(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211496481.0 (22)申请日 2022.11.28 (71)申请人 中南财经政法大 学 地址 430000 湖北省武汉市武昌区武珞路 114号 (72)发明人 何泽仪　叶旭贤　 (74)专利代理 机构 武汉蓝宝石专利代理事务所 (特殊普通 合伙) 42242 专利代理师 韩梦晴 (51)Int.Cl. G06V 10/26(2022.01) G06V 10/774(2022.01) G06V 10/82(2022.01) G06V 20/70(2022.01) G06V 40/10(2022.01)G06V 40/20(2022.01) G08B 21/04(2006.01) (54)发明名称 一种跌倒报警方法、 系统、 电子设备及存储 介质 (57)摘要 本发明提供一种跌倒报警方法、 系统、 电子 设备及存储介质， 方法包括： 获取二维人体姿态 图像并进行预处理， 利用训练好的RDMA CNet模型 对人体姿态图像进行语义分割， 以提取人体骨骼 关键节点数据， 根据人体骨骼关键节 点数据预测 图像中人物跌倒行为。 本发明通过语义分割人体 姿态图像的深度学习模型， 对人体行为进行较为 准确地识别， 可应用于跌倒判断的场景， 尤其是 应用于任何独居人口 的室内监护追 踪领域。 权利要求书2页 说明书10页 附图5页 CN 115546491 A 2022.12.30 CN 115546491 A 1.一种跌倒报警方法， 其特 征在于， 包括： 获取二维人体姿态图像并进行预处理， 利用训练好的RDMACNet模型对人体姿态图像进 行语义分割， 以提取人体骨骼关键节点数据， 根据人体骨骼关键节点数据预测图像中人物 跌倒行为。 2.根据权利要求1所述的一种跌倒报警方法， 其特征在于， 还包括： 构 建RDMACNet模型， 所述RDMACNet模型包括编码器与解码器,其中： 所述编码器包括多个依次连接的残差密集不对称空洞卷积块， 各个残差密集不对称空 洞卷积块的内部连接结构相同， 所述编 码器用于提取人体姿态图像中的人体骨骼关键节点 的图像特 征； 所述解码器包括1 ×1卷积层、 3 ×3卷积层、 激活函数、 上采样操作层和其相应的连接结 构， 所述解码器用于根据编 码器提取的人体骨骼关键节点的图像特征输出对人体姿态图像 的分割结果。 3.根据权利要求2所述的一种跌倒报警方法， 其特 征在于， 所述残差密集不对称空洞卷积块包括依次连接的1 ×3空洞卷积层、 3 ×1空洞卷积层、 3 ×3空洞卷积层和1 ×1卷积层， 还 包括池化层和另一个3 ×3卷积层； 将输入当前残差密集不对称空洞卷积块的原始特征图输入1 ×3空洞卷积层， 依次经过 3×1空洞卷积层、 3 ×3空洞卷积层和1 ×1卷积层后输出 特征图； 原始特征图还输入另一个3 ×3卷积层， 原始特征图经过另一个3 ×3卷积层处理后、 使 用残差连接的方式与1 ×1卷积层输出 的特征图相加， 相加后的特征图输入池化层， 池化层 输出残差密集 不对称空洞卷积块 最终提取的特 征图。 4.根据权利要求1~3任一项所述的一种跌倒报警方法， 其特征在于， 还包括对RDMACNet 模型的训练， 具体包括： 构建包含各类人体姿态特征的图像数据集， 将图像数据集按比例划分为训练集与测试 集； 将训练集输入RDMACNet模型进行训练， 得到所述RDMACNet模型的权 重文件； 通过训练过程的反向传播， 采用使损 失函数最小的方式， 不断变更网络权值使网络输 出迭代逼近真值， 得到优化的RDMACNet模型权重文件， 所述优化的RDMACNet模型权重文件 作为所述RDMACNet模型的输入； 将测试集输入训练完成的RDMACNet模型进行测试， 直到像素级精度 地提取人体重要骨 骼节点触碰地 面的图像结果， 根据提取的图像结果进行 人体姿态估计。 5.根据权利要求4所述的一种跌倒报 警方法， 其特征在于， 所述构建包含各类人体姿态 特征的图像数据集， 将图像数据集按比例划分为训练集与测试集； 包括： 构建包含MPII数据集和MS  COCO数据集的图像数据集， 将图像数据集中的图像裁剪为 适用于RDMACNet模型的统一 规格； 将裁剪后的MPI I数据集按比例划分为训练集 一与测试集 一； 将裁剪后的MS COCO数据集按比例划分为训练集 二与测试集 二； 对RDMACNet模型的训练过程中采用训练集一和训练集二分别 进行训练， 采用测试集一 和测试集二分别进行测试。 6.根据权利要求 4所述的一种跌倒报警方法， 其特 征在于， 损失函数L的计算过程包括：权　利　要　求　书 1/2 页 2 CN 115546491 A 2采用交叉熵损失函数LCE和noise‑robust Dice损失函数LNR‑Dice， 通过下式计算损失函 数L： 其中， 依据经验设定， N表示图像中像素点的数量， qi表示图像中第i个像素点对应标 注的值， pi表示网络模型对第i个 像素点的预测通过Softmax函数后的值。 7.根据权利要求1所述的一种跌倒报 警方法， 其特征在于， 所述根据人体骨骼关键节点 数据预测图像中人物跌倒行为， 包括： 假设跌倒行为发生时、 根据人体力学得到的人体单个骨骼关键节点k触碰地面的图像 表达以及该骨骼关键节点 k对应跌倒事实的权 重Wk之间的映射关系为： ， 通过下式计算跌倒行为预测值E与权 重Wk之间的关系： ， 其中， [a， b]为任意骨骼 节点区间， 定义该区间内元 素个数Count=  b‑a+ 1； 根据计算得到的跌倒行为预测值E判断图像中是否有表示跌倒行为的人体姿态。 8.一种跌倒报警系统， 其特 征在于， 包括： 预处理模块， 用于获取二维人体姿态图像并进行 预处理； 提取模块， 用于利用训练好的RDMACNet模型对人体姿态图像进行语义分割， 以提取人 体骨骼关键节点数据； 识别模块， 用于根据人体骨骼关键节点数据预测图像中人物跌倒行为。 9.一种电子设备， 其特征在于， 包括存储器、 处理器， 所述处理器用于执行存储器中存 储的计算机管理类程序时实现如权利要求1 ‑7任一项所述的一种跌倒报警方法的步骤。 10.一种计算机可读存储介质， 其特征在于， 其上存储有计算机管理类程序， 所述计算 机管理类程序被处理器执行时实现如权利要求1 ‑7任一项所述的一种跌倒报警方法的步 骤。权　利　要　求　书 2/2 页 3 CN 115546491 A 3