【技术实现步骤摘要】
泳池防溺水的溺水行为识别方法、装置、设备及介质
[0001]本专利技术涉及溺水识别方法，更具体地说是指泳池防溺水的溺水行为识别方法、装置、设备及介质。
技术介绍
[0002]随着生活水平的提高，游泳运动这一全身性锻炼的体育运动越来越受到人们的欢迎。由于游泳运动在水中进行，在游泳过程中，存在一定的危险性。对于初学者，在游泳过程中，因游泳技术不足导致无法随意呼吸、换气、行动等导致呛水，容易造成溺水事件；对于有经验的游泳者，可能会出现抽筋、碰撞受伤、意识模糊等原因导致溺水事件发生。若无法及时发现溺水的游泳者，极易导致溺水时间过长造成伤亡。
[0003]现有技术是在泳池内部署多个救生员，由救生员人眼监控是否出现溺水行为，但是这种方式准确率不高。
[0004]因此，有必要设计一种新的方法，实现提高溺水行为识别的准确率。
技术实现思路
[0005]本专利技术的目的在于克服现有技术的缺陷，提供泳池防溺水的溺水行为识别方法、装置、设备及介质。
[0006]为实现上述目的，本专利技术采用以下技术方案：泳池防溺水的溺水行为识别方法，包括：获取待识别视频；将所述待识别视频输入至溺水行为识别模型内进行溺水行为识别，以得到识别结果；输出所述识别结果；其中，所述溺水行为识别模型是通过标注有溺水行为标签的溺水视频作为样本集对深度学习网络进行训练所得的。
[0007]其进一步技术方案为：所述溺水行为识别模型包括SlowFast网络、目标检测网络以及预测头；所述目标检测网络包括RoIAlign。>[0008]其进一步技术方案为：所述溺水行为识别模型是通过标注有溺水行为标签的溺水视频作为样本集对深度学习网络进行训练所得的，包括：采集若干个具备溺水行为的溺水视频，且对所述溺水视频的每一帧中溺水行为进行标签标注，以得到样本集；划分所述样本集，以得到训练集以及测试集；构建深度学习网络以及损失函数；利用所述训练集对所述深度学习网络进行训练，以得到训练结果；利用损失函数计算训练结果与训练集的标签对应的内容的损失值；判断所述损失值是否趋于平稳；
若所述损失值趋于平稳，则利用所述测试集对训练后的深度学习网络进行测试，以得到测试结果；判断所述测试结果是否符合要求；若所述测试结果符合要求，则确定所述深度学习网络为溺水行为识别模型；若所述测试结果不符合要求，则修改所述深度学习网络的参数，并执行所述利用所述训练集对所述深度学习网络进行训练，以得到训练结果；若所述损失值未趋于平稳，则执行所述修改所述深度学习网络的参数。
[0009]其进一步技术方案为：所述利用所述训练集对所述深度学习网络进行训练，以得到训练结果，包括：将所述训练集输入至所述深度学习网络的SlowFast骨干网络内提取两个分支的图像时序特征；将两个分支的图像时序特征进行合并，以得到合并结果；采用所述深度学习网络中的RoIAlign提取所述合并结果的目标特征；将所述目标特征输入至所述深度学习网络中的预测头进行动作分类，以得到训练结果。
[0010]其进一步技术方案为：所述将所述训练集输入至所述深度学习网络的SlowFast骨干网络内提取两个分支的图像时序特征，包括：将训练集内的当前帧图像以及当前帧图像的前面若干帧图像作为输入图像，输入至所述深度学习网络的SlowFast骨干网络内提取两个分支的图像时序特征。
[0011]本专利技术还提供了泳池防溺水的溺水行为识别装置，包括：视频获取单元，用于获取待识别视频；识别单元，用于将所述待识别视频输入至溺水行为识别模型内进行溺水行为识别，以得到识别结果；输出单元，用于输出所述识别结果。
[0012]其进一步技术方案为：还包括：模型生成单元，用于通过标注有溺水行为标签的溺水视频作为样本集对深度学习网络进行训练，以得到溺水行为识别模型。
[0013]其进一步技术方案为：所述模型生成单元包括：采集子单元，用于采集若干个具备溺水行为的溺水视频，且对所述溺水视频的每一帧中溺水行为进行标签标注，以得到样本集；划分子单元，用于划分所述样本集，以得到训练集以及测试集；构建子单元，用于构建深度学习网络以及损失函数；训练子单元，用于利用所述训练集对所述深度学习网络进行训练，以得到训练结果；损失值计算子单元，用于利用损失函数计算训练结果与训练集的标签对应的内容的损失值；判断子单元，用于判断所述损失值是否趋于平稳；若所述损失值未趋于平稳，则执行修改所述深度学习网络的参数；测试子单元，用于若所述损失值趋于平稳，则利用所述测试集对训练后的深度学
习网络进行测试，以得到测试结果；结果判断子单元，用于判断所述测试结果是否符合要求；确定子单元，用于若所述测试结果符合要求，则确定所述深度学习网络为溺水行为识别模型；修改子单元，用于若所述测试结果不符合要求，则修改所述深度学习网络的参数，并执行所述利用所述训练集对所述深度学习网络进行训练，以得到训练结果。
[0014]本专利技术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。
[0015]本专利技术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。
[0016]本专利技术与现有技术相比的有益效果是：本专利技术通过将待识别视频输入至溺水行为识别模型内进行溺水行为识别，其中，溺水行为识别模型是通过标注有溺水行为标签的溺水视频作为样本集对深度学习网络进行训练所得的，针对复杂泳池背景下溺水行为识别问题，溺水行为识别模型融合了时序上的动作信号以及空间信号的3D特征，实现提高溺水行为识别的准确率。
[0017]下面结合附图和具体实施例对本专利技术作进一步描述。
附图说明
[0018]为了更清楚地说明本专利技术实施例技术方案，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专利技术的一些实施例，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。
[0019]图1为本专利技术实施例提供的泳池防溺水的溺水行为识别方法的应用场景示意图；图2为本专利技术实施例提供的泳池防溺水的溺水行为识别方法的流程示意图；图3为本专利技术实施例提供的泳池防溺水的溺水行为识别方法的子流程示意图；图4为本专利技术实施例提供的泳池防溺水的溺水行为识别方法的子流程示意图；图5为本专利技术实施例提供的溺水行为识别模型的工作流程示意图；图6为本专利技术实施例提供的泳池防溺水的溺水行为识别装置的示意性框图；图7为本专利技术实施例提供的计算机设备的示意性框图。
具体实施方式
[0020]下面将结合本专利技术实施例中的附图，对本专利技术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专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，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，都属于本专利技术保护的范围。
[0021]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”指示所本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.泳池防溺水的溺水行为识别方法，其特征在于，包括：获取待识别视频；将所述待识别视频输入至溺水行为识别模型内进行溺水行为识别，以得到识别结果；输出所述识别结果；其中，所述溺水行为识别模型是通过标注有溺水行为标签的溺水视频作为样本集对深度学习网络进行训练所得的。2.根据权利要求1所述的泳池防溺水的溺水行为识别方法，其特征在于，所述溺水行为识别模型包括SlowFast网络、目标检测网络以及预测头；所述目标检测网络包括RoIAlign。3.根据权利要求2所述的泳池防溺水的溺水行为识别方法，其特征在于，所述溺水行为识别模型是通过标注有溺水行为标签的溺水视频作为样本集对深度学习网络进行训练所得的，包括：采集若干个具备溺水行为的溺水视频，且对所述溺水视频的每一帧中溺水行为进行标签标注，以得到样本集；划分所述样本集，以得到训练集以及测试集；构建深度学习网络以及损失函数；利用所述训练集对所述深度学习网络进行训练，以得到训练结果；利用损失函数计算训练结果与训练集的标签对应的内容的损失值；判断所述损失值是否趋于平稳；若所述损失值趋于平稳，则利用所述测试集对训练后的深度学习网络进行测试，以得到测试结果；判断所述测试结果是否符合要求；若所述测试结果符合要求，则确定所述深度学习网络为溺水行为识别模型；若所述测试结果不符合要求，则修改所述深度学习网络的参数，并执行所述利用所述训练集对所述深度学习网络进行训练，以得到训练结果；若所述损失值未趋于平稳，则执行所述修改所述深度学习网络的参数。4.根据权利要求3所述的泳池防溺水的溺水行为识别方法，其特征在于，所述利用所述训练集对所述深度学习网络进行训练，以得到训练结果，包括：将所述训练集输入至所述深度学习网络的SlowFast骨干网络内提取两个分支的图像时序特征；将两个分支的图像时序特征进行合并，以得到合并结果；采用所述深度学习网络中的RoIAlign提取所述合并结果的目标特征；将所述目标特征输入至所述深度学习网络中的预测头进行动作分类，以得到训练结果。5.根据权利要求4所述的泳池防溺水的溺水行为识别方法，其特征在于，所述将所述训练集输入至所述深度学习网络的SlowFast骨干网...
【专利技术属性】
技术研发人员：任小枫，谢欣，郭羽，王振华，张剑华，郭东岩，应凯宁，张都思，
申请(专利权)人：杭州巨岩欣成科技有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。