体关键点规则的摔倒检测方法。
综上所述,本发明具有如下的有益技术效果:
本发明提出了一种基于人体关键点规则的摔倒检测方法。该方法通过对人体关键点的位置和连接关系进行分析,可以准确地捕捉人体的姿态和运动信息,从而实现对摔倒动作的准确判断,降低误报和漏报的概率。同时利用滑动窗口策略,对连续多帧图像进行持续判断,进一步减少误判的可能性。相较于其他基于深度学习的复杂算法,该方法的计算复杂度相对较低,能够在资源受限的设备上运行,并且不需要大量的计算资源,适用于嵌入式或边缘计算平台。
附图说明
图1是本发明实施例1的骨骼关键点对应位置的示意图;
图2是本发明实施例1的摔倒检测方法的流程示意图;
图3是本发明实施例1的摔倒规则判定的流程示意图;
图4是本发明实施例1的滑动窗口判定的流程示意图。
具体实施方式
以下结合附图对本发明作进一步详细说明。
实施例1
参照图1,本实施例涉及到的对待处理图像进行行人检测,在行人检测中,目标即为行人,系统需要自动识别图像中所有行人的位置并用边界框标出。目标检测不仅需要准确识别行人的类别,还需要对每个行人目标进行定位,以得到其精确的位置信息。在本申请中涉及的关键点检测是指对图像中人体的关键点进行识别和定位。关键点是人体姿态中的重要节点,通常包括头部、肩膀、手臂、手腕、膝盖、脚踝等关节和身体部位。通过检测和定位这些关键点,可以对人体的姿态和动作进行准确分析和判断。
如图2所示,一种基于人体关键点规则的摔倒检测方法,具体步骤为:
S1.从网络摄像头获取待处理图片。
S2.利用行人检测模型推理待处理图片,获取行人目标框位置。实时目标检测网络模型采用轻量级目标检测网络模型,使用COCO数据集的行人数据对其训练。推理时输入为待处理图片,输出为图像中每个人体目标边界框的坐标信息以及该目标是行人的概率;
S3.利用目标跟踪算法对行人目标进行跟踪,获取每个行人的唯一标识ID;
S4.利用关键点检测模型对图片中所有行人区域进行推理,获取每个行人的关键点坐标。关键点检测网络输入为待处理图片和行人检测框,输出为每个行人的17个关键点。
S5.利用关键点与行人检测框构建摔倒检测规则,初步判断行人是否疑似摔倒;
S6.采用滑动窗口持续进行多帧的判断,确认是否发生摔倒行为。
作为进一步地实施方式,
S2中,利用行人检测模型推理待处理图片,获取行人目标框位置,具体步骤是:
记行人检测模型为Fdetect,待处理图片为img,则行人目标框的计算方式通过模型输出获得。(x1,y1,x2,y2,c,p)i=Fdetect(img)。其中,x1,y1为目标框左上角坐标,x2,y2为目标框右下角坐标。
作为进一步地实施方式,
S3中,利用目标跟踪算法对行人目标进行跟踪,获取每个行人的唯一标识ID,具体步骤是:
记行人跟踪模型为Ftrack,得到当前时刻每个行人的唯一标识IDt,该唯一标识由行人跟踪模型获得,其中,为t-1时刻,第i个目标框的坐标。/>为t时刻每个目标框的坐标,IDt-1为t-1时刻每个行人的唯一标识。
作为进一步地实施方式,
S4中,利用关键点检测模型对图片中所有行人区域进行推理,获取每个行人的关键点坐标。
采用轻量级关键点检测模型,网络输入是待处理图片和行人检测框,输出每个行人的17个关键点。模型输出关键点顺序与人体对应的位置如下:0-鼻子,1-左眼睛,2-右眼睛,3-左耳朵,4-右耳朵,5-左肩,6-右肩,7-左肘,8-右肘,9-左手腕,10-右手腕,11-左髋部,12-右髋部,13-左膝盖,14-右膝盖,15-左脚踝,16-右脚踝。
作为进一步地实施方式,
如图3所示,S5中摔倒规则判定方法,具体步骤为:
(1)定义17个关键点坐标为p0~p16,其中每个点表示为(x,y),x是点在水平方向的坐标,y是点在竖直方向的坐标。肩两点表示为p_shoulders=(p5,p6),髋部两点表示为p_hips=(p11,p12),膝盖两点表示为p_knees=(p13,p14),脚踝两点表示为p_foot=(p15,p16)。肩、髋部、膝盖、脚踝两点的中心点分别表示为c_shoulders、c_hips,c_knees,c_foot。
(2)通过肩与脚的位置关系判断。若肩的纵坐标最小值min(p_shoulders[0].y,p_shoulders[1].y)不低于脚的中心点的纵坐标c_foot.y,且p_shoulders、p_foot关键点置信度大于预设的阈值,则疑似摔倒。
(3)通过肩与膝盖的位置关系判断。若肩的纵坐标最大值max(p_shoulders[0].y,p_shoulders[1].y)大于膝盖纵坐标的最小值min(p_knees[0].y,p_knees[1].y),且p_shoulders、p_knees关键点置信度大于预设的阈值,则疑似摔倒。
(4)计算关键点最小外接矩形的宽高比。p0~p16在x方向的距离是xmax-xmin,在y方向的距离是ymax-ymin,若(xmax-xmin)/(ymax-ymin)不大于指定的比例阈值,则判定为未摔倒,不再进行后续判定。
(5)通过两膝与髋部中心点的连线与地面的夹角判断。
首先假定有两点p1=(x1,y1),p2=(x2,y2),那么两点连接线与地面的角度计算公式为:
此处左膝与髋部的两点是(c_hips,p13),与地面夹角表示为θ1;右膝与髋部的两点是(c_hips,p14),与地面夹角表示为θ2,若min(θ1,θ2)<th1或max(θ1,θ2)<th2,且p_knees、p_hips关键点置信度大于预设的阈值,则疑似摔倒。
(6)通过肩、髋部、膝盖夹角,髋部、膝盖、脚踝夹角判断。
首先假定有四点p1=(x1,y1),p2=(x2,y2),p3=(x3,y3),p4=(x4,y4),其中,p1p2组成的向量为v1=(x2-x1,y2-y1),p3p4组成的向量为v2=(x4-x3,y4-y3)。v1v2的夹角计算公式为:
此处,
v1=(c_shoulder.x-c_hips.x,c_shoulders.y-c_hips.y)
v2=(c_knees.x-c_hips.x,c_knees.y-c_hips.y)
v3=(c_hips.x-c_knees.x,c_hips.y-c_knees.y)
v4=(c_foot.x-c_knees.x,c_foot.y-c_knees.y)
v1v2两个向量的夹角表示为θ3,v3v4两个向量的夹角表示为θ4。若θ3>th3或θ4<th4,且p_shoulders、p_knees、p_hips、p_foot关键点置信度大于预设的阈值,则疑似摔倒。
(7)疑似摔倒的二次判定。在(5)、(6)判定为疑似摔倒后,再判断以下条件是否满足。
膝盖与脚踝的两点是(c_knees,c_foot),与地面夹角表示为θ5。若θ1<th5或θ2<th5或θ1>th6或θ2>th6,且θ5>th7或θ6>th8,则判定为未摔倒。
其中,th1~th8为经验设定的阈值参数。
(8)将(2)、(3)、(7)产生的疑似摔倒目标,输出为初步判定的摔倒目标。
作为进一步地实施方式,
如图4所示,S6滑动窗口判定方法,具体步骤为:
(1)定义历史摔倒目标队列,用于存储滑动窗口内产生的所有初步判定为摔倒的目标;
(2)处理当前图片产生的初步判定结果。根据目标ID检查是否存在于历史摔倒目标队列中,若不存在,则将该目标加入,更新历史队列;若存在,将该目标的摔倒置信度加1;
(3)判断历史目标中是否存在摔倒置信度达到设定阈值的目标,若存在则产生摔倒告警;
(4)对于历史目标队列中未被跟踪的ID,将其离开时间加1,若离开时间达到设定的阈值,则移除该目标。
实施例2
本实施例提供一种基于人体关键点规则的摔倒检测系统,包括:
数据获取模块,被配置为,获取医学图像;利用网络摄像头获取待处理图片;
检测模块,被配置为,利用已训练的行人检测模型检测待处理图片,得到行人目标检测框;利用目标跟踪算法对行人目标检测进行跟踪,获取每个行人目标的唯一标识ID;
推理模块,被配置为,利用已训练的关键点检测模型对图片中所有行人目标检测框的区域进行推理,获取每个行人目标的关键点坐标;
判断模块,被配置为,利用关键点坐标与行人目标检测框构建摔倒检测规则,初步判断行人是否疑似摔倒;采用滑动窗口对行人目标检测框持续进行多帧判断,确认是否发生摔倒行为。
一种计算机可读存储介质,其中存储有多条指令,所述指令适于由终端设备的处理器加载并执行所述的一种基于人体关键点规则的摔倒检测方法。
一种终端设备,包括处理器和计算机可读存储介质,处理器用于实现各指令;计算机可读存储介质用于存储多条指令,所述指令适于由处理器加载并执行所述的一种基于人体关键点规则的摔倒检测方法。
以上均为本发明的较佳实施例,并非依此限制本发明的保护范围,故:凡依本发明的结构、形状、原理所做的等效变化,均应涵盖于本发明的保护范围之内。
Claims (10)
1.一种基于人体关键点规则的摔倒检测方法,其特征在于,包括:
利用网络摄像头获取待处理图片;
利用已训练的行人检测模型检测待处理图片,得到行人目标检测框;
利用目标跟踪算法对行人目标检测进行跟踪,获取每个行人目标的唯一标识ID;
利用已训练的关键点检测模型对图片中所有行人目标检测框的区域进行推理,获取每个行人目标的关键点坐标;
利用关键点坐标与行人目标检测框构建摔倒检测规则,初步判断行人是否疑似摔倒;
采用滑动窗口对行人目标检测框持续进行多帧判断,确认是否发生摔倒行为。
2.根据权利要求1所述的一种基于人体关键点规则的摔倒检测方法,其特征在于,所述利用已训练的关键点检测模型对图片中所有行人目标区域进行推理,获取每个行人目标的关键点坐标,包括采用轻量级关键点检测模型,模型输入是待处理图片和行人检测框,输出每个行人目标的17个关键点。
3.根据权利要求2所述的一种基于人体关键点规则的摔倒检测方法,其特征在于,所述利用关键点坐标与行人目标检测框构建摔倒检测规则,初步判断行人是否疑似摔倒,包括计算行人目标的肩与脚的位置关系,若肩位于脚的下方,且肩与脚的关键点置信度大于预设的阈值,则初步判定为摔倒。
4.根据权利要求3所述的一种基于人体关键点规则的摔倒检测方法,其特征在于,所述利用关键点坐标与行人目标检测框构建摔倒检测规则,初步判断行人是否疑似摔倒,还包括计算行人目标肩与膝盖的位置关系,若膝盖在肩的上方,且肩与膝盖的关键点置信度大于预设的阈值,则初步判定为摔倒。
5.根据权利要求4所述的一种基于人体关键点规则的摔倒检测方法,其特征在于,所述利用关键点坐标与行人目标检测框构建摔倒检测规则,初步判断行人是否疑似摔倒,还包括初步判定为摔倒后,判断关键点坐标的最小外接矩形的宽高比是否大于预设的阈值,若否,则认为未摔倒;若是,则继续利用肩、髋部、膝盖的角度规则判定是否摔倒。
6.根据权利要求5所述的一种基于人体关键点规则的摔倒检测方法,其特征在于,所述利用肩、髋部、膝盖的角度规则判定是否摔倒,包括若膝盖、髋部与地面的角度满足预设的规则,且膝盖、髋部的关键点置信度大于预设的阈值,则初步判定为摔倒;若肩、髋部、膝盖的角度满足预设的规则或髋部、膝盖、脚踝的角度满足预设的规则,则初步判定为摔倒。
7.根据权利要求6所述的一种基于人体关键点规则的摔倒检测方法,其特征在于,所述采用滑动窗口对行人目标检测框持续进行多帧的判断,确认是否发生摔倒行为,包括利用滑动窗口依据行人目标的唯一标识ID,对待处理图像进行持续判断,通过连续帧分析计算疑似摔倒的次数,当疑似摔倒的次数大于预设阈值,则判断行人目标发生摔倒事件。
8.一种基于人体关键点规则的摔倒检测系统,其特征在于,包括:
数据获取模块,被配置为,获取医学图像;利用网络摄像头获取待处理图片;
检测模块,被配置为,利用已训练的行人检测模型检测待处理图片,得到行人目标检测框;利用目标跟踪算法对行人目标检测进行跟踪,获取每个行人目标的唯一标识ID;
推理模块,被配置为,利用已训练的关键点检测模型对图片中所有行人目标检测框的区域进行推理,获取每个行人目标的关键点坐标;
判断模块,被配置为,利用关键点坐标与行人目标检测框构建摔倒检测规则,初步判断行人是否疑似摔倒;采用滑动窗口对行人目标检测框持续进行多帧判断,确认是否发生摔倒行为。
9.一种计算机可读存储介质,其中存储有多条指令,其特征在于,所述指令适于由终端设备的处理器加载并执行如权利要求1所述的方法。
10.一种终端设备,包括处理器和计算机可读存储介质,处理器用于实现各指令;计算机可读存储介质用于存储多条指令,其特征在于,所述指令适于由处理器加载并执行如权利要求1所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311633969.8A CN117576780A (zh) | 2023-11-30 | 2023-11-30 | 一种基于人体关键点规则的摔倒检测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311633969.8A CN117576780A (zh) | 2023-11-30 | 2023-11-30 | 一种基于人体关键点规则的摔倒检测方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117576780A true CN117576780A (zh) | 2024-02-20 |
Family
ID=89888013
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311633969.8A Pending CN117576780A (zh) | 2023-11-30 | 2023-11-30 | 一种基于人体关键点规则的摔倒检测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117576780A (zh) |
-
2023
- 2023-11-30 CN CN202311633969.8A patent/CN117576780A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110477925B (zh) | 一种针对敬老院老人的跌倒检测与预警方法及系统 | |
Foroughi et al. | Intelligent video surveillance for monitoring fall detection of elderly in home environments | |
CN109919132A (zh) | 一种基于骨架检测的行人跌倒识别方法 | |
CN114067358A (zh) | 一种基于关键点检测技术的人体姿态识别方法及系统 | |
Chaaraoui et al. | Abnormal gait detection with RGB-D devices using joint motion history features | |
Li et al. | Pre-impact fall detection based on a modified zero moment point criterion using data from Kinect sensors | |
CN110706255A (zh) | 一种基于自适应跟随的跌倒检测方法 | |
Chen et al. | Fall detection system based on real-time pose estimation and SVM | |
CN111582158A (zh) | 一种基于人体姿态估计的摔倒检测方法 | |
CN111783702A (zh) | 一种基于图像增强算法和人体关键点定位的高效行人摔倒检测方法 | |
CN111242004A (zh) | 一种基于电梯监控数据处理的自动告警方法及系统 | |
CN112185514A (zh) | 一种基于动作识别的康复训练效果评估系统 | |
Papageorgiou et al. | Experimental validation of human pathological gait analysis for an assisted living intelligent robotic walker | |
CN112966628A (zh) | 一种基于图卷积神经网络的视角自适应多目标摔倒检测方法 | |
CN111144174A (zh) | 利用神经网络与传统算法识别视频中老人跌倒行为的系统 | |
KR20180096038A (ko) | 행위 예측을 위한 다중 모션 기반 옴니뷰 기법 | |
Muhammad et al. | Mono camera-based human skeletal tracking for squat exercise Abnormality detection using double Exponential smoothing | |
Dileep et al. | Suspicious human activity recognition using 2D pose estimation and convolutional neural network | |
CN114202722A (zh) | 基于卷积神经网络和多判别特征的跌倒检测方法 | |
CN113111733B (zh) | 一种基于姿态流的打架行为识别方法 | |
CN113221815A (zh) | 一种基于骨骼关键点自动检测技术的步态鉴定方法 | |
CN117238100A (zh) | 一种基于图像识别的仓储安全智能监控的方法及系统 | |
CN117576780A (zh) | 一种基于人体关键点规则的摔倒检测方法及系统 | |
CN104346606B (zh) | 异常步态分析方法及系统 | |
CN115731563A (zh) | 一种远距离监控人员倒地识别方法 |
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 |