【技术实现步骤摘要】
本专利技术涉及计算机视觉，具体为一种基于人体骨骼点智能识别人员摔倒的方法及系统。
技术介绍
1、摔倒是导致许多意外伤害和事故的主要原因之一，特别是对于老年人和行动不便的人群，检测人员摔倒对于人们的生活安全和健康管理至关重要。在人员摔倒检测领域，传统方法主要依赖于传感器设备或视频监控系统。传感器设备通常基于加速度计原理，通过检测突然的重力加速度变化来识别摔倒事件。
2、然而，这种方法存在诸多局限性：首先，佩戴传感器设备可能会给用户带来不便，影响日常活动；其次，传感器的电池寿命有限，需要定期更换或充电，增加了维护成本；再者，传感器可能会因为误操作或设备故障而产生误报或漏报。视频监控系统则利用计算机视觉技术，分析监控视频中的人员行为来检测摔倒事件。这种方法虽然不需要用户佩戴额外设备，但也面临着诸多挑战：传统的视频分析算法往往依赖于背景建模和运动检测，在复杂环境下容易受到干扰，导致误识别率较高；同时，这些算法通常需要大量的计算资源，难以实现实时处理。
3、随着深度学习技术的发展，基于计算机视觉的方法取得了显著进展，如人体姿态估计和行为识别等领域，为人员摔倒检测提供了新的思路和方法。然而，现有的深度学习方法仍然存在一些问题：首先，大多数模型都需要大量标注数据进行训练，而摔倒数据的采集和标注工作量巨大；其次，深度学习模型通常计算复杂度高，对硬件要求较高，难以在边缘设备上实时运行；再者，这些模型往往是端到端的黑盒模型，缺乏可解释性，难以进行有针对性的优化和改进。此外，现有方法在摔倒检测方面仍然存在其他挑战：准确度不高，
技术实现思路
1、鉴于上述存在的问题，提出了本专利技术。
2、因此，本专利技术解决的技术问题是：如何解决现有人员摔倒检测技术中存在的解决数据处理量大、系统实时性差、对环境变化敏感、隐私保护不足、摔倒检测准确性不高、可解释性差的问题。
3、为解决上述技术问题，本专利技术提供如下技术方案：一种基于人体骨骼点智能识别人员摔倒的方法，包括：利用人体检测模型对实时获取的监控摄像头视频帧进行判断，若所述人体检测模型判断所述监控摄像头视频帧中存在人体，则截取人体区域图像；通过人体关节点检测模型提取所述人体区域图像中关键人体关节点的位置坐标；基于所述关键人体关节点的位置坐标，通过位置判断、姿势判断和身体折叠判断的组合调优算法，计算关键人体关节点之间的距离、角度和相对位置关系，综合判断人体是否呈现摔倒动作。
4、作为本专利技术所述的基于人体骨骼点智能识别人员摔倒的方法的一种优选方案，其中：在所述利用人体检测模型对实时获取的监控摄像头视频帧进行判断之前，包括如下步骤，
5、实时获取监控摄像头的视频流：
6、；
7、其中，表示时间的视频帧，是视频流的总帧数。
8、从所述视频流中提取单帧图像作为待处理的视频帧，具体为在时间，提取视频帧：
9、；
10、其中，是从视频流中提取单帧的函数。
11、作为本专利技术所述的基于人体骨骼点智能识别人员摔倒的方法的一种优选方案，其中：所述利用人体检测模型对实时获取的监控摄像头视频帧进行判断，若所述人体检测模型判断所述监控摄像头视频帧中存在人体，则截取人体区域图像包括如下步骤，将待处理的视频帧输入预先训练的人体检测模型进行多尺度特征提取、cnn检测器处理和输出检测结果；通过人体检测模型判断视频帧中是否存在人体；如果检测到人体，则确定人体在视频帧中的位置和大小；根据确定的人体位置和大小，在视频帧中截取包含完整人体的区域图像；如果未检测到人体，则继续处理下一帧图像。
12、作为本专利技术所述的基于人体骨骼点智能识别人员摔倒的方法的一种优选方案，其中：所述通过人体检测模型判断视频帧中是否存在人体包括，将所有cnn 检测器的检测结果加权组合，得到综合得分：
13、；
14、其中，是综合得分函数；是检测器的数量；是第个cnn检测器的权重；是常数；是包含人体的候选区域的位置坐标；是包含人体的候选区域的尺度；是cnn 检测器的检测结果。
15、判断是否存在人体：
16、；
17、其中，是判断函数；是指示函数。
18、当最大的综合得分时，指示函数返回1，因此1，认为检测到人体；当最大的综合得分时；指示函数返回0，因此0，表示未检测到人体。
19、所述如果检测到人体，则确定人体在视频帧中的位置和大小包括：
20、若1时，则：
21、；
22、其中，是检测到的人体的中心坐标和尺度；是返回使函数取得最大值的参数。
23、所述根据确定的人体位置和大小，在视频帧中截取包含完整人体的区域图像包括如下步骤：通过人体检测模型得到；将结合裁剪区域扩展因子，调用裁减函数来从视频帧中截取与相应的区域。通过裁减函数确定截取区域的具体位置和大小；将截取结果赋值给，得到裁剪后的人体图像；其中，
24、；
25、其中，是裁剪区域扩展因子；）是检测到的人体位置和尺度；是裁剪后的人体图像；是裁减函数。
26、作为本专利技术所述的基于人体骨骼点智能识别人员摔倒的方法的一种优选方案，其中：通过人体关节点检测模型提取所述人体区域图像中关键人体关节点的位置坐标包括如下步骤：对裁剪后的人体图像进行预处理；使用多个预训练的人体关节点检测模型输出多个关键人体关节点检测结果；将多个关键人体关节点检测结果进行加权融合；进行关键人体关节点的坐标提取和置信度计算；归一化关键人体关节点的坐标；引入时空一致性检查，通过速度约束和运动平滑性来调整当前帧的关键人体关节点位置。对于置信度低或未检测到的关键人体关节点的位置，通过相邻关节点的位置关系进行估计；其中，所述关键人体关节点为鼻子、左眼、右眼、左耳、右耳、左肩、右肩、左肘、右肘、左腕、右腕、左胯、右胯、左膝、右膝、左踝、右踝中的至少一个。
27、作为本专利技术所述的基于人体骨骼点智能识别人员摔倒的方法的一种优选方案，其中：基于所述关键人体关节点的位置坐标，通过位置判断、姿势判断和身体折叠判断的组合调优算法，计算关键人体关节点之间的距离、角度和相对位置关系，综合判断人体是否呈现摔倒动作包括如下步骤： 基于所述关键人体关节点的位置坐标，通过位置判断、姿势判断和身体折叠判断的组合调优算法，计算关键人体关节点之间的距离、角度和相对位置关系，综合判断人体是否呈现摔倒动作包括： 位置判断为：若连续多帧视频帧满足：鼻子的y坐标大于两肩和两髋的y坐标平均值，且躯干与垂直线的夹角大于第一预设角度a的两倍，则认为头部朝下，本文档来自技高网...
【技术保护点】
1.一种基于人体骨骼点智能识别人员摔倒的方法，其特征在于，包括：
2.如权利要求1所述的基于人体骨骼点智能识别人员摔倒的方法，其特征在于：在利用人体检测模型对实时获取的监控摄像头视频帧进行判断之前，包括如下步骤，
3.如权利要求2所述的基于人体骨骼点智能识别人员摔倒的方法，其特征在于：所述利用人体检测模型对实时获取的监控摄像头视频帧进行判断，若所述人体检测模型判断所述监控摄像头视频帧中存在人体，则截取人体区域图像包括如下步骤，
4.如权利要求3所述的基于人体骨骼点智能识别人员摔倒的方法，其特征在于：所述通过人体检测模型判断视频帧中是否存在人体包括，
5.如权利要求4所述的基于人体骨骼点智能识别人员摔倒的方法，其特征在于：通过人体关节点检测模型提取所述人体区域图像中关键人体关节点的位置坐标包括如下步骤：
6.如权利要求5所述的基于人体骨骼点智能识别人员摔倒的方法，其特征在于：基于所述关键人体关节点的位置坐标，通过位置判断、姿势判断和身体折叠判断的组合调优算法，计算关键人体关节点之间的距离、角度和相对位置关系，综合判断人体是
7.如权利要求6所述的基于人体骨骼点智能识别人员摔倒的方法，其特征在于：基于所述关键人体关节点的位置坐标，通过位置判断、姿势判断和身体折叠判断的组合调优算法，计算关键人体关节点之间的距离、角度和相对位置关系，综合判断人体是否呈现摔倒动作还包括：
8.如权利要求1~7任一所述的一种基于人体骨骼点智能识别人员摔倒的方法的系统，其特征在于，包括：
9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述的基于人体骨骼点智能识别人员摔倒的方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的基于人体骨骼点智能识别人员摔倒的方法的步骤。
...【技术特征摘要】
1.一种基于人体骨骼点智能识别人员摔倒的方法，其特征在于，包括：
2.如权利要求1所述的基于人体骨骼点智能识别人员摔倒的方法，其特征在于：在利用人体检测模型对实时获取的监控摄像头视频帧进行判断之前，包括如下步骤，
3.如权利要求2所述的基于人体骨骼点智能识别人员摔倒的方法，其特征在于：所述利用人体检测模型对实时获取的监控摄像头视频帧进行判断，若所述人体检测模型判断所述监控摄像头视频帧中存在人体，则截取人体区域图像包括如下步骤，
4.如权利要求3所述的基于人体骨骼点智能识别人员摔倒的方法，其特征在于：所述通过人体检测模型判断视频帧中是否存在人体包括，
5.如权利要求4所述的基于人体骨骼点智能识别人员摔倒的方法，其特征在于：通过人体关节点检测模型提取所述人体区域图像中关键人体关节点的位置坐标包括如下步骤：
6.如权利要求5所述的基于人体骨骼点智能识别人员摔倒的方法，其特征在于：基于所述关键人体关节点的位置坐标，通过...
【专利技术属性】
技术研发人员：袁存发，耿天涛，李辉，宋金峰，徐兴云，王郑，周菲，
申请(专利权)人：朗坤智慧科技股份有限公司，
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。