(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 202211095472.0 (22)申请日 2022.09.08 (71)申请人 中国人民解 放军国防科技大 学 地址 410073 湖南省长 沙市开福区德雅路 109号 (72)发明人 王蕾　郭莎莎　康子扬　杨智杰　 李石明　肖勋　刘威　龚锐　 唐玉华　徐炜遐　 (74)专利代理 机构 湖南兆弘专利事务所(普通 合伙) 43008 专利代理师 谭武艺 (51)Int.Cl. G06V 40/10(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01)G06T 7/66(2017.01) G06V 10/30(2022.01) G06V 10/44(2022.01) G06V 10/764(2022.01) G06V 10/82(2022.01) G06V 20/52(2022.01) G06V 40/14(2022.01) (54)发明名称 一种基于事件流质心轨迹的跌倒检测方法 及系统 (57)摘要 本发明公开了一种基于事件流质心轨迹的 跌倒检测方法及系统， 本发明方法包括将DVS原 始事件流滤除背景活动噪声得到DVS去噪事件 流； 对DVS去噪事件流进行质心检测得到事件流 质心； 针对事件流质心以固定长度的质心轨迹作 为分类器的输入得到跌倒或非跌倒的二分类标 签； 其中对DVS 去噪事件 流进行质心 检测为将DVS 去噪事件流通过脉冲神经网络SNN推理判断有无 运动物体， 并计算 分类激活图CAM， 再计算分类激 活图CAM的中心作为得到的事件流质心。 本发明 首先对事件 流进行去噪处理， 再通过SNN结合CA M 提取质心轨迹特征后进行分类获得跌倒检测结 果， 能够在含噪数据上实现高精度和低延迟。 权利要求书2页 说明书11页 附图4页 CN 115482555 A 2022.12.16 CN 115482555 A 1.一种基于事 件流质心轨 迹的跌倒检测方法， 其特 征在于， 包括： S1， 将DVS原 始事件流滤除背景活动噪声， 得到DVS去噪事 件流； S2， 对DVS去噪事 件流进行质心检测， 得到事 件流质心； S3， 针对得到的事件流质心， 以其中固定长度的质心轨迹作为分类器的输入， 得到跌倒 或非跌倒的二分类标签。 2.根据权利要求1所述的基于事件流质心轨迹的跌倒检测方法， 其特征在于， 步骤S2包 括： 将DVS去噪事件流通过脉冲神经网络SNN推理判断有无运动物体， 并基于推理结果计算 分类激活图CAM， 再计算分类激活图CAM的中心作为得到的事 件流质心。 3.根据权利要求2所述的基于事件流质心轨迹的跌倒检测方法， 其特征在于， 所述脉冲 神经网络SNN包括依次相连的卷积层、 最大池化层、 卷积层、 最大池化层、 全局平均池化层 GAP以及输出全连接层， 所述输出全连接层输出的结果是有运动物体或无运动物体这两类 标签之一； 所述基于推理结果计算分类激活图CAM是指在推理结束后使用输出全连接层的 权值、 第二个最大池化层的输出特征图来计算分类激活图CAM； 所述计算分类激活 图CAM的 中心作为得到的事件流质心是指确定分类激活图CAM的像素点值较大的指 定比例的部 分像 素点， 并计算该部分像素点的位置平均值作为事 件流质心。 4.根据权利要求3所述的基于事件流质心轨迹的跌倒检测方法， 其特征在于， 所述计算 分类激活图CAM的函数表达式为： ， 上式中，CAM表示计算分类激活图， n为通道数量， wic为输出全连接层中第 i个通道对应 分类类别 c的权值，fi为第二个最大池化层的输出的第 i个通道的特征图， 分类类别 c取值为 有运动物体和无运动物体。 5.根据权利要求3所述的基于事件流质心轨迹的跌倒检测方法， 其特征在于， 所述脉冲 神经网络SNN中的前一个卷积层具有6个卷积核、 后一个卷积层具有12  个卷积核， 且 卷积核 的大小均为5 ×5， 最大池化层的池化窗口大小均为2 ×2， 全局平均池化层GAP为窗口大小为 9×9平均池化层等 价实现。 6.根据权利要求3所述的基于事件流质心轨迹的跌倒检测方法， 其特征在于， 步骤S2之 前还包括训练脉冲神经网络SN N的步骤： 步骤1， 建立与脉冲神经网络SNN相同网络拓扑结构的深度卷积神经网络CNN， 且深度卷 积神经网络CNN的输入为DVS原始事件流累计得到的事件帧， 且深度卷积神经网络CNN中的 神经元采用连续 实数值来传递信息， 除了最后的一层输出全连接层以外的其他层中神经元 均采用ReLU激活函数， 最后一层输出全连接层的神经 元采用Softmax激活函数； 步骤2， 采用包含运动人体的事件图像帧作为正样本、 只包含噪声的事件帧作为负样 本， 将正样本和负 样本构成训练样本 完成对深度卷积神经网络 CNN的训练； 步骤3， 将深度卷积神经网络CNN转换到脉冲神经网络SNN， 从而得到训练好的脉冲神经 网络SNN。 7.根据权利要求6所述的基于事件流质心轨迹的跌倒检测方法， 其特征在于， 步骤3中 将深度卷积神经网络CNN转换到脉冲神经网络SNN包括： 将深度卷积神经网络CNN中的卷积 层和输出全连接层转换到脉冲神经网络SNN中， 将全局平均池化层GAP采用窗口大小为9 ×9权　利　要　求　书 1/2 页 2 CN 115482555 A 2的平均池化层实现以转换到脉冲神经网络SNN中， 将深度卷积神经网络CNN中的最大池化层 仅使用集成点火神经 元模型实现以转换到脉冲神经网络SN N中。 8.根据权利要求1所述的基于事件流质心轨迹的跌倒检测方法， 其特征在于， 步骤S3 中 相邻两次输入分类的固定长度的质心轨迹之间存在重叠， 且采用的分类器所采用的分类算 法为k‑最近邻算法、 高斯朴素贝叶斯 算法、 决策树 算法和随机森林算法中的一种。 9.一种基于事件流质心轨迹的跌倒检测系统， 包括相互连接的微处理器和存储器， 其 特征在于， 所述微处理器被编程或配置以执行权利要求 1～8中任意一项 所述基于事件流质 心轨迹的跌倒检测方法的步骤。 10.一种计算机可读存储介质， 其中存储有计算机程序， 其特征在于， 所述计算机程序 用于被微处理器编程或配置以执行权利要求1～8 中任意一项所述基于事件流质心轨迹的 跌倒检测方法的步骤。权　利　要　求　书 2/2 页 3 CN 115482555 A 3