(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 202210570391.5 (22)申请日 2022.05.24 (71)申请人 哈工大机 器人集团股份有限公司 地址 150040 黑龙江省哈尔滨市经开区哈 平路集中区大连北路与兴凯路交口处 申请人 济南大学 (72)发明人 石胜君　宋帅博　赵钦君　王磊　 赵方　毕淑慧　申涛　 (74)专利代理 机构 济南圣达知识产权代理有限 公司 372 21 专利代理师 李圣梅 (51)Int.Cl. G06V 40/10(2022.01) G06V 40/20(2022.01) G06V 10/44(2022.01)G06V 10/764(2022.01) G06V 10/82(2022.01) G06K 9/62(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 一种基于改进YOLOX网络的跌倒检测方法及 系统 (57)摘要 本申请提供一种基于改进YOL OX网络的跌倒 检测方法及系统， 涉及目标检测技术领域， 该跌 倒检测方法通过获取不同场景下的人体动作图 像， 并进行数据增强处理， 可以对人体动作图像 进行补充， 丰富训练样本， 提升跌倒检测 网络模 型的训练效果； 样本图像经过主干特征提取网络 进行特征提取， 并经过加强特征提取网络进行特 征融合， 得到加强特征层， 将加强特征层输入至 分类预测网络得到人体动作类别与目标检测框， 其中， 加强特征提取网络为在特征金字塔网络的 指定位置引入注意力机制， 通过该方式， 可以提 取出图像通道方向的深层次特征， 增强目标检测 效果， 从而提高人体动作的检测精度。 权利要求书2页 说明书8页 附图7页 CN 114882532 A 2022.08.09 CN 114882532 A 1.一种基于改进YOLOX网络的跌倒检测方法， 其特 征在于， 包括： 获取不同场景 下的人体动作图像； 对所述人体动作图像进行 数据增强处 理， 得到样本图像； 建立YOLOX网络结构， 所述样本图像经过主干特征提取网络进行特征提取， 并经过加强 特征提取网络进行特征融合， 得到加强特征层， 将所述加强特征层输入至分类预测网络得 到人体动作类别与目标检测框， 其中， 所述加强特征提取网络为在特征金字塔网络的指定 位置引入注意力机制； 对所建立的YOLOX网络结构进行训练， 得到跌倒 检测网络模型， 利用所述跌倒 检测网络 模型对人体动作图像进行跌倒检测。 2.如权利要求1所述的基于改进YOLOX网络的跌倒检测方法， 其特征在于， 在所述获取 不同场景下的人体动作图像之前， 还包括： 设定不同的拍摄场景， 针对每一个拍摄场景， 从 多个角度拍摄该拍摄场景下 的人体动作视频， 提取所述人体动作视频中的帧图像， 得到人 体动作图像； 所述人体动作视频的拍摄角度包括人体的侧面、 正面和反面； 人体动作包括站 立、 跌倒和坐。 3.如权利要求1所述的基于改进YOLOX网络的跌倒检测方法， 其特征在于， 采用以下方 法对所述人体动作图像进 行数据增强处理： 采用色域变换， 改变图像亮度， 以适应不同光线 条件下的检测效果； 和/或， 采用图像扭曲、 图片缩放， 改变图片不同尺寸， 以适应不同摄像 头远近拍摄下的检测效果； 和/或， 采用镜像翻转， 扩充图像数据， 以适应不同角度下的检测 效果。 4.如权利要求1所述的基于改进YOLOX网络的跌倒检测方法， 其特征在于， 所述主干特 征提取网络包括Focus网络结构、 基本卷积层、 CS P残差网络和S PP空间金子塔池化。 5.如权利要求1所述的基于改进YOLOX网络的跌倒检测方法， 其特征在于， 在所述特征 图金字塔网络中， 图像特征依次经过上采样、 下采样和信息融合处理， 在所述图像特征的特 征输入端、 上采样输出端、 下采样输出端和特 征输出端引入注意力机制。 6.如权利要求5所述的基于改进YOLOX网络的跌倒检测方法， 其特征在于， 所述注意力 机制包括E CA通道注意力模块和CBAM卷积注意力模块。 7.如权利要求1所述的基于改进YOLOX网络的跌倒检测方法， 其特征在于， 所述分类预 测网络包括两个分支的卷积层， 其中一个分支用于预测目标的人体动作类别， 另一个分支 用于预测目标检测框的回归参数和置信度。 8.一种基于改进YOLOX网络的跌倒检测系统， 其特 征在于， 包括： 获取模块， 用于获取不同场景 下的人体动作图像； 处理模块， 用于对所述人体动作图像进行 数据增强处 理， 得到样本图像； 模型构建模块， 用于建立YOLOX网络结构， 所述样本图像经过主干特征提取网络进行特 征提取， 并经过加强特征提取网络进 行特征融合， 得到加强特征层， 将所述加强特征层输入 至分类预测网络得到人体动作类别与目标检测框， 其中， 所述加强特征提取网络为在特征 金字塔网络的指定位置引入注意力机制； 跌倒检测模块， 用于对所建立的YOLOX网络结构进行训练， 得到跌倒检测网络模型， 利 用所述跌倒检测网络模型对人体动作图像进行跌倒检测。 9.一种计算机设备， 其特征在于， 包括： 处理器、 存储器和总线， 所述存储器存储有所述权　利　要　求　书 1/2 页 2 CN 114882532 A 2处理器可执行 的机器可读指令， 当计算机设备运行时， 所述处理器与所述存储器之间通过 总线通信， 所述机器可读指 令被所述处理器执行时执行如权利要求 1至7任一项 所述的基于 改进YOLOX网络的跌倒检测方法的步骤。 10.一种计算机可读存储介质， 其特征在于， 所述计算机可读存储介质上存储有计算机 程序， 所述计算机程序被处理器运行时执行如权利要求1至7任一项所述的基于 改进YOLOX 网络的跌倒检测方法的步骤。权　利　要　求　书 2/2 页 3 CN 114882532 A 3