跌倒检测方法、装置、设备及存储介质与流程

1.本发明属于安防监控技术领域，具体涉及一种跌倒检测方法、装置、设备及存储介质。


背景技术：

2.随着老龄化社会到来，中青年人员外出务工，如果老人在家发生跌倒等异常行为时，如若不能及时获得有效帮助或者及时告知家人，将会导致严重后果。因此，关于跌倒检测的研究越来越引起人们的关注。
3.现有的老人看护系统有基于多传感器的，有基于声学的，这些跌倒检测方式虽然算法简单，但是检测精度较差，实际应用中容易出现误判。


技术实现要素：

4.本发明的主要目的在于提供一种跌倒检测方法、装置、设备及存储介质，旨在解决现有跌倒检测方式检测精度较差，容易出现误判的技术问题。
5.本发明为达到其目的，所采用的技术方案如下：
6.一种跌倒检测方法，所述跌倒检测方法包括以下步骤：
7.获取目标区域的视频图像，并提取所述视频图像中含有目标人体的人体图像集；
8.对所述人体图像集进行状态特征检测，以获得所述人体图像集中各个人体图像的图像状态特征；其中，所述图像状态特征包括宽高比、质心距离和高度变化率；
9.基于所述图像状态特征，从所述人体图像集中筛选出待检测的目标人体图像；
10.基于预设的跌倒检测模型，对所述目标人体图像进行跌倒检测，获得跌倒检测结果。
11.进一步地，所述提取所述视频图像中含有目标人体的人体图像集的步骤，包括：
12.通过预设的背景差分法获取所述视频图像中含有运动物体的运动物体图像集；
13.通过预设的dpm算法从所述运动物体图像集中筛选出含有目标人体的所述人体图像集。
14.进一步地，当所述图像状态特征包括所述质心距离时，所述对所述人体图像集进行状态特征检测，以获得所述人体图像集中各个人体图像的图像状态特征的步骤，包括：
15.提取所述人体图像集中各个所述人体图像的质心点坐标和底边端点坐标；
16.基于提取到的所述质心点坐标和所述底边端点坐标，通过预设的质心距离计算公式计算出所述人体图像集中各个所述人体图像的所述质心距离；其中，所述质心距离h是指在矩形的所述人体图像中，质心点o(x0,y0)到两个底边端点a(x1,y1)和b(x2,y2)之间的连线ab的距离；所述质心距离计算公式为：
[0017][0018]
进一步地，当所述图像状态特征包括所述高度变化率时，所述对所述人体图像集进行状态特征检测，以获得所述人体图像集中各个人体图像的图像状态特征的步骤，包括：
[0019]
通过预设的高度变化率计算公式计算出所述人体图像集中各个人体图像的所述高度变化率；其中，所述高度变化率计算公式为：
[0020][0021]
式中，height为矩形的所述人体图像中目标人体的实时高度，heightavg为所述人体图像集中目标人体的平均高度。
[0022]
进一步地，所述基于所述图像状态特征，从所述人体图像集中筛选出待检测的目标人体图像的步骤，包括：
[0023]
判断所述人体图像集中各个所述人体图像的所述宽高比是否大于第一预设阈值、所述质心距离是否小于第二预设阈值以及所述高度变化率是否小于第三预设阈值；
[0024]
若所述人体图像的所述宽高比大于第一预设阈值且所述质心距离小于第二预设阈值，或者，所述宽高比大于第一预设阈值且所述高度变化率小于第三预设阈值，或者，所述质心距离小于第二预设阈值且所述高度变化率小于第三预设阈值，则将所述人体图像确定为所述目标人体图像。
[0025]
进一步地，所述基于预设的跌倒检测模型，对所述目标人体图像进行跌倒检测，获得跌倒检测结果的步骤之前，还包括：
[0026]
获取带有标签的训练样本数据，其中，所述训练样本数据包括跌倒样本图像和非跌倒样本图像，所述跌倒样本图像的标签为“1”，所述非跌倒样本图像的标签为“0”；
[0027]
构建卷积神经网络模型，其中，所述卷积神经网络模型包括卷积层、池化层、全连接层和softmax层；
[0028]
将所述训练样本数据输入所述卷积神经网络模型进行训练，并通过随机梯度下降法优化所述卷积神经网络的模型参数，得到训练完成的所述跌倒检测模型。
[0029]
进一步地，所述跌倒检测结果包括跌倒行为事件和正常行为事件；所述基于预设的跌倒检测模型，对所述目标人体图像进行跌倒检测，获得跌倒检测结果的步骤之后，还包括
[0030]
当所述跌倒检测结果为跌倒行为事件时，发出预警信息。
[0031]
对应地，本发明还提出一种跌倒检测装置，所述跌倒检测装置包括：
[0032]
提取模块，用于获取目标区域的视频图像，并提取所述视频图像中含有目标人体的人体图像集；
[0033]
特征检测模块，用于对所述人体图像集进行状态特征检测，以获得所述人体图像集中各个人体图像的图像状态特征；其中，所述图像状态特征包括宽高比、质心距离和高度变化率；
[0034]
筛选模块，用于基于所述图像状态特征，从所述人体图像集中筛选出待检测的目标人体图像；
[0035]
跌倒检测模块，用于基于预设的跌倒检测模型，对所述目标人体图像进行跌倒检测，获得跌倒检测结果。
[0036]
对应地，本发明还提出一种跌倒检测设备，所述跌倒检测设备包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的跌倒检测程序，所述跌倒检测程序配置为实现前述的跌倒检测方法的步骤。
[0037]
对应地，本发明还提出一种存储介质，所述存储介质上存储有跌倒检测程序，所述跌倒检测程序被处理器执行时实现前述的跌倒检测方法的步骤。
[0038]
与现有技术相比，本发明的有益效果是：
[0039]
本发明提出的跌倒检测方法，通过获取目标区域的视频图像，并提取视频图像中含有目标人体的人体图像集；然后对人体图像集进行状态特征检测，获得人体图像集中各个人体图像的图像状态特征；其中，图像状态特征包括宽高比、质心距离和高度变化率；接着基于图像状态特征，从人体图像集中筛选出待检测的目标人体图像；最后基于预设的跌倒检测模型，对目标人体图像进行跌倒检测；如此，通过采用将多种反映人体活动状态的图像状态特征进行有机融合的方式先筛选出疑似存在跌倒行为的目标人体图像，然后再通过跌倒检测模型对疑似存在跌倒行为的目标人体图像进行跌倒检测，从而不仅提高了人体跌倒检测的准确性，而且由于在通过跌倒检测模型进行跌倒检测时，既无需对视频图像中每一帧图像进行检测，也无需对含有目标人体的所有人体图像进行检测，而只需对筛选出来的疑似存在跌倒行为的目标人体图像进行检测，因此可大大降低处理器的运算压力，从而可提高人体跌倒检测的效率。
附图说明
[0040]
为了更清楚地说明本发明实施例技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0041]
图1为本发明实施例方案涉及的硬件运行环境的跌倒检测设备结构示意图；
[0042]
图2为本发明一实施例中跌倒检测方法的流程示意图；
[0043]
图3为本发明一实施例中人体正常走动时对应的人体图像示意图；
[0044]
图4为本发明一实施例中人体发生跌倒时对应的人体图像示意图；
[0045]
图5为本发明一实施例中跌倒检测装置的结构示意图。
[0046]
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
[0047]
为了能够更清楚地理解本发明的上述目的、特征和优点，下面结合附图和具体实施方式对本发明进行详细描述。需要说明的是，在不冲突的情况下，本发明的实施方式及实施方式中的特征可以相互组合。在下面的描述中阐述了很多具体细节以便于充分理解本发明，所描述的实施方式仅仅是本发明一部分实施方式，而不是全部的实施方式。基于本发明中的实施方式，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施
方式，都属于本发明保护的范围。
[0048]
除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中在本发明的说明书中所使用的术语只是为了描述具体的实施方式的目的，不是旨在于限制本发明。
[0049]
如图1所示，图1是本发明实施例方案涉及的硬件运行环境的跌倒检测设备的结构示意图。
[0050]
本发明实施例的跌倒检测设备可以是一种图像数据处理设备，例如可以是一种摄像头、服务器等，也可以是一种具有图像数据采集功能和图像数据处理功能的终端设备，例如可以是一种智能电视、智能手机、平板电脑等终端设备，本发明实施例对此不作具体的限制。
[0051]
如图1所示，该跌倒检测设备可以包括：处理器1001，例如cpu，通信总线1002，用户接口1003，网络接口1004，存储器1005。其中，通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏(display)、输入单元比如键盘(keyboard)，可选的用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如wi
‑
fi接口)。存储器1005可以是高速ram存储器，也可以是稳定的存储器(non
‑
volatilememory)，例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。
[0052]
本领域技术人员可以理解，图1中示出的结构并不构成对跌倒检测设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
[0053]
如图1所示，作为一种计算机存储介质的存储器1005中可以包括操作系统、网络通信模块、用户接口模块以及跌倒检测程序。
[0054]
在如图1所示的跌倒检测设备中，网络接口1004主要用于连接后台服务器，与后台服务器进行数据通信；用户接口1003主要包括输入单元比如键盘，键盘包括无线键盘和有线键盘，用于连接客户端，与客户端进行数据通信；而处理器1001可以用于调用存储于存储器1005中的跌倒检测程序，并执行本发明下述任一实施例中的跌倒检测方法中的操作。
[0055]
基于上述硬件结构，提出本发明跌倒检测方法实施例。
[0056]
参照图2，本发明一实施例提供一种跌倒检测方法，应用于跌倒检测设备，该跌倒检测设备可以是智能电视、智能手机、服务器等，为方便说明，以智能电视作为跌倒检测设备为例对本发明实施例的跌倒检测方法进行说明。具体地，该跌倒检测方法包括以下步骤：
[0057]
步骤s11，获取目标区域的视频图像，并提取视频图像中含有目标人体的人体图像集；
[0058]
步骤s12，对人体图像集进行状态特征检测，以获得人体图像集中各个人体图像的图像状态特征；其中，图像状态特征包括宽高比、质心距离和高度变化率；
[0059]
步骤s13，基于图像状态特征，从人体图像集中筛选出待检测的目标人体图像；
[0060]
步骤s14，基于预设的跌倒检测模型，对目标人体图像进行跌倒检测，获得跌倒检测结果。
[0061]
在上述步骤s11中，在具体的应用场景中，可通过在所需监控的区域(例如客厅)安装摄像头，智能电视通过摄像头来获取目标区域的视频图像，其中，目标区域是指摄像头所能覆盖的拍摄区域，摄像头与智能电视之间可通过现有的有线方式或无线方式实现通信。
在本步骤中，由于所获取到的视频图像中除了包含人体之外，可能还存在其他运动物体，因此需要从视频图像中将包含有人体的各帧图像提取出来，以获得由人体图像(即包含有人体的图像)组成的人体图像集，在一个具体的实现方式中，智能电视可根据人体运动特征对获取到的视频图像进行去噪处理，将不符合人体运动特征的运动物体从视频图像中去除，剩下只包含人体的视频帧即为人体图像，从而可以得到含有目标人体的人体图像集。如此，获取到目标区域的视频图像后，通过提取视频图像中含有目标人体的人体图像，一方面可以降低后续的图像处理压力，另一方面可以避免非人体图像的干扰而影响后续跌倒检测的准确性。
[0062]
在上述步骤s12～s13中，由于提取出来的人体图像集中可能包含有反映人体发生跌倒行为的人体图像，也可能包含有反映人体未发生跌倒行为的人体图像，因此，为进一步降低后续的图像处理压力以及避免反映人体未发生跌倒行为的人体图像的干扰而影响后续跌倒检测的准确性，本实施例对初次筛选出来的人体图像集作进一步的处理。具体地，本技术发明人研究发现，相比于正常的人体走动情况，若目标区域内的目标人体发生了跌倒行为，那么所采集到的人体图像的图像高度、图像宽度和图像的质心位置也会发生相应的变化，例如，参照图3和图4，通常情况下，当人体发生跌倒行为时，人体会出现倾倒、蹲下等异常行为，相应地，对应的人体图像的图像高度h会变小、图像宽度t会变大、质心位置o会降低。基于此，本实施例以人体图像的宽高比、质心距离和高度变化率作为筛选依据，从人体图像集中筛选出存在疑似跌倒行为的人体图像(即目标人体图像)作为后续需进行跌倒检测的对象。
[0063]
此处需要说明的是，上述宽高比是指图像宽度与图像高度之间的比值，参照图3和图4，假设某个人体图像的图像宽度为t、图像高度为h，则该人体图像的宽高比为t/h，一般而言，若目标区域内的目标人体未发生跌倒行为，则所采集到的人体图像的宽高比会小于1，相反，若目标区域内的目标人体发生跌倒行为，则所采集到的人体图像的宽高比会大于1，因此，若检测到某个人体图像的宽高比大于1，则该人体图像很可能是存在跌倒行为的目标人体图像。
[0064]
参照图3和图4，上述质心距离h是指人体图像的质心点o与人体图像的底边ab之间的垂直距离，一般而言，若目标区域内的目标人体发生跌倒行为，则所采集到的人体图像的质心距离会变小，因此，若检测到某个人体图像的质心距离小于一定的数值(该数值可通过实验获得，例如可以是0.83～0.86，优选为0.85)，则该人体图像很可能是存在跌倒行为的目标人体图像。
[0065]
上述高度变化率是指当前人体图像中目标人体的实时高度与所有人体图像(即人体图像集)中目标人体的平均高度之间的比值，一般而言，若目标区域内的目标人体发生跌倒行为，则所采集到的人体图像的图像高度也会发生一定的变化，因此，若检测到某个人体图像的高度变化率小于某个阈值(该阈值可通过实验获得，例如可以是0.83～0.86，优选为0.85)，则该人体图像很可能是存在跌倒行为的目标人体图像。
[0066]
在上述步骤s14中，上述跌倒检测模型是通过跌倒/非跌倒样本数据集训练得到的，其中，跌倒/非跌倒样本数据集可以包括基于人体的跌倒样本图像和正常行走样本图像。跌倒检测模型经过训练后可用于对人体图像进行跌倒检测，并输出用以表征目标区域内是否有人员发生跌倒行为的跌倒检测结果。在一些具体的实现方式中，可基于卷积神经
网络模型构建用于根据人体图像进行跌倒检测的跌倒检测模型。其中，卷积神经网络模型的分类函数使用softmax函数，该函数公式为：
[0067]
卷积神经网络模型的softmax层能够把输入的数据映射到0～1之间的实数，并且归一化保证和为1。在实际应用中，将某个人体图像输入到模型后，若模型输出的预测值小于预定阈值，则可将该人体图像对应的检测结果分类为跌倒行为事件，而若模型输出的预测值大于预定阈值，则可将该人体图像对应的检测结果分类为正常行为事件。
[0068]
本实施例提出的跌倒检测方法，通过获取目标区域的视频图像，并提取视频图像中含有目标人体的人体图像集；然后对人体图像集进行状态特征检测，获得人体图像集中各个人体图像的图像状态特征；其中，图像状态特征包括宽高比、质心距离和高度变化率；接着基于图像状态特征，从人体图像集中筛选出待检测的目标人体图像；最后基于预设的跌倒检测模型，对目标人体图像进行跌倒检测；如此，通过采用将多种反映人体活动状态的图像状态特征进行有机融合的方式先筛选出疑似存在跌倒行为的目标人体图像，然后再通过跌倒检测模型对疑似存在跌倒行为的目标人体图像进行跌倒检测，从而不仅提高了人体跌倒检测的准确性，而且由于在通过跌倒检测模型进行跌倒检测时，既无需对视频图像中每一帧图像进行检测，也无需对含有目标人体的所有人体图像进行检测，而只需对筛选出来的疑似存在跌倒行为的目标人体图像进行检测，因此可大大降低处理器的运算压力，从而可提高人体跌倒检测的效率。
[0069]
进一步地，在上述步骤s11中，可通过以下方式提取视频图像中含有目标人体的人体图像集：
[0070]
步骤s111，通过预设的背景差分法获取视频图像中含有运动物体的运动物体图像集；
[0071]
步骤s112，通过预设的dpm算法从运动物体图像集中筛选出含有目标人体的人体图像集。
[0072]
在上述步骤s111中，背景差分法是一种能够将运动的物体从背景中检测出来的运动目标检测方法，其基本思想是将当前每一帧图像与事先存储或实时获取的背景图像相减,计算出与背景偏离超过一定阀值的区域作为运动区域。该算法实现简单,相减结果直接给出目标的位置、大小、形状等信息,能够提供关于运动目标区域的完整描述,特别是对于摄像机静止的情况,背景差分法是实现运动目标实时检测和提取的首选方法。因此，本步骤通过背景差分法能够有效将视频图像中含有运动物体的运动物体图像提取出来，从而获得由多个运动物体图像组成的运动物体图像集。
[0073]
在上述步骤s112中，dpm(deformable partmodel，可变性部件模型)算法是一种基于部件的检测方法，对目标的形变具有很强的鲁棒性，被广泛应用于行人检测。dpm算法使用根滤波器和若干个部件滤波器来描述目标的结构，通过根滤波器来描述目标的整体轮廓，通过若干个部件滤波器来描述目标的各个组成部分，通过计算根滤波器和部件滤波器响应以及部件模型相对根模型位置偏移的综合得分，判断是否存在待检测目标。对于容易发生形变的目标，该设计方案使得目标检测更加准确。训练过程通过隐藏支持向量机(latent supportvector machine，简称latent
‑
svm)数据学习可变形部件模型的问题简化为二分类问题，提高系统整体检测性能。因此，本步骤通过dpm算法能够有效将运动物体图
像集中含有行人的人体图像筛选出来，从而获得由多个人体图像组成的人体图像集。
[0074]
进一步地，参照图2至图4，当图像状态特征包括质心距离时，上述对人体图像集进行状态特征检测，以获得人体图像集中各个人体图像的图像状态特征的步骤s12，包括：
[0075]
步骤s121，提取人体图像集中各个人体图像的质心点坐标和底边端点坐标；
[0076]
步骤s122，基于提取到的质心点坐标和底边端点坐标，通过预设的质心距离计算公式计算出人体图像集中各个人体图像的质心距离；其中，质心距离h是指在矩形的人体图像中，质心点o(x0,y0)到两个底边端点a(x1,y1)和b(x2,y2)之间的连线ab的距离；质心距离计算公式为：
[0077][0078]
在上述步骤s121中，具体地，为方便提取人体图像的质心坐标，参照图3和图4，在从视频图像中提取人体图像时，可通过结合现有的图像轮廓检测算法(如dmp算法等)将人体图像截取为轮廓边框为矩形的图像(即，人体图像中的人体轮廓外接最小的矩形边框)，如此，两条对角线的交点坐标o即为质心点坐标，当然，在其它的一些实现方式中，亦可通过其它现有的图像质心算法确定人体图像的质心点坐标，只要能提取到人体图像的质心点坐标即可，本实施例对此不作具体的限制。而两个底边端点a和b的坐标则为底边第一个像素的坐标和最后一个像素的坐标。
[0079]
在上述步骤s122中，获得某个人体图像的质心点o的坐标和两个底边端点a和b的坐标后，通过结合上述质心距离计算公式进行计算即可求得该人体图像的质心距离h。
[0080]
进一步地，参照图2至图4，当图像状态特征包括高度变化率时，上述对人体图像集进行状态特征检测，以获得人体图像集中各个人体图像的图像状态特征的步骤s12，包括：
[0081]
步骤s123，通过预设的高度变化率计算公式计算出人体图像集中各个人体图像的高度变化率；其中，高度变化率计算公式为：
[0082][0083]
式中，height为矩形的人体图像中目标人体的实时高度，heightavg为人体图像集中目标人体的平均高度。
[0084]
在本实施例中，具体地，为方便计算，参照图3和图4，在从视频图像中提取人体图像时，可通过结合现有的图像轮廓检测算法(如dmp算法等)将人体图像截取为轮廓边框为矩形的图像，如此，人体图像的图像高度h即为目标人体的实时高度，所有人体图像的平均图像高度即为人体图像集中目标人体的平均高度，进而通过结合上述高度变化率计算公式进行计算即可求得各个人体图像的高度变化率。
[0085]
进一步地，上述基于图像状态特征，从人体图像集中筛选出待检测的目标人体图像的步骤s13，包括：
[0086]
步骤s131，判断人体图像集中各个人体图像的宽高比是否大于第一预设阈值、质心距离是否小于第二预设阈值以及高度变化率是否小于第三预设阈值；
[0087]
若人体图像的宽高比大于第一预设阈值且质心距离小于第二预设阈值，或者，人体图像的宽高比大于第一预设阈值且高度变化率小于第三预设阈值，或者，人体图像的质心距离小于第二预设阈值且高度变化率小于第三预设阈值，则执行步骤s132，将人体图像确定为目标人体图像。
[0088]
在本实施例中，通过结合至少两个图像状态特征是否满足预定条件的方式来从人体图像集中筛选出疑似存在跌倒行为的目标人体图像，有利于提高目标人体图像的可靠性，进而有利于进一步提高后续跌倒检测的效率和准确性。具体地，上述第一预设阈值可选为1，上述第二预设阈值可选为0.85，上述第三预设阈值可选为0.85，若某个人体图像的宽高比大于1且其质心距离小于0.85，则可据此将该人体图像确定为目标人体图像，用以作为后续通过跌倒检测模型进行跌倒检测的对象；又或者，若某个人体图像的宽高比大于1且其高度变化率小于0.85，则可据此将该人体图像确定为目标人体图像，用以作为后续通过跌倒检测模型进行跌倒检测的对象；又或者，若某个人体图像的质心距离小于0.85且其高度变化率小于0.85，则可据此将该人体图像确定为目标人体图像，用以作为后续通过跌倒检测模型进行跌倒检测的对象。
[0089]
进一步地，上述基于预设的跌倒检测模型，对目标人体图像进行跌倒检测，获得跌倒检测结果的步骤s14之前，还包括：
[0090]
步骤s101，获取带有标签的训练样本数据，其中，训练样本数据包括跌倒样本图像和非跌倒样本图像，跌倒样本图像的标签为“1”，非跌倒样本图像的标签为“0”；
[0091]
步骤s102，构建卷积神经网络模型，其中，卷积神经网络模型包括卷积层、池化层、全连接层和softmax层；
[0092]
步骤s103，将训练样本数据输入卷积神经网络模型进行训练，并通过随机梯度下降法优化卷积神经网络的模型参数，得到训练完成的跌倒检测模型。
[0093]
在上述步骤s101中，具体地，可通过摄像头分别采集反映人员正常行走的正常行走样本录像和反映人员发生跌倒的跌倒样本录像，然后通过背景差分法结合dmp算法从各自的样本录像中提取出含有人体的人体图像(当然也可以采用其它成熟的行人检测算法从视频录像中提取出含有行人的人体图像)，然后将获得的人体图像划分为跌倒样本图像和非跌倒样本图像并标记上相应的样本标签，其中，跌倒样本图像的样本标签可标记为“1”，非跌倒样本图像的样本标签可标记为“0”。
[0094]
在上述步骤s103中，卷积层用于做特征非线性映射，池化层用于降低数据规模、提高鲁棒性，全连接层和softmax层用于分类识别。
[0095]
在上述步骤s103中，具体地，卷积神经网络训练的参数为连接层间的权值a和偏置量b，训练过程使用随机梯度下降优化方法，其包括前向传播和反向传播两个阶段，训练过程具体如下：
[0096]
通过随机初始化的方式对权值a进行初始化、通过定值初始化的方式对偏置量b进行初始化；
[0097]
将训练样本数据t：{xi，yi}输入卷积神经网络，样本特征经各层向前传播，其中，xi为训练样本(跌倒样本图像和非跌倒样本图像)的特征数据，yi为样本标签；
[0098]
计算样本标签和实际输出之间的误差c；
[0099]
以最小化训练误差为目标调整网络权值，直至误差c小于预设误差允许值时，固定
权重a和偏置量b。从而得到优化后的卷积神经网络，优化后的卷积神经网络可作为跌倒检测模型用以准确地对人体图像进行跌倒检测。
[0100]
在本实施例中，基于上述步骤，可使得预设的跌倒检测模型更加准确，从而可进一步提高人体跌倒检测的准确性。
[0101]
进一步地，跌倒检测结果包括跌倒行为事件和正常行为事件；上述基于预设的跌倒检测模型，对目标人体图像进行跌倒检测，获得跌倒检测结果的步骤s14之后，还包括
[0102]
步骤s15，当跌倒检测结果为跌倒行为事件时，发出预警信息。
[0103]
在本实施例中，当跌倒检测模型输出的跌倒检测结果为跌倒行为事件时，智能电视可据此发出预警信息，例如现场发出警报声、现场发出语音提示、向与智能电视进行绑定(通过app等方式进行绑定)的用户终端发送提醒信息等，以使跌倒人员能及时被发现，以便及时获得有效的帮助，降低发生严重后果的风险。
[0104]
对应地，参照图5，本发明实施例还提供一种跌倒检测装置，该跌倒检测装置包括：
[0105]
提取模块11，用于获取目标区域的视频图像，并提取视频图像中含有目标人体的人体图像集；
[0106]
特征检测模块12，用于对人体图像集进行状态特征检测，以获得人体图像集中各个人体图像的图像状态特征；其中，图像状态特征包括宽高比、质心距离和高度变化率；
[0107]
筛选模块13，用于基于图像状态特征，从人体图像集中筛选出待检测的目标人体图像；
[0108]
跌倒检测模块14，用于基于预设的跌倒检测模型，对目标人体图像进行跌倒检测，获得跌倒检测结果。
[0109]
进一步地，上述提取模块11，包括：
[0110]
获取单元，用于通过预设的背景差分法获取视频图像中含有运动物体的运动物体图像集；
[0111]
筛选单元，用于通过预设的dpm算法从运动物体图像集中筛选出含有目标人体的人体图像集。
[0112]
进一步地，上述特征检测模块12，包括：
[0113]
提取单元，用于提取人体图像集中各个人体图像的质心点坐标和底边端点坐标；
[0114]
第一计算单元，用于基于提取到的质心点坐标和底边端点坐标，通过预设的质心距离计算公式计算出人体图像集中各个人体图像的质心距离；其中，质心距离h是指在矩形的人体图像中，质心点o(x0,y0)到两个底边端点a(x1,y1)和b(x2,y2)之间的连线ab的距离；质心距离计算公式为：
[0115][0116]
进一步地，上述特征检测模块12，还包括：
[0117]
第二计算单元，用于通过预设的高度变化率计算公式计算出人体图像集中各个人体图像的高度变化率；其中，高度变化率计算公式为：
[0118][0119]
式中，height为矩形的人体图像中目标人体的实时高度，heightavg为人体图像集中目标人体的平均高度。
[0120]
进一步地，上述筛选模块13，包括：
[0121]
判断单元，用于判断人体图像集中各个人体图像的宽高比是否大于第一预设阈值、质心距离是否小于第二预设阈值以及高度变化率是否小于第三预设阈值；
[0122]
第一确定单元，用于当人体图像的宽高比大于第一预设阈值且质心距离小于第二预设阈值时，将人体图像确定为目标人体图像。
[0123]
第二确定单元，用于当人体图像的宽高比大于第一预设阈值且高度变化率小于第三预设阈值时，将人体图像确定为目标人体图像。
[0124]
第三确定单元，用于当人体图像的质心距离小于第二预设阈值且高度变化率小于第三预设阈值时，将人体图像确定为目标人体图像。
[0125]
进一步地，上述跌倒检测装置，还包括：
[0126]
获取模块，用于获取带有标签的训练样本数据，其中，训练样本数据包括跌倒样本图像和非跌倒样本图像，跌倒样本图像的标签为“1”，非跌倒样本图像的标签为“0”；
[0127]
构建模块，用于构建卷积神经网络模型，其中，卷积神经网络模型包括卷积层、池化层、全连接层和softmax层；
[0128]
训练模块，用于将训练样本数据输入卷积神经网络模型进行训练，并通过随机梯度下降法优化卷积神经网络的模型参数，得到训练完成的跌倒检测模型。
[0129]
进一步地，跌倒检测结果包括跌倒行为事件和正常行为事件；上述跌倒检测装置，还包括：
[0130]
预警模块，用于当跌倒检测结果为跌倒行为事件时，发出预警信息。
[0131]
需要说明的是，关于上述实施例中的跌倒检测装置，其中各个模块或单元执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，本领域技术人员可以理解，此处不再赘述。
[0132]
对应地，本发明实施例还提供一种存储介质，其为计算机可读的存储介质，该存储介质上存储有跌倒检测程序，跌倒检测程序被处理器执行时实现上述任一实施例中的跌倒检测方法的步骤。
[0133]
在本实施例中，上述存储介质可以包括但不限于任何类型的盘(包括软盘、硬盘、光盘、cd
‑
rom、和磁光盘)、rom(read
‑
only memory，只读存储器)、ram(random accessmemory，随机存储器)、eprom(erasable programmable read
‑
only memory，可擦写可编程只读存储器)、eeprom(electrically erasable programmable read
‑
only memory，电可擦可编程只读存储器)、闪存、磁性卡片或光线卡片等各种可以存储程序代码的介质。
[0134]
显然，本领域的技术人员应当理解，上述的本发明的各模块或各步骤可以用通用的计算装置来实现，它们可以集中在单个的计算装置上，或者分布在多个计算装置所组成的网络上，可选地，它们可以用计算装置可执行的程序代码来实现，从而，可以将它们存储在存储装置中由计算装置来执行，并且在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤，或者将它们分别制作成各个集成电路模块，或者将它们中的多个模块或
步骤制作成单个集成电路模块来实现。这样，本发明不限制于任何特定的硬件和软件结合。
[0135]
需要说明的是，本发明公开的跌倒检测方法、装置、设备及存储介质的其它内容可参见现有技术，在此不再赘述。
[0136]
以上所述，仅是本发明的可选实施例而已，并非对本发明作任何形式上的限制，故凡是未脱离本发明技术方案内容，依据本发明的技术实质对以上实施例所作的任何修改、等同变化与修饰,均仍属于本发明技术方案的范围内。