(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 202210571013.9 (22)申请日 2022.05.24 (71)申请人 安徽云佑信息科技有限公司 地址 230000 安徽省合肥市高新区望江西 路900号中安创谷科技园D9栋5层533 室 (72)发明人 张云龙　 (74)专利代理 机构 合肥律众知识产权代理有限 公司 34147 专利代理师 殷娟 (51)Int.Cl. G06V 40/20(2022.01) G06V 10/42(2022.01) G06V 10/44(2022.01) G06V 10/82(2022.01)G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 一种人体摔倒行为识别算法 (57)摘要 本发明涉及摔倒识别， 具体涉及一种人体摔 倒行为识别算法， 识别视频画面内的骨架信息， 并基于骨架信息获取骨架特征数据； 将骨架特征 数据输入训练好的第一摔倒识别模 型中， 得到第 一摔倒识别结果； 将视频画面中骨骼点在空间坐 标系内的投影坐标转换为RGB值， 并转换为骨骼 点灰度图像； 将骨骼点灰度图像输入训练好的第 二摔倒识别模型中， 得到第二摔倒识别结果； 综 合判断第一摔倒识别结果、 第二摔倒识别结果， 得到人体摔倒检测识别结果； 本发 明提供的技术 方案能够有效克服现有技术所存在的无法对人 体摔倒行为进行准确识别的缺陷。 权利要求书2页 说明书5页 附图2页 CN 114842557 A 2022.08.02 CN 114842557 A 1.一种人体摔倒行为识别算法， 其特 征在于： 包括以下步骤： S1、 识别视频画面内的骨架信息， 并基于骨架信息获取骨架特 征数据； S2、 将骨架特 征数据输入训练好的第一 摔倒识别模型中， 得到第一 摔倒识别结果； S3、 将视频画面中骨骼点在空间坐标系内的投影坐标转换为RGB值， 并转换为骨骼点灰 度图像； S4、 将骨骼点灰度图像输入训练好的第二 摔倒识别模型中， 得到第二 摔倒识别结果； S5、 综合判断第一 摔倒识别结果、 第二 摔倒识别结果， 得到人体摔倒检测识别结果。 2.根据权利要求1所述的人体摔倒行为识别算法， 其特征在于： S1中识别视频画面内的 骨架信息， 包括： 对视频画面进行帧处理， 并采用预先设置的人体骨架识别模型提取帧画面中的骨架信 息。 3.根据权利要求2所述的人体摔倒行为识别算法， 其特征在于： S1中基于骨架信 息获取 骨架特征数据， 包括： 基于骨架信 息获得整体位置信 息和局部骨架信 息， 对整体位置信 息和局部骨架信 息进 行汇总， 得到骨架特 征数据。 4.根据权利要求3所述的人体摔倒行为识别算法， 其特征在于： 所述基于骨架信 息获得 整体位置信息和 局部骨架信息， 包括： 遍历骨架信息， 得到骨骼点位置坐标的最大值和最小值， 并基于位置坐标的最大值和 最小值计算得到整体位置信息； 计算骨架信息中各骨骼点位置坐标与整体位置信息的差值， 汇总后得到局部骨架信 息。 5.根据权利要求1所述的人体摔倒行为识别算法， 其特征在于： S2中将骨架特征数据输 入训练好的第一 摔倒识别模型之前， 包括： 获取骨架特 征数据训练集， 构建第一 摔倒识别模型， 并确定相应的损失函数； 将骨架特征数据训练集输入第 一摔倒识别模型进行模型训练， 并通过损失函数计算损 失值； 当损失值区趋于收敛或者小于损 失阈值时， 停止模型训练， 得到训练好的第一摔倒识 别模型， 否则调整第一 摔倒识别模型的模型参数， 并继续进行模型训练。 6.根据权利要求5所述的人体摔倒行为识别算法， 其特征在于： 所述损失函数定义如 下： 其中， loss为损失值， N为骨架特征数据训练集的数量， T为骨架特征数据训练集每组骨 架特征数据的数量， R为骨架特征数据训练集中各组骨架特征数据对应的摔倒标签， R ’为与 骨架特征数据训练集中各组骨架特 征数据对应的输出 结果。 7.根据权利要求5所述的人体摔倒行为识别算法， 其特征在于： 所述损失阈值的计算方 法， 包括： 获取骨架特征数据训练集中各组骨架特征数据第一次输入第一摔倒识别模型后得到 的损失值；权　利　要　求　书 1/2 页 2 CN 114842557 A 2计算各损失值在高斯分布下的均值和标准差， 根据均值和标准差得到损失阈值。 8.根据权利要求1所述的人体摔倒行为识别算法， 其特征在于： S3中将视频画面中骨骼 点在空间坐标系内的投影坐标转换为RGB值， 并转换为骨骼点灰度图像， 包括： 将帧画面中各骨骼点投影在空间坐标系内的平面中， 并通过下式将投影坐标转换为 RGB值： 其中， CR、 CG、 CB分别为RGB值， (xij， yij， zij)为第i个帧画面中第j个骨骼点在空间坐标系 内的投影 坐标， xmax、 xmin分别为各帧画面中所有骨骼点对应xij的最大值、 最小值， ymax、 ymin分 别为各帧画面中所有骨骼点对 应yij的最大值、 最小值， zmax、 zmin分别为各帧画面中所有骨骼 点对应zij的最大值、 最小值； 将转换后得到的彩色图像转换为灰度图像， 得到骨骼点灰度图像。 9.根据权利要求1所述的人体摔倒行为识别算法， 其特征在于： S4中将骨骼点灰度图像 输入训练好的第二 摔倒识别模型之前， 包括： 获取人体摔倒和未摔倒对应的骨骼点灰度图像， 构建骨骼点灰度图像训练集， 同时构 建第二摔倒识别模型； 将骨骼点灰度图像训练集输入第二 摔倒识别模型， 并采用R ‑STDP算法进行模型训练； 当神经元突触的权重变化达到阈值时， 停止模型训练， 得到训练好的第二摔倒识别模 型。权　利　要　求　书 2/2 页 3 CN 114842557 A 3