[發明專利]一種基于分類模型進行跌倒識別的方法及設備

在審

• 申請號: 201910819035.0
• 申請日: 2019-08-30
• 公開（公告）號: CN110532966A
• 公開（公告）日: 2019-12-03
• 發明（設計）人: 陳海波
• 申請（專利權）人: 深蘭科技(上海)有限公司
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62
• 代理公司: 11291 北京同達信恒知識產權代理有限公司
• 代理人: 楊曉萍<國際申請>=<國際公布>=<進入

1.一種基于分類模型進行跌倒識別的方法，其特征在于，包括：

獲取包含人體目標的目標圖像，并提取所述目標圖像中反映人體指定部位彎曲角度的預設點的坐標；

將所述預設點的坐標作為輸入特征輸入到分類模型，根據所述分類模型的輸出特征確定是否為跌倒狀態，其中，預先采集多個圖像樣本，并提取圖像樣本中反應人體指定部位彎曲角度的預設點的坐標，并確定該圖像樣本的人體的姿態，將所述提取的預設點的坐標作為輸入特征，將對應的人體的姿態作為輸出特征，對分類模型進行訓練，所述姿態包括跌倒狀態和非跌倒狀態。

2.根據權利要求1所述的方法，其特征在于，所述多個圖像樣本包括訓練圖像樣本和測試圖像樣本，對分類模型進行訓練，包括：

隨機化深度學習網絡模型的模型參數得到初始的分類模型；

觸發模型訓練時，利用預設數量的訓練圖像樣本的預設點坐標作為輸入特征，將對應的人體的姿態作為輸出特征，對當前的分類模型進行一次訓練；

該次訓練結束后，利用所述測試圖像樣本中的預設點坐標作為輸入特征輸入到分類模型，將得到的輸出特征與對應測試樣本中的人體的姿態進行比較，確定測試結果滿足預設精度要求時，結束訓練過程，否則重新觸發模型訓練。

3.根據權利要求2所述的方法，其特征在于，

對當前分類模型的訓練過程中，所述分類模型根據輸入特征和輸出特征，通過損失函數調整模型參數。

4.根據權利要求2所述的方法，其特征在于，每次訓練結束后，確定測試結果不滿足預設精度要求時，還包括：

從所述多個圖像樣本中未訓練的訓練圖像樣本中，利用當前分類模型重新篩選出預設數量的訓練圖像樣本，并重新觸發模型訓練。

5.根據權利要求4所述的方法，其特征在于，利用當前分類模型重新篩選出預設數量的訓練圖像樣本，包括：

將所述未經訓練的每個訓練圖像樣本中反映人體指定部位彎曲角度的預設點的坐標作為輸入特征，輸入到當前的預測分類模型，根據所述分類模型的輸出特征評估該訓練圖像樣本的有效性；

從所有有效性滿足預設要求的訓練圖像樣本中，篩選出預設數量的訓練圖像樣本。

6.根據權利要求1所述的方法，其特征在于，所述分類模型為采用如下任一分類算法構建的分類模型，包括：

決策樹分類算法、隨機森林分類算法、邏輯回歸分類算法、神經網絡分類算法。

7.根據權利要求1-6任一所述的方法，其特征在于，所述圖像樣本中跌倒狀態包括傾斜狀態、躺臥狀態、趴下狀態，所述圖像樣本中的非跌倒狀態包括站立狀態、坐著狀態和蹲著狀態。

8.一種基于分類模型進行跌倒識別的設備，其特征在于，所述設備包括存儲器和中央處理器，其中，所述存儲器用于存儲所述中央處理器可執行的程序，所述中央處理器，用于讀取所述存儲器中的程序并執行下列過程：

獲取包含人體目標的目標圖像，并提取所述目標圖像中反映人體指定部位彎曲角度的預設點的坐標；

將所述預設點的坐標作為輸入特征輸入到分類模型，根據所述分類模型的輸出特征確定是否為跌倒狀態，其中，預先采集多個圖像樣本，并提取圖像樣本中反應人體指定部位彎曲角度的預設點的坐標，并確定該圖像樣本的人體的姿態，將所述提取的預設點的坐標作為輸入特征，將對應的人體的姿態作為輸出特征，對分類模型進行訓練，所述姿態包括跌倒狀態和非跌倒狀態。

9.一種基于分類模型進行跌倒識別的設備，其特征在于，包括：

特征提取模塊，用于獲取包含人體目標的目標圖像，并提取所述目標圖像中反映人體指定部位彎曲角度的預設點的坐標；

分類模塊，用于將所述預設點的坐標作為輸入特征輸入到分類模型，根據所述分類模型的輸出特征確定是否為跌倒狀態，其中，預先采集多個圖像樣本，并提取圖像樣本中反應人體指定部位彎曲角度的預設點的坐標，并確定該圖像樣本的人體的姿態，將所述提取的預設點的坐標作為輸入特征，將對應的人體的姿態作為輸出特征，對分類模型進行訓練，所述姿態包括跌倒狀態和非跌倒狀態。

10.一種計算機存儲介質，其特征在于，所述計算機存儲介質存儲有計算機程序，該計算機程序被執行時實現權利要求1-7任意一項所述的方法。