申请/专利权人：四川自由健信息科技有限公司

申请日：2019-08-22

公开（公告）日：2023-06-30

公开（公告）号：CN110472614B

主分类号：G06V40/20

分类号：G06V40/20;G06V10/762;G06V10/764

优先权：

专利状态码：有效-授权

法律状态：2023.06.30#授权;2019.12.13#实质审查的生效;2019.11.19#公开

摘要：本发明公开了一种晕倒行为的识别方法。本发明属于监控技术领域，尤其涉及一种晕倒行为的识别方法。解决了现有技术中需要设置多个摄像头来对晕倒行为进行检测，且检测不精确的问题。本发明的技术方案：采用帧差法获取视频数据中移动的数据，通过聚类算法匹配人物轮廓相似度与面积相似度，进行跟踪，计算外接矩形，如果目标运动速度出现骤然变化并且外接矩形的长宽比超过阈值或者发生倒置，判断为摔倒，如果摔倒时间超过阈值则判断为晕倒。本发明可以解决在健身房管理中及时地发现监控目标出现的晕倒的情况并及时地做以对应的处理，对目标聚类进行分析和计算，并能判断摔倒、晕倒姿态，从而精确地判断晕倒行为。

主权项：1.一种晕倒行为的识别方法，其特征在于，包括以下步骤：步骤1：采用帧差法获取视频数据中的移动数据，用移动数据当前帧的灰度数据减去移动数据上一帧的灰度数据，得到的差值数据，所述差值数据为变化数据；步骤2：通过高斯滤波器对变化数据进行加权平均，通过加权平均后得到每一个点的像素值；步骤3：对像素值进行中值滤波，通过阈值化，构成二维模板，将二维模板内的所有像素值按大到小进行排序，生成单调上升的二维数据序列，所述二维数据序列输出为：Gx,y＝med{fx-k,y-l,k,l∈W}，其中，W为二维模板，此模板初始化是一个5×5的线状区域，fx,y为原始图像,Gx,y为阈值化之后的图像；步骤4：二维数据序列通过加权系数的聚类算法得到聚类数据，加入聚类外接矩形以及矩形的长宽比，将聚类数据与人体的轮廓数据做比对；步骤5：对所述聚类数据进行目标跟踪，通过目标跟踪来记录聚类数据的属性变化；步骤6：所述属性变化包括外接矩形的长宽比和移动速度，计算聚类数据外接矩形的长宽比和聚类数据的移动速度，如果聚类数据外接矩形长宽比超过阈值或者倒置，且聚类数据的运动速度超过阈值或者出现瞬时变化，设置该聚类为目标聚类；定义目标人物躯干的质心x,y； 其中，n：躯干部分的骨骼点；通过当前帧与上一帧目标人物的质心位置之间的像素差，根据帧率和程序运行载体服务器的运行速度计算目标人物的运动速度，V＝pixels×FPS×Vrun其中，s：像素大小与逻辑判断的物体尺寸比例，Vnm：隔帧法的隔帧阈值，pixel：前后两帧质心之间的欧几里得距离；其中，长宽比的阈值取值流程为，计算目标现有矩形长y轴长度宽x轴长度比值，spevalue＝x：y，如果当前比值大于1大于1的比值通常属于异常范围，则记录该值，并计算反比；如果在某一帧矩形外形发生变化，比值趋于1或大于记录值，记录当前值与记录值之间的变化量，变化超过记录值的60％且此时的长宽比与之前记录值长宽比的比值大于等于1.5，则算做摔倒；否则跳过记录流程，如果比值变化大于等于1.5或者出现倒置，则直接认定为摔倒流程；其中，运动速度的阈值取值流程为：此值为一个预设值，获取目标人物的运动速度加入集合同一人物的运动速度只取一次，当集合大小大于10时，计算平均运动速度；如果在某一帧，目标人物的移动速度超过平均运动速度的30％，则属于超过阈值；此阈值需要实时更新，且需要排除以下数据加入重新计算：1，已经被判断为超过阈值的运动速度数据2，被认为是噪点数据的运动速度数据速度在40像素s的情况下且没有发生实际位移的人物速度；步骤7：横向距离中，目标聚类外接矩形与其它聚类外接矩形作比较，如果其它聚类外接矩形宽度小于目标聚类外接矩形的宽度，且此目标聚类的长宽比大于阈值，则判断为摔倒；步骤8：计算目标聚类摔倒的时间，如果时间超过阈值时间，目标聚类没有再次发生速度瞬时变化，运动速度没有超过阈值，且长宽比没有超过阈值，以上条件全满足则判断为晕倒。

全文数据：

权利要求：

百度查询： 四川自由健信息科技有限公司 一种晕倒行为的识别方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD