一种基于机器学习的人体轮廓分割与跌倒检测的方法

本发明涉及机器学习领域，具体涉及一种基于机器学习的人体轮廓分割与跌倒检测的方法。

背景技术：

1、跌倒是日常生活中最常见的不良事件之一。根据世界卫生组织的统计报告，跌倒是造成意外伤亡的第二大原因，在公共密集场所发生跌倒容易引发踩踏事故，导致严重的安全事故。传统跌倒检测方法主要有基于穿戴设备和基于环境传感器对人体跌倒进行检测。然而，可穿戴设备需要实时佩戴，容易造成人体活动不方便，并且存在容易忘记佩戴的缺点，而基于环境设备的跌倒检测需要在特定的环境中安装传感器设备，成本较高，不方便移植

2、人体轮廓检测一直都是图像处理领域研究的热点问题，在监控系统、军事扫描搜寻、无人驾驶以及机场的安全等方面都有着息息相关的应用。针对目前在地下停车场或者机场等不方便进行人工监督的地方，为了保障行人安全，近年来，随着人工智能与计算机视觉不断地融入人们的生活，与之相关的人体轮廓检测技术变得越来越重要。

3、跌倒检测在体育运动、特种作业、国防安全等领域也引起了广泛的研究关注。在体育运动领域，跌倒可能导致运动员的严重伤害，甚至影响他们的职业生涯。跌倒检测的研究旨在利用传感器和监测设备，及时识别运动员的跌倒行为，提供实时警报和援助，以减少运动伤害的发生。这对于提高运动员的安全性、保护他们的健康、优化训练计划和改善比赛结果具有重要意义。在特种作业领域，如消防员、建筑工人和军事人员等，跌倒可能发生在危险和复杂的环境中，带来严重的伤害和安全隐患。跌倒检测的研究致力于开发智能监测系统，可以实时识别和预测特种作业人员的跌倒风险，并提供警报和紧急救援，以提高他们的安全性和工作效率。在国防安全领域，军事人员在战斗或训练中可能面临高强度和极端环境，跌倒可能导致伤害和任务失败。通过跌倒检测技术，可以实时监测士兵的动作和姿势，识别潜在的跌倒风险，并提供警报和救援措施，以确保士兵的安全和任务的顺利完成。

4、如何有效避免跌倒事件的发生以及如何及时对跌倒做出反应，对于公共场合和室内场景都是需要解决的问题。及时识别和应对跌倒事件，对于跌倒检测技术的研究有助于提高安全性、保护人员健康、提高工作效率和任务完成率。

技术实现思路

1、基于背景技术存在的问题，本发明提出了一种基于机器学习的人体轮廓分割与跌倒检测的方法。目的是解决当人跌倒时及时识别并告知以应对突发情况，防止给人带来二次伤害，让跌倒的人及时能够被发现，降低跌倒对人的伤害，不让他们错过最佳医疗时间，保障人们的生命安全。

2、本发明提出的一种基于机器学习的人体轮廓分割与跌倒检测的方法包括：

3、图像去噪：图像的去噪处理即是对图像进行滤波操作。目的在于抽出图像的特征以及去掉数字化图像中的噪声成分高斯滤波其实就是用高斯函数进行滤波，是一种低通滤波，高斯滤波的效果使得图像就像半透明一样，与镜头的焦外成像效果不太一样，图像与正态分布进行卷积得到高斯模糊，由于高斯函数经过傅里叶变换得到另一种不一样的高斯函数，所以高斯滤波是一种低通滤波，其不断减弱了图像边缘的频率变化，对于消除正态分布形状的噪声效果很好。

4、图形形态学处理：膨胀处理是一种经典图像形态学滤波，而图像形态学即数学形态学，形态学处理即针对离散图片进行的一种滤波模式，膨胀处理的原理与图像腐蚀恰好相反。二值化物体边界点进行扩充，将与物体接触的所有背景点合并到该物体中，使边界向外部扩张。如果两个物体间隔较近，会将两物体连通在一起。对填补图像分割后物体的空洞有用。

5、边缘检测：图像边缘检测在轮廓检测中是极为重要的一环，在图像去噪与增强之后一般常用阈值化的方法进行检测。图像的边缘检测是许多图像分析的重要基础，比如在目标区域识别领域、图像分割领域以及区域形状提取领域等等，也可以应用到图像识别领域来达到提取图像的一般特征的目的。sobel算子是一种典型的高通线性滤波器，其实是一种离散微分算子且主要用于边缘检测，具有方向性，会根据核的不同而改变其图像的垂直频率或水平频率。其通过微分求导与高斯函数结合可求出图像任何一处灰度的法向量或梯度矢量。

6、本发明采用pytorch中的随机梯度下降(stochastic gradient descent，sgd)优化器对网络进行迭代深度训练，同时使用交叉熵函数计算训练代价。本发明通过对l-unet网络的深度训练，实现对人体轮廓的快速分割。先利用图像分割标注软件对采集到的pmmwi/vi数据进行人体轮廓的数据标注以生成数据标签。然后将以训练数据激励l-unet网络而得到模型预测值，进而将结合监督标签信息，采用交叉熵代价函数计算训练代价，以sgd最小代价函数优化器对l-unet的网络参量进行调优，随着调优训练的迭代进展，使l-unet的分割性能得以不断提高，在满足终止条件时得到认可。进而利用该认可的l-unet实施人体轮廓的分割，给出有效的分割结果。

7、基于相似性测度的学习过程优化：在训练过程中，一方面本发明将pmmwi/vi分割图像对输入网络进行训练；另一方面，对于分割过程产生的人体内的空洞区域，对其进行填充生成填充后的分割图像，作为训练集的扩增集参与训练以提高网络性能的鲁棒性。

8、基于u-net深度学习的漏检补正与虚警目标滤除：经过分割或配准后的pmmwi/vi中可能会存在噪声点，因此需要在图像配准之后进行背景噪声过滤，以防产生虚警干扰。可以调节位移场梯度的正则化项占总代价函数的比重大小，影响坐标变换的程度也即控制着图像形变的程度。

9、svm跌倒检测：设计了一种运动物体行为辨识中采用基于两级svm分类器的方法。第一级svm分类器用于判决运动物体是否处于非直立(下蹲、跌倒等)状态，提取物体的宽高比、最小包含物体矩形框面积、最小包含物体矩形框周长、运动物体高度等特征进行分类器的训练和分类判决。对于第一级分类器判决为非直立状态的图像帧，将它送入第二级svm分类器进行分类判决。第二级svm分类器用于区分运动物体处于跌倒或其他的非直立状态，提取zernike矩特征、运动物体的高度、运动物体的宽度、运动物体轮廓面积、运动物体轮廓周长等特征进行分类器的训练和分类判决。如果第二级svm分类器判决为属于跌倒姿势状态类，系统自动发出报警信息。

10、最终输出轮廓检测的效果以及跌倒检测的结果，对比与其他方法，此方法提高了准确率，提高了跌倒检测的速度，在检测到跌倒第一时间发出预警，对于保障人们的生命安全有着重要的意义。

技术特征：

1.一种基于机器学习的人体轮廓分割与跌倒检测的方法，其特征在于，包括以下步骤：s1：对于设备获取的图像进行去噪处理；s2：对去噪好的图像进行图像形态学处理；s3：之后对图像的边缘进行检测；s4：使用轻量级u-net网络进行分割；s5：绘制人体轮廓；s6：最后通过svm来判断是否跌倒。

2.根据权利1所述的基于机器学习的人体轮廓分割与跌倒检测的方法，其特征在于，所述s1过程中，图像去噪目的在于抽出图像的特征以及去掉数字化图像中的噪声成分，通过调研发现高斯滤波更适用于人体轮廓检测，高斯滤波是一种低通滤波，其不断减弱了图像边缘的频率变化，对于消除正态分布形状的噪声效果很好，均值为零的一维高斯函数为：在高斯滤波器中，像素的权重与距离其中心像素点的数值成正比，故而均值为零的二维高斯：高斯函数封装在gaussianblur函数中，其作用就是将图像与高斯核函数进行卷积，对支持这一运算的就过滤掉。

3.根据权利1所述的基于机器学习的人体轮廓分割与跌倒检测的方法，其特征在于，所述s2过程中，图像形态学处理主要依靠膨胀处理，膨胀处理是一种经典图像形态学滤波，而图像形态学即数学形态学，形态学处理即针对离散图片进行的一种滤波模式。

4.根据权利1所述的基于机器学习的人体轮廓分割与跌倒检测的方法，其特征在于，所述s3过程中，在图像去噪与增强之后一般常用阈值化的方法进行检测，如果像素值大于等于某个阈值，该像素就被赋予某个值，否则被赋予另一个值，在这里使用自适应阈值，可以计算图像中不同区域的阈值，以适应不同场景。

5.根据权利1所述的基于机器学习的人体轮廓分割与跌倒检测的方法，其特征在于，所述s4过程中，u-net网络应用跳跃连接结合低层特征的细节信息，能够有效地弥补下采样过程造成的空间信息损失，帮助网络恢复更精确的分割结果，在图像分割中具有卓越的性能优势；先进行3×3卷积进一步提取特征信息，进而通过转置卷积进行上采样以使空间信息得以恢复，在上采样过程中，通过使用解码模块最后可获得与原图尺寸相同的输出结果，采用pytorch中的随机梯度下降(stoehasticgradient de scent，sgd)优化器对网络进行迭代深度训练，以训练数据激励l-unet网络而得到模型预测值，进而将结合监督标签信息，采用交叉熵代价函数计算训练代价，以sgd最小代价函数优化器对l-unet的网络参量进行调优，随着调优训练的迭代进展，使l-unet的分割性能得以不断提高，在满足终止条件时得到认可，进而利用该认可的l-unet实施人体轮廓的分割，给出有效的分割结果。

6.根据权利1所述的基于机器学习的人体轮廓分割与跌倒检测的方法，其特征在于，所述s6过程中，设计了一种运动物体行为辨识中采用基于两级svm分类器的方法，第一级svm分类器用于判决运动物体是否处于非直立(下蹲、跌倒等)状态，提取物体的宽高比、最小包含物体矩形框面积、最小包含物体矩形框周长、运动物体高度等特征进行分类器的训练和分类判决，对于第一级分类器判决为非直立状态的图像帧，将它送入第二级svm分类器进行分类判决，第二级svm分类器用于区分运动物体处于跌倒或其他的非直立状态，提取zernike矩特征、运动物体的高度、运动物体的宽度、运动物体轮廓面积、运动物体轮廓周长等特征进行分类器的训练和分类判决，如果第二级svm分类器判决为属于跌倒姿势状态类，系统自动发出报警信息。

技术总结本发明提供了一种基于机器学习的人体轮廓分割与跌倒检测的方法，包括以下步骤：先对获取到的图像进行处理；包括使用高斯滤波不断减弱了图像边缘的频率变化进行图像去噪；图像形态学处理，二值化物体边界点进行扩充，将与物体接触的所有背景点合并到该物体中，使边界向外部扩张等；之后使用L‑UNet网络进行分割，采用交叉熵代价函数计算训练代价，以SGD最小代价函数优化器对L‑UNet的网络参量进行调优，随着调优训练的迭代进展，使L‑UNet的分割性能得以不断提高；最后通过两级SVM分类器判断人体是否跌倒，输出预测的结果。本方法针对图像分割效果差、预测结果准确率不高的情况，使用改进的L‑UNet提升分割效果和二级SVM提高准确率。技术研发人员：张留美,白璐,朱成龙受保护的技术使用者：西安石油大学技术研发日：技术公布日：2024/8/20