【技术实现步骤摘要】
本专利技术属于计算机视觉与深度学习，尤其涉及一种基于深度学习的行人跌倒行为检测方法。
技术介绍
1、在火车站、机场、幼儿园等场合时有发生行人跌倒这样的意外事件，及时发现行人跌倒并提供援助措施可以减少意外伤害的发生。因此，及时准确地检测行人跌倒行为对于公共安全与个人安全非常重要。现有的行人跌倒行为检测方法主要有基于环境感知、可穿戴设备和计算机视觉。基于环境感知的跌倒检测技术通过外部传感器对声音、速度等物理量进行周期检测，从而间接地判断出跌倒行为的发生，这种方法部署实施困难且成本较高。基于可穿戴设备的跌倒检测技术是将加速度传感器、重力传感器、陀螺仪等传感器集成到可穿戴设备上，通过实时持续监测人体运动数据判断是否发生跌倒行为，这种方法每个用户都需要另外购买并持续佩戴此设备。由于视觉监控设备成本低、适用范围广且具有回溯性，加上深度学习在计算机视觉领域的成功应用，基于深度学习与计算机视觉的跌倒行为检测方法具有很大的发展潜力与市场背景。该方法主要利用固定在检测地点中的摄像头来获取视频信息，然后再利用深度学习模型对采集的视频数据进行分析，从而判断跌倒行为的发生，常见的有基于人体外形轮廓的方法、基于人体姿态估计的方法、基于跌倒姿态检测的方法等。但是，目前的方法容易将下蹲、坐卧、躺下等行为误判为跌倒，并在存在遮挡的复杂场景下无法有效检测跌倒行为。
技术实现思路
1、本专利技术提供了一种基于跟踪丢失所触发机制的跌倒行为检测方法，具备成本低、误报率低、漏检率低的优点，以解决上述
技术介绍
中提出的问题。一种
2、s1、获取待检测的视频图像，将获取的视频图像处理为同一尺寸，大小为w×h，w为视频图像水平方向大小，h为视频图像垂直方向大小；
3、s2、设定跌倒检测范围：水平方向到视频帧中心的距离不超过λ×w/2，垂直方向到视频帧中心距离不超过λ×h/2，λ为检测系数，取值在0～1之间；
4、s3、利用头肩部检测器获取行人头肩部的检测框；
5、s4、采用目标跟踪器对行人进行实时跟踪，并绘制行人运动轨迹；
6、s5、判断是否触发跌倒姿态检测器；
7、s6、利用跌倒姿态检测器对当前帧图像进行跌倒姿态检测，若检测到跌倒姿态，则认为发生跌倒行为，并弹出报警框，若未检测出跌倒姿态，则认为未发生跌倒行为；
8、s7、重复上述步骤s1至s6，直至视频结束。
9、进一步，所述步骤s3中利用头肩部检测器获取行人头肩部的检测框，具体包括如下步骤：
10、s3-1、对训练图像中行人头肩部的位置进行标注，建立行人头肩部数据集；
11、s3-2、使用马赛克数据增强技术扩充行人头肩部数据集；
12、s3-3、将构建的行人头肩部数据集送入yolov5目标检测模型进行训练，得到人头肩部检测器；
13、s3-4、将待检测的图像送入行人头肩部检测器，获得图像中行人头肩部的检测框。
14、进一步，所述步骤s4中采用目标跟踪算法对行人进行跟踪，并绘制行人运动轨迹，具体包括如下步骤：
15、s4-1、为步骤s3中检测到的每个行人头肩部目标创建相应的轨迹，每条轨迹对应一个id，此时轨迹为不确定态；
16、s4-2、将卡尔曼滤波器初始化，根据目标的历史运动轨迹和运动规律预测目标在待检测帧图像中的位置和大小；
17、s4-3、将不确认定态轨迹对应的行人头肩部检测框与通过卡尔曼滤波器预测出来的预测框进行交并比(intersection over union，iou)匹配，计算两者间的相交度；
18、s4-4、基于iou匹配结果利用匈牙利匹配算法实现检测框与已有轨迹间的匹配，匹配完成后得到三种结果：(1)轨迹失配，即当前帧中没有一个检测框能与预测框匹配，该情况下轨迹处于不确定态则直接删除；(2)检测失配，即没有一个轨迹的预测框能与当前帧检测出来的检测框匹配上，该情况下将分配给该目标一条新的轨迹与id，新的轨迹为不确定态；(3)轨迹匹配，即检测框与预测框iou成功匹配，则为检测框赋予预测框对应轨迹的id，并更新卡尔曼滤波器，轨迹匹配成功连续三次则轨迹由不确定态转换为确定态；
19、s4-5、重复上述s4-1至s4-4，直到出现确认态轨迹；
20、s4-6、将确认态轨迹的预测框与当前帧的检测框进行马氏距离加余弦距离的级联方法进行匹配，利用马氏距离计算目标运动特征的相似度，利用余弦距离计算目标外观特征的相似度；
21、s4-7、基于级联匹配结果利用匈牙利匹配算法实现检测框与已有轨迹间的匹配，同样得到步骤s4-4所述的三种匹配结果，若成功匹配，则更新卡尔曼滤波器并继续跟踪，若为轨迹失配或检测失配，将预测框和检测框进行iou匹配；
22、s4-8、基于iou匹配的结果采用匈牙利算法实现检测框与已有轨迹间的匹配，同样得到步骤s4-4所述的三种匹配结果，若为轨迹失配，轨迹处于确认态且连续失配次数num_unmatched_tracks超过设定阈值max_unmatched_tracks则进行删除；若为其他匹配结果，则处理方式同步骤s4-4，并返回步骤s1。
23、进一步，所述步骤s5中判断判断是否触发跌倒姿态检测器，具体包括如下步骤：
24、s5-1、初始化：将跌倒检测标志位trigger_fall初始化为0，表示未触发跌倒检测，将“跟踪丢失轨迹列表”初始化为φ；
25、s5-2、当确认态轨迹连续发生轨迹失配的次数num_unmatched_tracks达到设定阈值max_unmatched_tracks时，将该轨迹删除并放入“跟踪丢失轨迹列表”中；
26、s5-3、当“跟踪丢失轨迹列表”不为空时，判断跟踪丢失轨迹是否位于设定的跌倒检测范围内，若轨迹在设定的跌倒检测范围内，则将跌倒检测标志位trigger_fall置为1，若轨迹不在设定的跌倒检测范围内，则跌倒检测标志位trigger_fall仍然保持为0；
27、s5-4、当跌倒检测标志位trigger_fall为1时，启动跌倒姿态检测器，否则返回步骤s1。
28、进一步，所述步骤s6中利用跌倒姿态检测器进行跌倒姿态检测，具体包括如下步骤：
29、s6-1、初始化：将跌倒姿态检测计数值num_fall_detection初始化为0，表示对num_fall_detection帧进行了跌倒姿态检测；
30、s6-2、将跌到检测数据集送入yolov5目标检测模型进行训练得到跌倒姿态检测器，将当前帧的图像传入跌倒姿态检测器，输出跌倒目标检测框列表；
31、s6-3、若跌倒目标检测框列表不为空，则认为检测出跌倒姿态，发生了跌倒行为，并弹出报警框，若跌倒目标检测框列表为空，未检测出跌倒姿态，则认为未发生跌倒行为；
32、s6-4、将跌倒姿态检测计数值本文档来自技高网...
【技术保护点】
1.一种基于跟踪丢失触发机制的跌倒行为检测方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的基于跟踪丢失触发机制的跌倒行为检测方法，其特征在于，步骤S3中所述利用头肩部检测器获取行人头肩部的检测框，包括如下步骤：
3.根据权利要求1所述的基于跟踪丢失触发机制的跌倒行为检测方法，其特征在于，步骤S4中所述采用目标跟踪器对行人的头肩部进行实时跟踪，并绘制行人运动轨迹，包括如下步骤：
4.根据权利要求1所述的基于跟踪丢失触发机制的跌倒行为检测方法，其特征在于，步骤S5中所述判断头肩部的检测框是否发生跟踪丢失并触发跌倒姿态检测器，包括如下步骤：
5.根据权利要求1所述的基于跟踪丢失触发机制的跌倒行为检测方法，其特征在于，步骤S6中所述利用跌倒姿态检测器对当前帧图像进行跌倒姿态检测，包括如下步骤：
【技术特征摘要】
1.一种基于跟踪丢失触发机制的跌倒行为检测方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的基于跟踪丢失触发机制的跌倒行为检测方法，其特征在于，步骤s3中所述利用头肩部检测器获取行人头肩部的检测框，包括如下步骤：
3.根据权利要求1所述的基于跟踪丢失触发机制的跌倒行为检测方法，其特征在于，步骤s4中所述采用目标跟踪器对行人的头肩部进行实时跟踪...
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。