[0004] 本发明的目的是提供一种基于图像的人体跌倒判别方法，解决了现有技术中存在的检测不够准确、模型鲁棒性不够强及检测速度较慢的问题。
[0005] 本发明所采用的技术方案是，一种基于图像的人体跌倒判别方法，具体按照以下步骤实施：
[0006] 步骤1、对姿态检测库MPII中的图像进行预处理，包括水平镜像翻转、尺寸缩放、旋转，扩充原始单人姿态数据；在收集到的真实跌倒图像中手工标记出人体运动链模型中的14个关键点的坐标位置，将其加入到MPII数据库中；
[0007] 步骤2、设计人体姿态检测的深度学习网络模型，对所设计的网络进行训练；
[0008] 步骤3、将人体看作成一个由关节连接起来的铰链式物体，基于人体运动链模型；提取表征人体跌倒状态的4个特征angle1、angle2、angle3、angle4；
[0009] 步骤4，训练SVM分类器，进行跌倒状态的判断。
[0010] 本发明的特点还在于，
[0011] 步骤1中，14个关键点包括左脚踝、右脚踝、左膝盖、右膝盖、左髋关节、右髋关节、左手腕、右手腕、左手肘、右手肘、左肩膀、右肩膀、颈部及头部。
[0012] 步骤2，具体步骤如下：
[0013] 步骤2.1，建立人体姿态检测的深度学习网络模型；
[0014] 深度学习网络模型包括：1个卷积层、1个最大池化层、4个残差模块及1个预测层；
[0015] 其中，预测层包括14个关键点类别的预测和14个关键点的坐标位置预测；14个关键点包括左脚踝、右脚踝、左膝盖、右膝盖、左髋关节、右髋关节、左手腕、右手腕、左手肘、右手肘、左肩膀、右肩膀、颈部及头部；
[0016] 步骤2.2，对步骤2.1的人体姿态检测的深度学习网络模型进行训练，训练时的网络损失函数为：关键点定位损失与关键点坐标回归损失之和，其中关键点定位损失采用交叉熵损失函数；
[0017] 设网络预测的关键点坐标位置用向量形式表示为真实标记的关键点坐标位置用向量形式表示为 则关键
点坐标回归损失Loss为公式(1)所示：
[0018]
[0019] 式(1)中，d为预测的关键点与真实标记的关键点的坐标误差的绝对值之和，其计算公式如下：
[0020]
[0021] 步骤2.3，对所建立的人体姿态检测的深度学习网络模型进行训练，训练时的Batch size设置为1，初始学习率设置为0.1，训练时采用随机梯度下降法。
[0022] 步骤3中，提取表征人体跌倒状态的4个特征，具体如下：
[0023] 根据人体运动链模型上的14个关键点，利用步骤2训练好的人体姿态检测深度学习网络模型可以得到这14个关键点的坐标数据，记为(xi,yi)(i＝1,2,…,14)，则人体跌倒状态的4个特征angle1、angle2、angle3、angle4，如式(2)-式(5)所示：
[0024]
[0025]
[0026]
[0027]
[0028] 步骤4中，训练SVM分类器，进行跌倒状态的判断，具体步骤如下：
[0029] 步骤4.1，将步骤1扩充后的MPII数据库中的图像集按照4：1的方式分成训练集和测试集；
[0030] 步骤4.2，使用步骤2设计人体姿态检测的深度学习网络模型，提取训练集和测试集中人体图像的14个关键点；
[0031] 步骤4.3，使用步骤3的方法，提取训练集和测试集中表征人体跌倒状态的4个特征参数；
[0032] 步骤4.4，使用LIBSVM，建立SVM分类器，用步骤4.3中提取到的训练集中的跌倒状态的4个特征参数，作为SVM的输入，训练集中图像的跌倒状态，其中，1表示跌倒，0表是未跌倒；作为SVM的输出，训练SVM分类器；
[0033] 步骤4.5，对于输入的需要判断跌倒状态的图像，使用步骤2设计人体姿态检测的深度学习网络模型提取该图像的14个关键点；使用步骤3的方法，提取表征人体跌倒状态的4个特征参数；使用步骤4.4得到的SVM分期器，将提取表征人体跌倒状态的4个特征参数送入该SVM分类器，由该分类器的输出即可得到是否跌倒的判断。
[0034] 步骤4.4中，训练时的参数设置为：SVM的核函数采用径向基函数；径向基函数的参数σ取值为0.5。
[0035] 本发明的有益效果是，
[0036] 一种基于图像的人体跌倒判别方法，相比较传统的方法，克服了跌倒训练样本过于缺乏的问题，训练的样本图像有姿态图像和人体跌倒图像共同组成；所设计人体关键点检测深度学习网络模型可以应对一定程度上的视角及人体大小的变化，模型的鲁棒性强，判断的准确度高；针对图像进行姿态估计和摔倒检测，比起分析监控视频的方法，耗费的计算资源大大减少，提高了判断的速度。
