一種基于改進的智能學習算法的老年人防摔倒技術的制作方法
【專利摘要】本發明特別涉及一種基于改進的智能學習算法的老年人防摔倒技術。該基于改進的智能學習算法的老年人防摔倒技術，首先通過攝像機獲取高清圖像，并均分為四個區，獲取分區的信息，在數據庫中通過改進的算法進行學習；通過傳感器判斷重心是否偏移，當重心偏移與場景學習到的內容和運動的方向一致時，預警系統計算摔倒的概率，并將摔倒的概率和應急措施反饋給監護者。該基于改進的智能學習算法的老年人防摔倒技術，在傳統BP算法的基礎上進行了優化函數，加入自動分類校驗技術，提取圖像大概的參數，提高了應用的實時性；通過智能學習算法，根據環境因素進行學習，快速給出摔倒幾率和需要監護人采取的措施，能夠有效減小老年人摔倒的幾率。
【專利說明】
一種基于改進的智能學習算法的老年人防摔倒技術
技術領域
[0001] 本發明涉及圖像內容分析技術領域，特別涉及一種基于改進的智能學習算法的老 年人防摔倒技術。
【背景技術】
[0002] 圖像內容分析技術是將獲取到的實時圖像進行分類，然后進行模式識別。目前這 一技術的使用多在于考勤、門禁等設備上。在人臉識別方面，通過智能學習算法分析圖像關 鍵位置的數據從而判斷圖像的內容反饋給用戶。
[0003] 目前比較先進的人臉識別解決方案是基于主動近紅外圖像的多光源人臉識別技 術。它可以克服光線變化的影響，已經取得了卓越的識別性能，在精度、穩定性和速度方面 的整體系統性能超過三維圖像人臉識別。這項技術在近兩三年發展迅速，使人臉識別技術 逐漸走向實用化。
[0004] 人臉與人體的其它生物特征（指紋、虹膜等)一樣與生倶來，它的唯一性和不易被 復制的良好特性為身份鑒別提供了必要的前提，與其它類型的生物識別比較人臉識別具有 如下特點：
[0005] 非強制性：用戶不需要專門配合人臉采集設備，幾乎可以在無意識的狀態下就可 獲取人臉圖像，這樣的取樣方式沒有"強制性"；
[0006] 非接觸性:用戶不需要和設備直接接觸就能獲取人臉圖像；
[0007] 老年人走路摔倒在社會倫理和法制方面都曾是一時的熱點，基于此，本發明提出 了一種基于改進的智能學習算法的老年人防摔倒技術。通過攝取老年人表情的實時圖像， 然后采取圖像的信息，通過分析圖像的內容給出正確的判斷，方便了理解老年人需求的解 讀，從而為在老年人保護方面有了保證。
【發明內容】
[0008] 本發明為了彌補現有技術的缺陷，提供了一種簡單高效的基于改進的智能學習算 法的老年人防摔倒技術。
[0009] 本發明是通過如下技術方案實現的：
[0010] -種基于改進的智能學習算法的老年人防摔倒技術，其特征在于:在老人的鞋底 和膝蓋布置感應器，用于實時感應重心的移動特點和偏移特性，并在改進的BP神經網絡學 習算法的基礎上進行;首先通過攝像機獲取高清圖像，并均分為四個區，獲取分區的信息， 在數據庫中通過改進的算法進行學習；結合經驗值判斷學習樣本是否收斂，若不收斂則進 行自我診斷并重新獲取分區的信息，若收斂則通過傳感器判斷重心是否偏移，當重心偏移 與場景學習到的內容和運動的方向一致時，則表明老年人迅速移動的可能性比較大，預警 系統計算摔倒的概率，并將摔倒的概率和應急措施反饋給監護者；當重心偏移與場景學習 到的內容和運動的方向不一致時，則繼續學習。
[0011]所述改進的算法，是指根據攝像機獲取的高清圖像中的分區關鍵參數值以及相鄰 圖像之間的差值，進行神經網絡學習；通過設定權值將圖像中每四分之一的區域作信息作 為初始參數，權重根據路由隨機設置，根據設定的權值進行學習，學習的目標值為數據庫中 設定的標準值，在不斷的學習過程中建立數據源和優化結果的標準關系;使之在輸入數據 和長期優化的經驗值的指導下快速判斷出圖像內容類型并分析出所屬于的類別。
[0012] 所述改進的算法還接入了過濾功能，當發現數據錯誤或者明顯誤差時啟動，將不 會引起老年人興趣的圖像刪除。
[0013] 所述改進的算法在經過BP神經網絡學習的基礎上進行了改進，修改了優化函數f (x)，加入了動向量，樣板是動態的，但是需要多次學習之間的聯系，故引入了記憶保持值 cache，通過學習和設定的標準進行比對，得出下一步的動作;所述改進的算法將每次學習 之前三次的結果作為記憶值加入到本次學習的優化函數f(x)中，優化函數f(x)和輸入函數 Sj為所述改進的算法的學習優化工具；
[0014]所述優化函數f(x)計算公式如下：
[0016] 其中，radom(x)為前N次的經驗值函數，c為記憶保持值；
[0017]輸入函數Sj計算公式如下： n
[0018] Sj 二 Wif bj + rmicl(xi) - WjX + hj -h rand{M) i-'i ,
[0019]其中，bj表示閾值，xi為輸入，^為權值，rand〇是平衡值函數。
[0020]本發明的有益效果是:該基于改進的智能學習算法的老年人防摔倒技術，在傳統 BP算法的基礎上進行了優化函數，加入自動分類校驗技術，提取圖像大概的參數，提高了應 用的實時性;通過智能學習算法，根據環境因素進行學習，快速給出摔倒幾率和需要監護人 采取的措施，能夠有效減小老年人摔倒的幾率。
【附圖說明】
[0021]附圖1為本發明改進的BP神經網絡原理原型示意圖。
[0022]附圖2為本發明改進的BP神經網絡學習算法示意圖。
[0023] 附圖3為本發明改進的智能學習算法的老年人防摔倒方法示意圖。
【具體實施方式】
[0024] 為了使本發明所要解決的技術問題、技術方案及有益效果更加清楚明白，以下結 合附圖及實施例，對本發明進行詳細的說明。應當說明的是，此處所描述的具體實施例僅用 以解釋本發明，并不用于限定本發明。
[0025] 該基于改進的智能學習算法的老年人防摔倒技術，在老人的鞋底和膝蓋布置感應 器，在鞋底有9個感應器，膝蓋部位兩邊各有兩個感應器，用于實時感應重心的移動特點和 偏移特性，并在改進的BP神經網絡學習算法的基礎上進行;首先通過攝像機獲取高清圖像， 并均分為四個區，獲取分區的信息，在數據庫中通過改進的算法進行學習；結合經驗值判斷 學習樣本是否收斂，若不收斂則進行自我診斷并重新獲取分區的信息，若收斂則通過傳感 器判斷重心是否偏移，當重心偏移與場景學習到的內容和運動的方向一致時，則表明老年 人迅速移動的可能性比較大，預警系統計算摔倒的概率，并將摔倒的概率和應急措施反饋 給監護者;當重心偏移與場景學習到的內容和運動的方向不一致時，則繼續學習。
[0026]改進的BP神經網絡原理原型如附圖1所示，本發明是在原型的基礎上進行了權值 和目標值的動態改變，使得整個樣本都有了活性。在學習過程中不再是單純的迭代學習，而 是伴隨著記憶值進行優化，加入的隨機權值更貼近于現實。
[0027]原始的BP網并不是十分的完善，它學習收斂速度太慢，網絡的學習記憶具有不穩 定性，即：當給一個訓練好的網提供新的學習記憶模式時，將使已有的連接權值被打亂，導 致已記憶的學習模式的信息的消失。在此基礎上對BP神經網絡算法加以改造，引入動量項， 加入記憶值和自我過濾技術。
[0028]學習樣本是不斷變化的，所以誤差E也是變化的，所以神經網絡的學習是動態的， 為了監視每次優化之間的聯系，還要加入記憶功能，
[0029]所述改進的算法，是指根據攝像機獲取的高清圖像中的分區關鍵參數值以及相鄰 圖像之間的差值，進行神經網絡學習；通過設定權值將圖像中每四分之一的區域作信息作 為初始參數，權重根據路由隨機設置，根據設定的權值進行學習，學習的目標值為數據庫中 設定的標準值，在不斷的學習過程中建立數據源和優化結果的標準關系;使之在輸入數據 和長期優化的經驗值的指導下快速判斷出圖像內容類型并分析出所屬于的類別。
[0030] 分析圖像內容是本發明的一個技術要求點，通過對比圖像的內容可以將場景中的 圖像進行模糊分類，比如撞擊類，或者自發類。
[0031] 計算公式：
[0032] R = G = B= (0.299R+0.587G+0.114B)/(0.299+0.587+0.117) =0.299R+0.587G+ 0.114B獲取每個圖像的像素灰度值之和，每個圖像取一個相同大小的區域，n張圖的情況 下，輸入樣本值就是4*n。
[0033] 圖像內容分類的數據庫中存放著標準的圖像像素的相對值記錄，也就是一個老年 人按照分區的原理，通過學習每個環境中可以引起老年人興趣的內容，劃分類別。所以在智 能學習的情況下需要將有限的數據記錄作為目標學習值，數據庫的數據記錄不會很多，但 是要分類，本發明中學習算法根據分析出的圖像內容類，進行進一步的學習來判斷結果。每 次運行完都會有專門的參數來保存這次的學習的最優值。
[0034]表1數據庫數據記錄
[0036] 通過圖像劃分場景中的事物的分類，建立一個基本的數據庫，該數據庫中的記錄 是根據學習算法初始學習的結果。比如老年人對前面的玩具比較感興趣，或者對前面的衛 生工具感興趣系統會提前根據場景中的內容進行學習，通過改進的BP神經網絡學習算法學 習，最終找到相似的數據記錄，將有可能引起老年人興趣的場景或者事物反饋回來。
[0037] 所述改進的算法還接入了過濾功能，當發現數據錯誤或者明顯誤差時啟動，將不 會引起老年人興趣的圖像刪除。過濾技術的添加使得離譜的數據樣本在學習很少次數以后 就淘汰了，將離譜的數據提前淘汰，比學習 n次以后才發現數據不合法更加智能。
[0038] 所述改進的算法在經過BP神經網絡學習的基礎上進行了改進，修改了優化函數f (X)，加入了動向量，樣板是動態的，但是需要多次學習之間的聯系，故引入了記憶保持值 cache，通過學習和設定的標準進行比對，得出下一步的動作;所述改進的算法將每次學習 之前三次的結果作為記憶值加入到本次學習的優化函數f(x)中，優化函數f(x)和輸入函數 Sj為所述改進的算法的學習優化工具；
[0039]所述優化函數f(x)計算公式如下：
[0041 ] 其中，radom(x)為前N次的經驗值函數，c為記憶保持值；
[0042]輸入函數Sj計算公式如下： .11
[0043] Sj 二 ^ HV/ *Xi + hj + randixi) - WjX + hj + rand(xi)
[0044] 其中，bj表示閾值，xi為輸入，為權值，rand〇是平衡值函數。
[0045] 樣板的選取也至關重要，樣本的獲取主要根據時間間隔內對數據流中的服務類型 進行提取。
[0046] 本發明能夠更加精確的提供老年人的需求輔助，在現實生活中起到非常好的輔助 作用。與現有技術相比，還具有以下優點：
[0047] (1)、改進的BP神經網絡算法:在傳統BP算法的基礎上進行了優化函數，加入自動 分類校驗技術，提取圖像大概的參數，提高了應用的實時性。
[0048] (2)、老年人重心感應點檢測、重心偏移分析，老年人走路的時候主意原因是肢體 不協調導致的重心不穩而摔倒，在鞋子和衣服上添加感應器，可以分析出著力點的位置以 及短時間能的變化。
[0049] (3)、摔倒預警系統的設計，引起老年人摔倒的因素不光是自身協調因素，當老年 人著急走路或者緊急避險，從而導致重心的不穩，所以環境因素也是導致老年人摔倒的關 鍵，本系統通過智能學習算法，根據環境因素進行學習，快速給出摔倒幾率和需要監護人采 取的措施。
【主權項】
1. 一種基于改進的智能學習算法的老年人防摔倒技術，其特征在于：在老人的鞋底和 膝蓋布置感應器，用于實時感應重心的移動特點和偏移特性，并在改進的BP神經網絡學習 算法的基礎上進行;首先通過攝像機獲取高清圖像，并均分為四個區，獲取分區的信息，在 數據庫中通過改進的算法進行學習；結合經驗值判斷學習樣本是否收斂，若不收斂則進行 自我診斷并重新獲取分區的信息，若收斂則通過傳感器判斷重心是否偏移，當重心偏移與 場景學習到的內容和運動的方向一致時，則表明老年人迅速移動的可能性比較大，預警系 統計算摔倒的概率，并將摔倒的概率和應急措施反饋給監護者；當重心偏移與場景學習到 的內容和運動的方向不一致時，則繼續學習。2. 根據權利要求1所述的基于改進的智能學習算法的老年人防摔倒技術，其特征在于： 所述改進的算法，是指根據攝像機獲取的高清圖像中的分區關鍵參數值以及相鄰圖像之間 的差值，進行神經網絡學習；通過設定權值將圖像中每四分之一的區域作信息作為初始參 數，權重根據路由隨機設置，根據設定的權值進行學習，學習的目標值為數據庫中設定的標 準值，在不斷的學習過程中建立數據源和優化結果的標準關系;使之在輸入數據和長期優 化的經驗值的指導下快速判斷出圖像內容類型并分析出所屬于的類別。3. 根據權利要求2所述的基于改進的智能學習算法的老年人防摔倒技術，其特征在于： 所述改進的算法還接入了過濾功能，當發現數據錯誤或者明顯誤差時啟動，將不會引起老 年人興趣的圖像刪除。4. 根據權利要求2或3所述的基于改進的智能學習算法的老年人防摔倒技術，其特征在 于:所述改進的算法在經過BP神經網絡學習的基礎上進行了改進，修改了優化函數f(x)，加 入了動向量，樣板是動態的，但是需要多次學習之間的聯系，故引入了記憶保持值cache，通 過學習和設定的標準進行比對，得出下一步的動作;所述改進的算法將每次學習之前三次 的結果作為記憶值加入到本次學習的優化函數f(x)中，優化函數f(x)和輸入函數Sj為所述 改進的算法的學習優化工具； 所述優化函數f (X)計算公式如下：其中，radom( X)為前N次的經驗值函數，C為記憶保持值； 輸入函數Sj計算公式如下：其中，bj表示閾值，xi為輸入，Wij為權值，rand()是平衡值函數。
【文檔編號】G06K9/62GK105930871SQ201610269969
【公開日】2016年9月7日
【申請日】2016年4月26日
【發明人】路廷文
【申請人】浪潮電子信息產業股份有限公司