本公開涉及計算機，特別涉及一種跌倒事件識別方法、裝置及介質(zhì)。

背景技術(shù)：

1、隨著人口老齡化日益加重，老年化的現(xiàn)實和養(yǎng)老問題已擺在我們面前，其重要性已十分突出，由養(yǎng)老而引發(fā)的社會、家庭問題更是十分棘手。對于空巢老人來說，跌倒是常見確又嚴重的突發(fā)事件，該人群發(fā)生跌倒設(shè)置昏厥往往難以被及時發(fā)現(xiàn)。有部分老人選擇了養(yǎng)老機構(gòu)，但看護人員的精力有限，容易忽略跌倒事件的發(fā)生。另，病房病患發(fā)生昏厥摔倒后往往也可能不被及時發(fā)現(xiàn)，若，不能及時發(fā)現(xiàn)，將造成難以估量的后果。

2、目前，跌倒事件識別的方法有以下兩種：

3、（1）基于環(huán)境傳感器的跌倒事件識別方法：主要通過設(shè)置自監(jiān)測區(qū)域中的地板壓力傳感器、雷達、聲學傳感器等獲取人體的實時信息，綜合多組數(shù)據(jù)對人體運動規(guī)律進行分析，從而發(fā)現(xiàn)異常運動行為，判定跌倒行為的發(fā)生。該方法雖然侵入性很小，但對噪音敏感。環(huán)境傳感器有盲點，配置費用高，準確性差。

4、（2）基于穿戴設(shè)備的跌倒事件識別方法：通過內(nèi)置于傳遞啊設(shè)備中的傳感器采集人體運動數(shù)據(jù)，將人體運動數(shù)據(jù)與閾值進行比對，判定是否存在跌倒事件。該方法誤報率高，需時刻穿戴設(shè)備，如忘記穿戴，則無法識別是否發(fā)生跌倒事件。電池續(xù)航也是該種方法的痛點。

5、（3）基于視覺信息的跌倒識別方法：該方法從監(jiān)控設(shè)備中獲得人體動作信息，通過對采集到的視頻和圖像進行分析，從而判斷出摔倒的可能性。該算法無需攜帶任何設(shè)備，具有良好的用戶體驗和較高的檢測準確率。與基于可穿戴設(shè)備的跌倒識別相比，基于視覺信息的跌倒識別干擾小，精度和魯棒性更高?；谠摲椒ǖ牡固卣魈崛⊥ǔ７譃閭鹘y(tǒng)方法和深度學習方法。其中，基于深度學習的特征提取方法可以實現(xiàn)端到端的學習，在進行學習之前無需提取圖像的邊緣，顏色，空間位置等信息，可以通過深層的網(wǎng)絡(luò)結(jié)構(gòu)自動從原始數(shù)據(jù)中提取有用的特征。在跌倒識別方面，深度學習可實現(xiàn)對監(jiān)控視頻的自動特征提取和分析，減輕人工監(jiān)測的負擔，節(jié)省人力成本，并提取豐富的多維特征，包括姿勢、動作、環(huán)境等信息，有助于更全面地識別跌倒事件。隨著深度學習在人體姿態(tài)識別領(lǐng)域的不斷發(fā)展，通過卷積神經(jīng)網(wǎng)絡(luò)對人體骨骼關(guān)鍵點進行準確提取，有利于對人體姿態(tài)做出有效分析。但目前基于該方法提出的準確度較高的算法大多網(wǎng)絡(luò)結(jié)構(gòu)比較復雜，無法滿足實時性的需求?；诒O(jiān)控視頻流的跌倒行為識別不同于其他圖像分析任務，識別過程必須足夠準確迅速，且算法需要考慮普通安防監(jiān)控在光線條件不好時畫面模糊、失真或噪點等問題。此外，目前常見的跌倒識別方法應用場景較為局限，當人所處環(huán)境中有可供躺臥休息的家具時，人處于躺臥姿態(tài)時，容易和跌倒行為混淆，產(chǎn)生誤報。

技術(shù)實現(xiàn)思路

1、本公開提出一種跌倒事件識別方法、裝置及介質(zhì)，以解決上述技術(shù)問題。

2、根據(jù)本公開的第一方面，提供了一種跌倒事件識別方法，所述方法包括：利用傳感器采集目標場所的圖像，其中，所述目標場所內(nèi)有人體和床；借助于目標檢測模型對所述圖像進行識別，得到人體的邊界框、以及床的邊界框，其中，在構(gòu)建所述目標檢測模型時，將結(jié)合通道注意力機制和空間注意力機制的cbam模塊添加至yolov8n；根據(jù)所述人體的邊界框、以及所述床的邊界框，計算交并比；判斷所述交并比是否小于交并比閾值；若所述交并比小于交并比閾值，判定所述人體處于活動狀態(tài)；利用ghostnet-openpose姿態(tài)估計網(wǎng)絡(luò)識別人體的骨骼關(guān)鍵點，且輸出各個骨骼關(guān)鍵點的坐標，其中，在構(gòu)建所述ghostnet-openpose時，將特征提取部分以ghostnet替換vgg-19，openpose多分支迭代機構(gòu)僅保留初始階段和一個細化階段，合并部分卷積結(jié)構(gòu)計算關(guān)鍵點熱度圖和部分親和場，且使用coco數(shù)據(jù)集作為訓練集；基于各個骨骼關(guān)鍵點的坐標，計算得到肘關(guān)節(jié)的實時關(guān)節(jié)角度和膝關(guān)節(jié)的實時關(guān)節(jié)角度；將所述肘關(guān)節(jié)的實時關(guān)節(jié)角度和所述膝關(guān)節(jié)的實時關(guān)節(jié)角度輸入決策樹跌倒分類算法，識別跌倒事件，其中，所述肘關(guān)節(jié)的關(guān)節(jié)角度的歷史數(shù)據(jù)和所述膝關(guān)節(jié)的關(guān)節(jié)角度的歷史數(shù)據(jù)作為訓練集訓練所述決策樹跌倒分類算法，所述肘關(guān)節(jié)的關(guān)節(jié)角度的歷史數(shù)據(jù)和所述肘關(guān)節(jié)的關(guān)節(jié)角度的歷史數(shù)據(jù)是基于所述ghostnet-openpose姿態(tài)估計網(wǎng)絡(luò)輸出的各個骨骼關(guān)鍵點的坐標的歷史數(shù)據(jù)計算得到的，所述骨骼關(guān)鍵點的坐標的歷史數(shù)據(jù)是基于所述目標檢測模型輸出的人體的邊界框的寬高比的歷史數(shù)據(jù)計算得到的。

3、在一些實施例中，在所述借助于目標檢測模型對所述圖像進行識別之前，還包括：對所述圖像進行逐幀讀??；將每幀圖片皆調(diào)整為預設(shè)大小；對調(diào)整之后的圖片進行直方圖均衡處理，完成對所述圖像的預處理。

4、在一些實施例中，若所述交并比大于等于交并比閾值，判定所述人體在床上休息。

5、在一些實施例中，在所述將所述肘關(guān)節(jié)的實時關(guān)節(jié)角度和所述膝關(guān)節(jié)的實時關(guān)節(jié)角度輸入決策樹跌倒分類算法，識別跌倒事件之后，還包括：借助于報警系統(tǒng)播報“fall”報警信息。

6、根據(jù)本公開的第二方面，提供了一種跌倒事件識別裝置，包括：圖像采集模塊，用于利用傳感器采集目標場所的圖像，其中，所述目標場所內(nèi)有人體和床；圖像識別模塊，用于借助于目標檢測模型對所述圖像進行識別，得到人體的邊界框、以及床的邊界框，其中，在構(gòu)建所述目標檢測模型時，將結(jié)合通道注意力機制和空間注意力機制的cbam模塊添加至yolov8n；交并比計算模塊，用于根據(jù)所述人體的邊界框、以及所述床的邊界框，計算交并比；交并比判斷模塊，用于判斷所述交并比是否小于交并比閾值；處于活動狀態(tài)判定模塊，用于若所述交并比小于交并比閾值，判定所述人體處于活動狀態(tài)；骨骼關(guān)鍵點識別模塊，用于利用ghostnet-openpose姿態(tài)估計網(wǎng)絡(luò)識別人體的骨骼關(guān)鍵點，且輸出各個骨骼關(guān)鍵點的坐標，其中，在構(gòu)建所述ghostnet-openpose時，將特征提取部分以ghostnet替換vgg-19，openpose多分支迭代機構(gòu)僅保留初始階段和一個細化階段，合并部分卷積結(jié)構(gòu)計算關(guān)鍵點熱度圖和部分親和場，且使用coco數(shù)據(jù)集作為訓練集；實時關(guān)節(jié)角度計算模塊，用于基于各個骨骼關(guān)鍵點的坐標，計算得到肘關(guān)節(jié)的實時關(guān)節(jié)角度和膝關(guān)節(jié)的實時關(guān)節(jié)角度；跌倒事件識別模塊，用于將所述肘關(guān)節(jié)的實時關(guān)節(jié)角度和所述膝關(guān)節(jié)的實時關(guān)節(jié)角度輸入決策樹跌倒分類算法，識別跌倒事件，其中，所述肘關(guān)節(jié)的關(guān)節(jié)角度的歷史數(shù)據(jù)和所述膝關(guān)節(jié)的關(guān)節(jié)角度的歷史數(shù)據(jù)作為訓練集訓練所述決策樹跌倒分類算法，所述肘關(guān)節(jié)的關(guān)節(jié)角度的歷史數(shù)據(jù)和所述肘關(guān)節(jié)的關(guān)節(jié)角度的歷史數(shù)據(jù)是基于所述ghostnet-openpose姿態(tài)估計網(wǎng)絡(luò)輸出的各個骨骼關(guān)鍵點的坐標的歷史數(shù)據(jù)計算得到的，所述骨骼關(guān)鍵點的坐標的歷史數(shù)據(jù)是基于所述目標檢測模型輸出的人體的邊界框的寬高比的歷史數(shù)據(jù)計算得到的。

7、根據(jù)本公開的第三方面，提供了一種跌倒事件識別裝置，包括：存儲器；以及耦接至所述存儲器的處理器，所述處理器被配置為基于存儲在所述存儲器的指令，執(zhí)行如上述的跌倒事件識別方法。

8、根據(jù)本公開的第四方面，提供了一種計算機可存儲介質(zhì)，其上存儲有計算機程序指令，該指令被處理器執(zhí)行時實現(xiàn)如上述的跌倒事件識別方法。

9、本公開的有益效果：

10、（1）在圖像預處理階段引入直方圖均衡處理技術(shù)，增強了圖像的對比度，提高了圖像細節(jié)的可見性，有效提升圖像質(zhì)量，進而使得床和人體的識別準確率分別提高近三個百分點。

11、（2）cbam模塊的引入結(jié)合了通道注意力機制和空間注意力機制，cbam模塊能在不改變通道維度的情況下壓縮空間維度，更好地關(guān)注目標的位置信息，準確生成人體的邊界框、床的邊界框。

12、（3）針對原始的openpose關(guān)鍵點檢測網(wǎng)絡(luò)進行優(yōu)化，龍ghosenet作為主干特征提取網(wǎng)絡(luò)，其中，包含了se注意力模塊和深度可分離卷積等技術(shù)，將浮點運算次數(shù)由8.85gflops減少為6.28gflops，有效地減少了模型的參數(shù)量和計算復雜度，能夠?qū)崿F(xiàn)實時識別，在coco關(guān)鍵點識別數(shù)據(jù)集上的識別準確率提高了9.5%，適合在資源受限的環(huán)境中部署和應用。

13、（4）選擇了最能代表人體異常姿態(tài)變化的多個特征，采用了能有效解決分類問題的決策樹模型。通過實驗評估證明該模型在整體上對跌倒事件的識別準確率達到95.46%，對跌倒事件響應更加可靠，同時，也在精確度和召回率間取得了較好的平衡，兩者計算數(shù)值分別為94.87%和93.54%，可以兼顧正負樣本的識別。

14、如上，本公開提供的技術(shù)手段能應用于包含床和人體的特定室內(nèi)場所，作為輔助陪護的技術(shù)手段，能提高老年人和特定人群的生活質(zhì)量，減少意外傷害的發(fā)生。