(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 202211263212.X (22)申请日 2022.10.14 (71)申请人 深圳市优必选科技股份有限公司 地址 518000 广东省深圳市南 山区学苑大 道1001号南山智园C1栋16、 2 2楼 (72)发明人 王侃　胡淑萍　方芹　陈嘉莉　 蔡诗晗　庞建新　谭欢　 (74)专利代理 机构 北京超凡宏宇专利代理事务 所(特殊普通 合伙) 11463 专利代理师 姚大雷 (51)Int.Cl. G06V 20/40(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) G06V 10/774(2022.01)G06V 10/82(2022.01) G06V 20/52(2022.01) (54)发明名称 人体跌倒检测方法及特征提取模型获取方 法、 和装置 (57)摘要 本申请属于图像处理技术领域， 尤其涉及一 种人体跌倒检测方法及特征提取模 型获取方法、 和装置， 该人体跌倒检测方法包括： 将待检测的 人体图像输入至特征提取模型中， 得到目标图像 特征， 其中， 该特征提取模型基于使站姿类别图 像特征聚合并且跌倒类别图像特征与站姿类别 图像特征分离的约束训练得到； 然后根据所述目 标图像特征与预存的站姿类别的人体图像特征 均值之间的距离来确定当前人体图像为人体跌 倒图像还是人体站姿图像。 该方法可以解决由监 控摄像头部署位置限制、 人体被遮挡引等问题引 起的跌倒检测困难的问题。 权利要求书2页 说明书10页 附图4页 CN 115482494 A 2022.12.16 CN 115482494 A 1.一种人体图像特 征提取模型获取 方法， 其特 征在于， 包括： 将带人体姿态标注 的样本图像输入特征提取网络中进行特征提取， 得到 图像特征， 所 述图像特 征包括跌倒类别图像特 征和站姿类别图像特 征； 根据损失函数， 对所述特征提取网络进行训练， 得到训练后的特征提取模型， 所述损失 函数包括第一损失函数项和第二损失函数项， 所述第一损失函数项用于约束站姿类别图像 特征相似性， 所述第二损失函数项用于约束站姿类别图像特征聚合并且跌倒类别图像特征 与站姿类别图像特 征分离。 2.根据权利要求1所述的人体图像特征提取模型获取方法， 其特征在于， 所述约束站姿 类别图像特 征聚合并且跌倒类别图像特 征与站姿类别图像特 征分离， 包括： 约束每张站姿类别图像特征与站姿类别图像特征的均值之间的距离在预设范围内， 以 及约束跌倒类别图像特 征与所述均值之间的距离大于预设距离阈值。 3.根据权利要求1所述的人体图像特征提取模型获取方法， 其特征在于， 所述第 一损失 函数项采用交叉熵损失函数， 所述第二损失函数项采用度量学习损失函数； 所述根据损失 函数， 对所述特 征提取网络进行训练， 包括： 通过所述交叉熵损失函数计算所述站姿类别图像特征的交叉熵损失值， 并通过所述度 量学习损失函数计算所述跌倒类别图像特 征与所述站姿类别图像特 征的度量学习损失值； 将所述交叉熵损失值和所述度量学习损失值之和作为总损失值， 并利用所述总损失值 更新所述特 征提取网络的网络参数， 直至更新后的特 征提取网络满足预设收敛 条件。 4.根据权利要求3所述的人体图像特征提取模型获取方法， 其特征在于， 所述度量学习 损失函数包括第一度量学习损失子函数和 第二度量学习损失子函数； 所述第一度量学习损 失子函数和所述第二度量学习损失子函数的表达式分别为： 式中， 和 分别表示所述第一度 量学习损失子函数和所述第二度量学习损失子 函数； N为样本图像数量； 表示第i个跌倒类别图像特征fiB与站姿类别图像特 征的均值 之间的距离； α 为预设距离阈值。 5.根据权利要求3所述的人体图像特征提取模型获取方法， 其特征在于， 所述交叉熵损 失函数的表达式如下： 式中， Lce表示所述交叉熵损失函数； N为样本图像 数量； W1和W2分别表示站姿类别和跌倒权　利　要　求　书 1/2 页 2 CN 115482494 A 2类别的权 重向量； fi表示第i个图像特 征。 6.根据权利要求1所述的人体图像特征提取模型获取方法， 其特征在于， 所述将带人体 姿态标注的样本图像输入特 征提取网络中进行 特征提取， 之前还 包括： 构造多个训练批次， 每个所述训练批注包括数量相等的多 张站姿类别样本图像和多张 跌倒类别样本图像。 7.一种人体跌倒检测方法， 其特 征在于， 包括： 将待检测的人体图像输入至根据权利要求1至6中任一项所述的方法得到的特征提取 模型中进行 特征提取， 得到目标图像特 征； 若所述目标图像特征与预存的站姿类别图像特征均值之间的距离大于等于预设距离 阈值， 则确定所述人体图像为人体跌倒图像； 若所述目标图像特 征小于所述预设距离阈值， 则确定所述人体图像为人体站姿图像。 8.一种人体图像特 征提取模型获取装置， 其特 征在于， 包括： 特征提取模块， 用于将带人体姿态标注的样本图像输入特征提取网络中进行特征提 取， 得到图像特 征， 所述图像特 征包括跌倒类别图像特 征和站姿类别图像特 征； 网络训练模块， 用于根据损失函数， 对所述特征提取网络进行训练， 得到训练后的特征 提取模型， 所述损失函数包括第一损失函数项和第二损失函数项， 所述第一损失函数项用 于约束站姿类别图像特征相似性， 所述第二损失函数项用于约束站姿类别图像特征聚合并 且跌倒类别图像特 征与站姿类别图像特 征分离。 9.一种终端设备， 其特征在于， 所述终端设备包括处理器和存储器， 所述存储器存储有 计算机程序， 所述处理器用于执行所述计算机程序以实施权利要求1 ‑7中任一项所述的方 法。 10.一种可读存储介质， 其特征在于， 其存储有计算机程序， 所述计算机程序在处理器 上执行时， 实施根据权利要求1 ‑7中任一项所述的方法。权　利　要　求　书 2/2 页 3 CN 115482494 A 3