【技术实现步骤摘要】
本专利技术涉及图像识别，具体涉及基于深度学习的人员跌倒行为认别方法。
技术介绍
1、在公共交通道路上，跌倒是对老年人等脆弱群体的主要威胁，常引发严重的身体伤害甚至影响生命安全，所以需要利用摄像头对道路跌倒行为进行识别监控，有助于在跌倒发生时立即发出警报，从而加快响应时间，提供及时帮助。
2、目前常利用人体的整体运动姿态对人员跌倒行为进行认别，但由于人体的运动较为复杂，跌倒行为更表现在跌倒人员的各个肢体运动特征上，仅根据人体的整体运动姿态对人员跌倒行为进行认别会导致人员跌倒行为认别结果的准确性降低。
技术实现思路
1、本专利技术提供基于深度学习的人员跌倒行为认别方法，以解决现有的问题。
2、本专利技术的基于深度学习的人员跌倒行为认别方法采用如下技术方案：
3、本专利技术一个实施例提供了基于深度学习的人员跌倒行为认别方法，该方法包括以下步骤：
4、获取连续多帧的道路监控图像，所述道路监控图像中包含若干人员；获取道路监控图像中每个人员的肩、肘、手腕、髋、膝、踝骨架点；
5、所述道路监控图像中包括若干标识物，根据所述标识物获得标识方向角度；根据每个人员的肩、髋骨架点的相对位置关系得到每个人员的身体主要方向角度；根据标识方向角度与每个人员的身体主要方向角度的差异，得到每个人员的主要平衡性；
6、根据每个人员的肘、手腕、膝、踝骨架点的位置关系，得到每个人员的稳定特征程度；根据每个人员的主要平衡性和稳定特征程度，得到每个人员
7、根据每帧道路监控图像中每个人员与其他人员的整体状态指数的差异情况，得到每帧道路监控图像中每个人员的相对异常指数；根据人员之间的整体状态指数在连续多帧的道路监控图像中的变化差异情况和波动差异情况，结合所述相对异常指数，得到每个人员在每帧道路监控图像的跌倒概率；
8、根据所述跌倒概率，结合所述整体状态指数，得到人员跌倒行为认别结果。
9、进一步地，所述根据所述标识物获得标识方向角度，包括的具体步骤如下：
10、将道路监控图像输入至标识识别神经网络中，得到道路监控图像中的每个标识物的主体方向角度；将所有标识物的主体方向角度的均值，记作标识方向角度。
11、进一步地，所述身体主要方向角度的获取方法如下：
12、对于道路监控图像中的任意一个人员，获取该人员的两个肩骨架点的连线中点以及两个髋骨架点的连线中点，将两个中点的连线对应的角度，记为该人员的身体主要方向角度。
13、进一步地，所述主要平衡性的获取方法如下：
14、对于任意一个人员，将该人员的身体主要方向角度与标识方向角度的差值的余弦值，记作该人员的主要平衡性。
15、进一步地，所述稳定特征程度的获取方法如下：
16、将道路监控图像的左下角的像素点作为原点，横向方向为x轴，纵向方向为y轴，建立直角坐标系；
17、对于道路监控图像中的任意一个人员，肘骨架点和手腕骨架点的连线与踝骨架点和膝骨架点的连线的夹角的正弦值，记为该人员的方向稳定值；将手腕骨架点与踝骨架点的y坐标的差值绝对值的归一化结果，记为该人员的距离稳定值；将人员的方向稳定值与距离稳定值的乘积，记作该人员的稳定特征程度。
18、进一步地，所述整体状态指数的获取方法如下：
19、对于任意一个人员，将该人员的主要平衡性和稳定特征程度的乘积，记作该人员的整体状态指数。
20、进一步地，所述相对异常指数的获取方法如下：
21、对于任意一帧道路监控图像中的任意一个人员，将该帧道路监控图像中所有人员与该人员的整体状态指数的差值的均值的归一化结果，记为该帧道路监控图像中该人员的相对异常指数。
22、进一步地，所述跌倒概率的获取方法如下：
23、将任意一帧道路监控图像记为目标监控图像，将目标监控图像中的任意一个人员记为目标人员，将目标监控图像的前一帧道路监控图像记为目标监控图像的参考监控图像，将目标监控图像与其参考监控图像中目标人员的整体状态指数的差值绝对值，记为目标人员在目标监控图像的状态变化量；计算目标监控图像中所有人员的状态变化量的均值，将目标人员在目标监控图像的状态变化量与该均值的差值绝对值，记作目标人员在目标监控图像的相对状态变化程度；
24、根据人员之间的整体状态指数在连续多帧的道路监控图像中的波动差异情况，得到每个人员在每帧道路监控图像的相对状态波动程度；
25、将目标人员在目标监控图像的相对状态变化程度、相对状态波动程度以及相对异常指数的乘积的线性归一化结果，记作目标人员在目标监控图像的跌倒概率。
26、进一步地，所述相对状态波动程度的获取方法如下：
27、对于任意一个人员，将该人员在包含该人员的所有帧道路监控图像中的整体状态指数的方差，记作该人员的状态方差指数；计算目标监控图像中所有人员的状态方差指数的均值，将目标人员的状态方差指数与该均值的差值绝对值，记作目标人员在目标监控图像的相对状态波动程度。
28、进一步地，所述根据所述跌倒概率，结合所述整体状态指数，得到人员跌倒行为认别结果，包括的具体步骤如下：
29、对于任意一帧道路监控图像，若该道路监控图像中存在两个或以上人员，当该道路监控图像中存在跌倒概率大于或等于预设跌倒阈值时，判断为该道路监控图像中有人员跌倒，当该道路监控图像中所有人员的跌倒概率都小于预设跌倒阈值时，判断为该道路监控图像中无人跌倒；若该道路监控图像中仅存在一个人员时，当该人员的整体状态指数小于或等于预设状态阈值时，判断为该人员跌倒，当该人员的整体状态指数大于预设状态阈值时，判断为该人员正常。
30、本专利技术的技术方案的有益效果是：本专利技术根据道路监控图像中的标识物获取标识方向角度，通过标识方向角度与人员的身体主要方向角度的差异进行分析，得到人员的主要平衡性，初步对人员的平衡性进行了判断；由于人体的运动较为复杂，仅通过主要平衡性得到的跌倒概率不准确，本专利技术通过骨架点的相对位置关系，对人员的小臂与小腿的运动特征进行分析，在肢体运动特征上进一步判断人员跌倒的可能性，得到人员的整体状态指数；通过将每个人员与道路监控图像中其他人员的整体状态指数进行比较，同时结合每个人员在连续多帧的道路监控图像中整体状态指数的变化，得到更加可信的跌倒概率。至此，本专利技术可信的跌倒概率进行人员跌倒行为认别，提高了人员跌倒行为认别结果的准确性。
本文档来自技高网...【技术保护点】
1.基于深度学习的人员跌倒行为认别方法，其特征在于，该方法包括以下步骤：
2.根据权利要求1所述基于深度学习的人员跌倒行为认别方法，其特征在于，所述根据所述标识物获得标识方向角度，包括的具体步骤如下：
3.根据权利要求1所述基于深度学习的人员跌倒行为认别方法，其特征在于，所述身体主要方向角度的获取方法如下：
4.根据权利要求1所述基于深度学习的人员跌倒行为认别方法，其特征在于，所述主要平衡性的获取方法如下：
5.根据权利要求1所述基于深度学习的人员跌倒行为认别方法，其特征在于，所述稳定特征程度的获取方法如下：
6.根据权利要求1所述基于深度学习的人员跌倒行为认别方法，其特征在于，所述整体状态指数的获取方法如下：
7.根据权利要求1所述基于深度学习的人员跌倒行为认别方法，其特征在于，所述相对异常指数的获取方法如下：
8.根据权利要求1所述基于深度学习的人员跌倒行为认别方法，其特征在于，所述跌倒概率的获取方法如下：
9.根据权利要求8所述基于深度学习的人员跌倒行为认别方法，其特征在于，所述
10.根据权利要求1所述基于深度学习的人员跌倒行为认别方法，其特征在于，所述根据所述跌倒概率，结合所述整体状态指数，得到人员跌倒行为认别结果，包括的具体步骤如下：
...【技术特征摘要】
1.基于深度学习的人员跌倒行为认别方法，其特征在于，该方法包括以下步骤：
2.根据权利要求1所述基于深度学习的人员跌倒行为认别方法，其特征在于，所述根据所述标识物获得标识方向角度，包括的具体步骤如下：
3.根据权利要求1所述基于深度学习的人员跌倒行为认别方法，其特征在于，所述身体主要方向角度的获取方法如下：
4.根据权利要求1所述基于深度学习的人员跌倒行为认别方法，其特征在于，所述主要平衡性的获取方法如下：
5.根据权利要求1所述基于深度学习的人员跌倒行为认别方法，其特征在于，所述稳定特征程度的获取方法如下：
6.根据权利要求1所述基于...
【专利技术属性】
技术研发人员：黄世建，黄俊凡，彭艳芳，
申请(专利权)人：湖南鸿坤电器股份有限公司，
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。