技术特征：
1.一种基于机器视觉的摔倒检测方法，其特征在于，包括步骤：s1：获取实时的监控视频数据；s2：对实时监控视频数据进行数据增强处理，得到视频中每一帧图像对应的图像张量信息；s3：对图像张量信息中的人体关键骨骼点进行提取，并将提取到的骨骼点转化为一组骨骼点坐标；s4：获取n张连续图像帧的骨骼点坐标，根据连续图像帧的相邻帧之间骨骼点坐标的位置关系，识别图像中人体的姿态，进而判断图像中的人是否出现异常情况，所述异常情况是指摔倒且有异常行为；s5：若判断为异常情况，则将报警信息发送到预设报警对象。2.根据权利要求1所述的一种基于机器视觉的摔倒检测方法，其特征在于，步骤s2所述数据增强处理具体包括步骤：s21：直方图均衡化处理，以增强图像对比度；s22：灰度值归一化处理，使得图像灰度值区间从[0,255]映射为[
‑
1,1]；s23：对图像进行图像尺寸填充调整，使用零填充策略将图像填充为正方形的长宽比例，并从原尺寸放缩为统一的预设尺寸。3.根据权利要求1所述的一种基于机器视觉的摔倒检测方法，其特征在于，步骤s3提取所述骨骼点包括步骤：s31：将数据增强后的图像输入基于热图的生成式模型；s32：通过模型的特征提取模块循环执行四次的3x3卷积、批量归一化、最大池化处理，从3通道rgb图像张量信息中提取出关于人体高级特征信息张量；s33：通过模型的解码器循环执行两次的反卷积、3x3卷积、批量归一化处理，将所述高级特征信息张量转换为m通道关键骨骼点热图，其中每一个热图对应了一个人体关键骨骼点。4.根据权利要求3所述的一种基于机器视觉的摔倒检测方法，其特征在于，步骤s3还包括骨骼点数据库数据处理步骤，具体为：骨骼点数据库保存有最新的n帧图像的骨骼点坐标队列，对骨骼点坐标队列进行整合，得到一个形如nxmx2的骨骼点序列张量，然后对骨骼点序列张量进行flatten处理后得到骨骼点一维向量，在又有新的一帧视频图像的骨骼点坐标提取完毕后，删除位于所述骨骼点坐标队列头的m个人体关键骨骼点坐标，并将新一帧的m个人体关键骨骼点坐标数据塞入骨骼点坐标队列尾中。5.根据权利要求4所述的一种基于机器视觉的摔倒检测方法，其特征在于，步骤s4所述识别人体的肢体动作包括步骤：s41：将所述骨骼点数据库数据处理步骤中flatten处理后得到的所述骨骼点一维向量输入随机森林模型；s42：随机森林模型中的100个学习器各自判断画面中的人是否摔倒，并且每个学习器对识别结果进行投票，若判断为摔倒且出现异常行为时投赞成票，否则投反对票；s43：记录投票结果，然后返回执行步骤s1，若连续三次投票结果的赞成票超过50票，则认为发生异常情况，并将发生异常情况的判断结果传输给步骤s5。6.一种基于机器视觉的摔倒检测系统，其特征在于，包括：摄像头、图像预处理单元、骨
骼点提取单元、骨骼点数据库、姿态识别单元；并且所述摄像头、图像预处理单元、骨骼点提取单元、骨骼点数据库、姿态识别单元依次连接；摄像头采集实时监控画面，并将监控画面传输给图像预处理单元，图像预处理单元对监控画面图像进行数据增强，将数据增强后的图像传输给骨骼点提取单元，骨骼点提取单元提取图像中的骨骼点坐标，将骨骼点坐标数据传输给骨骼点数据库，骨骼点数据库保存有最新的n帧图像的骨骼点坐标队列，对骨骼点坐标队列进行整合，得到一个形如nxmx2的骨骼点序列张量，然后对骨骼点序列张量进行flatten处理后得到骨骼点一维向量，骨骼点数据库将所述骨骼点一维向量发送给姿态识别单元，姿态识别单元识别姿态是否出现异常情况，若识别结果是摔倒且出现异常行为则为异常情况。7.根据权利要求6所述的一种基于机器视觉的摔倒检测系统，其特征在于，所述图像预处理单元包括：直方图均衡化模块、灰度值归一化模块、尺寸调整模块，所述直方图均衡化模块、灰度值归一化模块、尺寸调整模块依次连接，直方图均衡化模块首先对输入图像进行直方图均衡化处理，然后直方图均衡化模块将处理后的图像传输到灰度值归一化模块，灰度值归一化模块对图像进行灰度值归一化处理，然后灰度值归一化模块将处理后的图像传输到尺寸调整模块，尺寸调整模块对图像进行图像尺寸填充调整，使用零填充策略将图像填充为正方形的长宽比例，并从原尺寸放缩为统一的预设尺寸。8.根据权利要求6所述的一种基于机器视觉的摔倒检测系统，其特征在于，所述骨骼点提取单元为基于热图的生成式模型，所述基于热图的生成式模型是一款基于全卷积的热图回归型姿态估计深度神经网络，所述模型包括：特征提取模块和解码器，所述特征提取模块具有编码器结构，模型接收图像预处理单元输出的图像，由特征提取模块循环执行四次的3x3卷积、批量归一化、最大池化处理，从3通道rgb图像张量信息中提取出关于人体高级特征信息张量，然后模型的解码器循环执行两次的反卷积、3x3卷积、批量归一化处理，将所述高级特征信息张量转换为m通道关键骨骼点热图，其中每一个热图对应了一个人体关键骨骼点。9.根据权利要求6所述的一种基于机器视觉的摔倒检测系统，其特征在于，所述骨骼点数据库传入新的骨骼点坐标时，删除骨骼点数据库中位于所述骨骼点坐标队列头的m个人体关键骨骼点坐标，并将新一帧的m个人体关键骨骼点坐标数据塞入骨骼点坐标队列尾中。10.根据权利要求6所述的一种基于机器视觉的摔倒检测系统，其特征在于，还包括报警单元，所述姿态识别单元为随机森林模型，所述随机森林模型中包括100个学习器，每个学习器各自判断画面中的人是否摔倒，并且对识别结果进行投票，若判断为摔倒且出现异常行为时投赞成票，否则投反对票，记录投票结果，然后返回执行步骤s1，若连续三次投票结果的赞成票超过50票，则认为发生异常情况，并将发生异常情况的判断结果传输给报警单元。
技术总结
本发明公开了一种基于机器视觉的摔倒检测方法和系统，涉及摔倒检测技术领域，所述方法包括步骤：获取实时的监控视频数据，对所述监控视频数据进行数据增强处理，提取人体关键骨骼点，通过多帧图像之间骨骼点位置关系，确定用户姿态，若识别出异常情况，则将报警信息发送到预设报警对象；本发明对摄像头采集的图像中人的姿态自动化进行识别，无繁琐操作使用方便，并且识别过程不涉及将监控录像上传到服务器或监控人员处，整个摔倒检测过程可以直接部署在本地，没有隐私泄露风险，在判断为摔倒情况后还需确认出现异常行为，防止对未发生紧急情况进行误报，避免人力物力资源的浪费。避免人力物力资源的浪费。避免人力物力资源的浪费。
技术研发人员：梁梓熙 尹明 杨文俊 何少聪 周明悦 谭家权 何铭乐
受保护的技术使用者：广东工业大学
技术研发日：2021.06.15
技术公布日：2021/9/14