[發(fā)明專利]一種基于深度學習的跌倒事件檢測方法和系統(tǒng)在審
| 申請?zhí)枺?/td> | 202010865249.4 | 申請日： | 2020-08-25 |
| 公開（公告）號： | CN112084899A | 公開（公告）日： | 2020-12-15 |
| 發(fā)明（設(shè)計）人： | 陳勇;李偉彤 | 申請（專利權(quán)）人： | 廣東工業(yè)大學 |
| 主分類號： | G06K9/00 | 分類號： | G06K9/00;G06K9/32;G06K9/46;G06K9/62;G06N3/04;G06N3/08 |
| 代理公司： | 廣州粵高專利商標代理有限公司 44102 | 代理人： | 張金福 |
| 地址： | 510062 廣東*** | 國省代碼： | 廣東;44 |
| 權(quán)利要求書： | 查看更多 | 說明書： | 查看更多 |
| 摘要： | |||
| 搜索關(guān)鍵詞： | 一種 基于 深度 學習 跌倒 事件 檢測 方法 系統(tǒng) | ||
1.一種基于深度學習的跌倒事件檢測方法，其特征在于，包括以下步驟：
S1：Mask-RCNN層對人體輪廓進行背景減除，形成二值人體輪廓圖像；
S2：CNN層提取二值人體輪廓圖像的特征，此特征通過全連接層輸出T×4096的深度特征矩陣，并將其深度特征矩陣傳輸?shù)诫p向LSTM層；
S3：深度特征矩陣通過雙向LSTM層得到對應(yīng)的特征向量；
S4：注意力層計算雙向LSTM層輸出的特征向量的權(quán)重，根據(jù)權(quán)重檢測跌倒事件。
2.根據(jù)權(quán)利要求1所述的一種基于深度學習的跌倒事件檢測方法，其特征在于，在步驟S1中，所述Mask-RCNN層通過添加并行分支來預(yù)測對象mask并將ROI Align替換為ROI池，準確獲取人體輪廓。
3.根據(jù)權(quán)利要求2所述的一種基于深度學習的跌倒事件檢測方法，其特征在于，在步驟S2中，所述T×4096的深度特征矩陣中，T為視頻幀數(shù)，此處為15。
4.根據(jù)權(quán)利要求3所述的一種基于深度學習的跌倒事件檢測方法，其特征在于，在步驟S3中，所述雙向LSTM層包括以下算法：
ft＝sigmoid(wtht-1+utxt+bt) (1)
it＝sigmoid(wiht-1+uixt+bi) (2)
gt＝tanh(wght-1+ugxt+bg) (3)
ct＝ftct-1+itgt (4)
pt＝sigmoid(woht-1+uoxt+b0) (5)
ht＝pt×tanh(ct) (6)
其中wt、wi、wg和wo是每個控制門的權(quán)重的前一個特征向量的輸出，ut、ui、ug和uo是每個控制門的權(quán)重的當前特征向量的輸入，bt、bi、bg和bo是通過控制門的偏置項。
5.根據(jù)權(quán)利要求4所述的一種基于深度學習的跌倒事件檢測方法，其特征在于，在步驟S4中，所述注意力層包括注意力模型，在每個時間步長t處，區(qū)域的特征向量都通過注意力模型進行加權(quán)，注意力層在時間t的輸出可以表示為αt是xt位置上的softmax，定義為
該專利技術(shù)資料僅供研究查看技術(shù)是否侵權(quán)等信息，商用須獲得專利權(quán)人授權(quán)。該專利全部權(quán)利屬于廣東工業(yè)大學，未經(jīng)廣東工業(yè)大學許可，擅自商用是侵權(quán)行為。如果您想購買此專利、獲得商業(yè)授權(quán)和技術(shù)合作，請聯(lián)系【客服】
本文鏈接：http://www.szxzyx.cn/pat/books/202010865249.4/1.html，轉(zhuǎn)載請聲明來源鉆瓜專利網(wǎng)。
- 上一篇：一種適用于墻體裂縫的補強修復(fù)方法
- 下一篇：一種金釵石斛簡易種植方法
- 同類專利
- 專利分類
G06K 數(shù)據(jù)識別；數(shù)據(jù)表示；記錄載體；記錄載體的處理
G06K9-00 用于閱讀或識別印刷或書寫字符或者用于識別圖形，例如，指紋的方法或裝置
G06K9-03 .錯誤的檢測或校正，例如，用重復(fù)掃描圖形的方法
G06K9-18 .應(yīng)用具有附加代碼標記或含有代碼標記的打印字符的，例如，由不同形狀的各個筆畫組成的，而且每個筆畫表示不同的代碼值的字符
G06K9-20 .圖像捕獲
G06K9-36 .圖像預(yù)處理，即無須判定關(guān)于圖像的同一性而進行的圖像信息處理
G06K9-60 .圖像捕獲和多種預(yù)處理作用的組合
