[發(fā)明專利]一種基于物聯(lián)網(wǎng)平臺(tái)的非接觸式室內(nèi)人員跌倒識(shí)別方法

有效

• 申請(qǐng)?zhí)枺?/td>: 202011194529.3
• 申請(qǐng)日: 2020-10-30
• 公開（公告）號(hào): CN112435440B
• 公開（公告）日: 2022-08-09
• 發(fā)明（設(shè)計(jì)）人: 嚴(yán)儼;袁華;劉東
• 申請(qǐng)（專利權(quán)）人: 成都蓉眾和智能科技有限公司
• 主分類號(hào): G08B21/04
• 分類號(hào): G08B21/04;G08B25/10;G01J5/48;G06N3/04;H04L67/12;G16Y40/10;G16Y40/50
• 代理公司: 成都行之專利代理事務(wù)所(普通合伙) 51220
• 代理人: 溫利平

1.一種基于物聯(lián)網(wǎng)平臺(tái)的非接觸式室內(nèi)人員跌倒識(shí)別方法，其特征在于，包括以下步驟：

(1)、利用紅外熱成像傳感器捕捉室內(nèi)監(jiān)測(cè)區(qū)域內(nèi)的紅外熱圖像，通過NB-IoT窄帶無線通信模塊，將捕捉的包括室內(nèi)人員熱信息的紅外熱圖像實(shí)時(shí)傳輸至云服務(wù)器；

(2)、在云服務(wù)器中，對(duì)于每一幀紅外熱圖像，利用壓縮感知技術(shù)對(duì)其進(jìn)行超分辨率重建即增強(qiáng)，獲取分辨率更高的紅外熱圖像；

(3)、將增強(qiáng)后紅外熱圖像進(jìn)行人體姿態(tài)關(guān)鍵特征提取并轉(zhuǎn)換成人體姿態(tài)熱力圖，然后輸入預(yù)設(shè)的深度卷積神經(jīng)網(wǎng)絡(luò)模型，根據(jù)人體姿態(tài)特征判別人員是否跌倒；

(4)、如果判別人員跌倒，則云服務(wù)器發(fā)送報(bào)警信息至監(jiān)護(hù)人手機(jī)，同時(shí)，通過NB-IoT窄帶無線通信模塊返回報(bào)警信息到室內(nèi)監(jiān)測(cè)區(qū)域安裝的報(bào)警裝置，發(fā)出報(bào)警聲音；

所述利用紅外熱成像傳感器捕捉室內(nèi)監(jiān)測(cè)區(qū)域內(nèi)的紅外熱圖像，通過NB-IoT窄帶無線通信模塊，將捕捉的包括室內(nèi)人員熱信息的紅外熱圖像實(shí)時(shí)傳輸至云服務(wù)器為：

紅外熱成像傳感器以每秒10Hz的速率對(duì)室內(nèi)監(jiān)測(cè)區(qū)域采集大小為32*24的溫度矩陣，并將溫度矩陣傳遞至微控制器；微控制器對(duì)比相鄰兩個(gè)溫度矩陣中溫度數(shù)值變化并根據(jù)預(yù)設(shè)的閾值判定室內(nèi)監(jiān)測(cè)區(qū)域的溫度分布是否發(fā)生顯著變化；當(dāng)溫度分布發(fā)生顯著變化即室內(nèi)監(jiān)測(cè)區(qū)域的溫度分布變化大于設(shè)定的閾值T_h，則代表有人員在監(jiān)測(cè)區(qū)域活動(dòng)，微控制器將采集的溫度矩陣轉(zhuǎn)換成相應(yīng)二維的分辨率為32*24的紅外熱圖像，即捕捉的包括室內(nèi)人員熱信息的紅外熱圖像，經(jīng)過NB-IoT模塊實(shí)時(shí)上傳至云服務(wù)器，當(dāng)溫度分布沒有發(fā)生顯著變化即不大于設(shè)定的閾值T_h時(shí)，則停止上傳紅外熱圖像；

將增強(qiáng)后紅外熱圖像進(jìn)行人體姿態(tài)關(guān)鍵特征提取并轉(zhuǎn)換成人體姿態(tài)熱力圖，然后輸入預(yù)設(shè)的深度卷積神經(jīng)網(wǎng)絡(luò)模型，根據(jù)人體姿態(tài)特征判別人員是否跌倒為：

3.1)、定義X為增強(qiáng)后紅外熱圖像長(zhǎng)度，Y為增強(qiáng)后紅外熱圖像寬度，B_g(x,y)為紅外背景圖像，初始選取第k幀之前的任意一幀增強(qiáng)紅外熱圖像，f_k(x,y)代表第k幀增強(qiáng)后紅外熱圖像；

3.2)、通過如下公式計(jì)算第k幀增強(qiáng)后紅外熱圖像的無背景圖：

A_k(x,y)＝f_k(x,y)-B_g(x,y)

其中，x、y為增強(qiáng)后紅外熱圖像的像素點(diǎn)坐標(biāo)，x＝0,1,2,…X-1，y＝0,1,2,…Y-1

3.3)、通過如下公式計(jì)算連續(xù)兩幀無背景圖像的差分圖：

P_k(x.y)＝A_k+1(x,y)-A_k(x,y)

3.4)、對(duì)每一個(gè)差分圖像P_k(x.y)計(jì)算人體頭部、手部、手肘、膝關(guān)節(jié)、腳關(guān)鍵點(diǎn)即人體姿態(tài)關(guān)鍵特征的坐標(biāo)，并將相關(guān)坐標(biāo)帶入高斯熱力公式建立由關(guān)鍵點(diǎn)組成的第K幀人體姿態(tài)熱力圖I_k(x,y)；

3.5)、對(duì)人體姿態(tài)熱力圖進(jìn)行二值化處理，得到二值化人體姿態(tài)熱力圖：

其中，M為設(shè)定的閾值；

3.6)、按照步驟3.1)～3.5)獲得第k+1幀二值化人體姿態(tài)熱力圖，計(jì)算第k幀和第k+1幀二值化人體姿態(tài)熱力圖之間的皮爾遜相關(guān)系數(shù)：

若滿足C≥0.5，則無需更新背景圖B_g(x,y)，并將二值化人體姿態(tài)熱力圖R_k+1(x,y)輸入預(yù)設(shè)的深度卷積神經(jīng)網(wǎng)絡(luò)模型，根據(jù)人體姿態(tài)特征判別人員是否跌倒，否則，將第k+1幀增強(qiáng)后紅外熱圖像f_k+1(x,y)作為紅外背景圖像B_g(x,y)，k＝k+2，返回步驟3.2)。