一种跌倒检测处理方法及装置

技术领域

本发明涉及通信技术领域，具体而言，涉及一种跌倒检测处理方法及装置。

背景技术

毫米波雷达作为一种隐私探测设备，常被用在无法安装摄像头的场合，例如在独居老人的房间安装雷达用于检测老人是否突然跌倒，做到及时的报警。支持向量机是一种按监督学习方式进行二元分类的广义分类器，并通过核函数的调用实现非线性的分类。

相关技术中通过顶装的多普勒毫米波雷达来检测雷达下方目标的高度，当目标的高度在一定时间内出现较大的降低，然后将该时间和降低的距离与预设定的门限进行比较来判断目标是否真的跌倒。采用一发一收的毫米波雷达检测目标只能检测目标的高度和速度，检测范围有限且无法判断目标的位置。通过设定固定阈值的方法，这种方法受被测目标的身高、跌倒方式影响较大，阈值不好确定。只设定高度和速度的阈值，参数较少准确度不够。

针对相关技术中通过设定阈值的方法判断目标是否真的跌倒，需要不停地修改阈值，目标跌倒检测受目标的身高、跌倒方式影响较大，阈值不好确定，检测不够准确的问题，尚未提出解决方案。

发明内容

本发明实施例提供了一种跌倒检测处理方法及装置，以至少解决相关技术中通过设定阈值的方法判断目标是否真的跌倒，需要不停地修改阈值，目标跌倒检测受目标的身高、跌倒方式影响较大，阈值不好确定，检测不够准确的问题。

根据本发明的一个实施例，提供了一种跌倒检测处理方法，包括：以预定时间周期检测待跟踪的目标对象的高度与速度；若当前时刻的所述高度小于预设高度，且所述速度大于预设速度，获取当前时刻之前包含所述目标对象的预定帧数图像；基于训练好的向量机模型，根据所述预定帧数图像对所述目标对象的跌倒状况进行检测。

在一个示例性实施例中，基于训练好的向量机模型，根据所述预定帧数图像对所述目标对象的跌倒状况进行检测包括：根据所述预定帧数图像获取所述目标对象的特征信息；将所述特征信息输入所述训练好的向量机模型中，得到所述训练好的向量机模型输出的跌倒状况的检测结果，其中，若所述检测结果为1，所述目标对象的跌倒状况为跌倒；若所述检测结果为0，所述目标对象的跌倒状况为正常。

在一个示例性实施例中，根据所述预定帧数图像获取所述目标对象的特征信息包括：根据所述预定帧数图像中目标对象的点云数据提取高度的截距与斜率，并获取高度最低值；根据所述预定帧数图像中目标对象的点云数据确定所述目标对象的均值速度，并获取最大速度；确定所述预定帧数图像中目标对象的点云数据的点云均值杂散度；确定所述预定帧数图像中目标对象的点云数据的点云均值个数；确定所述预定帧数图像中目标对象的点云数据的均值信噪比；其中，所述特征信息包括所述斜率、所述截距、所述高度最低值、所述均值速度、所述最大速度、所述点云均值杂散度、所述点云均值个数以及所述均值信噪比。

在一个示例性实施例中，根据所述预定帧数图像中目标对象的点云数据提取高度的截距与斜率，并获取高度最低值包括：根据所述预定帧数图像中目标对象的点云数据提取所述目标对象的高度信息；对所述高度信息进行均值滤波，得到高度变化曲线，并根据所述高度变化直线获取所述高度最低值；对所述高度变化曲线进行直线拟合，得到高度拟合直线；根据所述高度拟合直线确定所述截距与所述斜率。

在一个示例性实施例中，确定所述预定帧数图像中目标对象的点云数据的点云均值杂散度包括：对所述预定帧数图像中的每帧图像，确定所述点云数据中每一个点云到跟踪点的距离，得到多个距离，其中，所述跟踪点为所述点云数据的聚类中心，并将所述多个距离取方差，得到所述每帧图像的点云杂散度；将所述预定帧数图像的所述点云杂散度取均值，得到所述点云均值杂散度。

在一个示例性实施例中，还包括：获取预定数量的目标对象的特征信息，以及对应的跌倒状况；根据所述预定数量的特征信息，以及对应的跌倒状况对初始向量机模型进行训练，得到所述训练好的向量机模型。

在一个示例性实施例中，还包括：若所述目标对象的跌倒状况为跌倒，发起告警消息。

根据本发明的又一个实施例，还提供了一种跌倒检测处理装置，包括：第一检测模块，用于以预定时间周期检测待跟踪的目标对象的高度与速度；获取模块，用于若当前时刻的所述高度小于预设高度，且所述速度大于预设速度，获取当前时刻之前包含所述目标对象的预定帧数图像；第二检测模块，用于基于训练好的向量机模型，根据所述预定帧数图像对所述目标对象的跌倒状况进行检测。

在一个示例性实施例中，第二检测模块包括：获取子模块，用于根据所述预定帧数图像获取所述目标对象的特征信息；输入子模块，用于将所述特征信息输入所述训练好的向量机模型中，得到所述训练好的向量机模型输出的跌倒状况的检测结果，其中，若所述检测结果为1，所述目标对象的跌倒状况为跌倒；若所述检测结果为0，所述目标对象的跌倒状况为正常。

在一个示例性实施例中，获取子模块包括：第一获取单元，用于根据所述预定帧数图像中目标对象的点云数据提取高度的截距与斜率，并获取高度最低值；第二获取单元，用于根据所述预定帧数图像中目标对象的点云数据确定所述目标对象的均值速度，并获取最大速度；第一确定单元，用于确定所述预定帧数图像中目标对象的点云数据的点云均值杂散度；第二确定单元，用于确定所述预定帧数图像中目标对象的点云数据的点云均值个数；第三确定单元，用于确定所述预定帧数图像中目标对象的点云数据的均值信噪比；其中，所述特征信息包括所述斜率、所述截距、所述高度最低值、所述均值速度、所述最大速度、所述点云均值杂散度、所述点云均值个数以及所述均值信噪比。

在一个示例性实施例中，第一获取单元包括：提取子单元，用于根据所述预定帧数图像中目标对象的点云数据提取所述目标对象的高度信息；获取子单元，用于对所述高度信息进行均值滤波，得到高度变化曲线，并根据所述高度变化直线获取所述高度最低值；直线拟合子单元，用于对所述高度变化曲线进行直线拟合，得到高度拟合直线；第一确定子单元，用于根据所述高度拟合直线确定所述截距与所述斜率。

在一个示例性实施例中，上述第一确定单元包括：第二确定子单元，用于对所述预定帧数图像中的每帧图像，确定所述点云数据中每一个点云到跟踪点的距离，得到多个距离，其中，所述跟踪点为所述点云数据的聚类中心，并将所述多个距离取方差，得到所述每帧图像的点云杂散度；计算子单元，用于将所述预定帧数图像的所述点云杂散度取均值，得到所述点云均值杂散度。

在一个示例性实施例中，上述装置还包括：信息获取模块，用于获取预定数量的目标对象的特征信息，以及对应的跌倒状况；训练模块，用于根据所述预定数量的特征信息，以及对应的跌倒状况对初始向量机模型进行训练，得到所述训练好的向量机模型。

在一个示例性实施例中，上述装置还包括：告警模块，用于若所述目标对象的跌倒状况为跌倒，发起告警消息。

根据本发明的又一个实施例，还提供了一种计算机可读的存储介质，所述存储介质中存储有计算机程序，其中，所述计算机程序被设置为运行时执行上述任一项方法实施例中的步骤。

根据本发明的又一个实施例，还提供了一种电子装置，包括存储器和处理器，所述存储器中存储有计算机程序，所述处理器被设置为运行所述计算机程序以执行上述任一项方法实施例中的步骤。

通过本发明实施例，以预定时间周期检测待跟踪的目标对象的高度与速度；若当前时刻的所述高度小于预设高度，且所述速度大于预设速度，获取当前时刻之前包含所述目标对象的预定帧数图像；基于训练好的向量机模型，根据所述预定帧数图像对所述目标对象的跌倒状况进行检测，可以解决相关技术中通过设定阈值的方法判断目标是否真的跌倒，需要不停地修改阈值，目标跌倒检测受目标的身高、跌倒方式影响较大，阈值不好确定，检测不够准确的问题，基于训练好的向量机模型确定目标对象的跌倒状况，大大提高跌倒检测的准确率。

附图说明

此处所说明的附图用来提供对本发明的进一步理解，构成本申请的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：

图1是本发明实施例的跌倒检测处理方法的移动终端的硬件结构框图；

图2是根据本发明实施例的跌倒检测处理方法的流程图；

图3为本发明一可选实施例的向量机模型的训练流程示意图；

图4为本发明一可选实施例的30帧高度图；

图5为本发明一可选实施例的雷达跌倒检测流程示意图；

图6为本发明实施例的跌倒检测处理装置的结构图；

图7为本发明一可选实施例的跌倒检测处理装置的结构图(一)；

图8为本发明一可选实施例的跌倒检测处理装置的结构图(二)；

图9为本发明一可选实施例的跌倒检测处理装置的结构图(三)；

图10为本发明一可选实施例的跌倒检测处理装置的结构图(四)。

具体实施方式

下文中将参考附图并结合实施例来详细说明本发明。需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。

需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。

实施例1

本申请实施例一所提供的方法实施例可以在移动终端、计算机终端或者类似的运算装置中执行。以运行在移动终端上为例，图1是本发明实施例的跌倒检测处理方法的移动终端的硬件结构框图，如图1所示，移动终端可以包括一个或多个(图1中仅示出一个)处理器102(处理器102可以包括但不限于微处理器MCU或可编程逻辑器件FPGA等的处理装置)和用于存储数据的存储器104，可选地，上述移动终端还可以包括用于通信功能的传输设备106以及输入输出设备108。本领域普通技术人员可以理解，图1所示的结构仅为示意，其并不对上述移动终端的结构造成限定。例如，移动终端还可包括比图1中所示更多或者更少的组件，或者具有与图1所示不同的配置。

存储器104可用于存储计算机程序，例如，应用软件的软件程序以及模块，如本发明实施例中的跌倒检测处理方法对应的计算机程序，处理器102通过运行存储在存储器104内的计算机程序，从而执行各种功能应用以及远程登录的控制，即实现上述的方法。存储器104可包括高速随机存储器，还可包括非易失性存储器，如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中，存储器104可进一步包括相对于处理器102远程设置的存储器，这些远程存储器可以通过网络连接至移动终端。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。

传输装置106用于经由一个网络接收或者发送数据。上述的网络具体实例可包括移动终端的通信供应商提供的无线网络。在一个实例中，传输装置106包括一个网络适配器(Network Interface Controller，简称为NIC)，其可通过基站与其他网络设备相连从而可与互联网进行通讯。在一个实例中，传输装置106可以为射频(Radio Frequency，简称为RF)模块，其用于通过无线方式与互联网进行通讯。

在本实施例中提供了一种运行于上述移动终端或网络架构的跌倒检测处理方法，图2是根据本发明实施例的跌倒检测处理方法的流程图，如图2所示，该流程包括如下步骤：

步骤S202，以预定时间周期检测待跟踪的目标对象的高度与速度；

步骤S204，若当前时刻的所述高度小于预设高度，且所述速度大于预设速度，获取当前时刻之前包含所述目标对象的预定帧数图像；

步骤S206，基于训练好的向量机模型，根据所述预定帧数图像对所述目标对象的跌倒状况进行检测。

通过上述步骤S202至步骤S206，以预定时间周期检测待跟踪的目标对象的高度与速度；若当前时刻的所述高度小于预设高度，且所述速度大于预设速度，获取当前时刻之前包含所述目标对象的预定帧数图像；基于训练好的向量机模型，根据所述预定帧数图像对所述目标对象的跌倒状况进行检测，可以解决相关技术中通过设定阈值的方法判断目标是否真的跌倒，需要不停地修改阈值，目标跌倒检测受目标的身高、跌倒方式影响较大，阈值不好确定，检测不够准确的问题，基于训练好的向量机模型确定目标对象的跌倒状况，大大提高跌倒检测的准确率。

在一个可选的实施例中，上述步骤S206包括：根据所述预定帧数图像获取所述目标对象的特征信息；将所述特征信息输入所述训练好的向量机模型中，得到所述训练好的向量机模型输出的跌倒状况的检测结果，其中，若所述检测结果为1，所述目标对象的跌倒状况为跌倒；若所述检测结果为0，所述目标对象的跌倒状况为正常。

即，基于向量机模型检测目标跌倒状况需要：根据预定帧数图像获取目标的特征信息，向量机模型根据特征信息输出检测结果。

在一个可选的实施例中，根据所述预定帧数图像获取所述目标对象的特征信息包括：根据所述预定帧数图像中目标对象的点云数据提取高度的截距与斜率，并获取高度最低值；根据所述预定帧数图像中目标对象的点云数据确定所述目标对象的均值速度，并获取最大速度；确定所述预定帧数图像中目标对象的点云数据的点云均值杂散度；确定所述预定帧数图像中目标对象的点云数据的点云均值个数；确定所述预定帧数图像中目标对象的点云数据的；其中，所述特征信息包括所述斜率、所述截距、所述高度最低值、所述均值速度、所述最大速度、所述点云均值杂散度、所述点云均值个数以及所述均值信噪比。

即，根据预定帧数图像获取目标的特征信息需要：根据预定帧数图像中目标的点云数据提取高度的截距与斜率，并获取高度最低值，再根据点云数据确定目标均值速度并获取最大速度，确定点云数据的点云均值杂散度、点云均值个数和均值信噪比。

在一个可选的实施例中，根据所述预定帧数图像中目标对象的点云数据提取高度的截距与斜率，并获取高度最低值包括：根据所述预定帧数图像中目标对象的点云数据提取所述目标对象的高度信息；对所述高度信息进行均值滤波，得到高度变化曲线，并根据所述高度变化直线获取所述高度最低值；对所述高度变化曲线进行直线拟合，得到高度拟合直线；根据所述高度拟合直线确定所述截距与所述斜率。

即，提取高度的截距与斜率并获取高度最低值需要：先根据点云数据提取所述目标对象的高度信息，再高度信息进行均值滤波得到高度变化曲线获得最低值，将高度变化曲线直线拟合成高度拟合直线，并依此确定截距与斜率。

在一个可选的实施例中，确定所述预定帧数图像中目标对象的点云数据的点云均值杂散度包括：对所述预定帧数图像中的每帧图像，确定所述点云数据中每一个点云到跟踪点的距离，得到多个距离，其中，所述跟踪点为所述点云数据的聚类中心，并将所述多个距离取方差，得到所述每帧图像的点云杂散度；将所述预定帧数图像的所述点云杂散度取均值，得到所述点云均值杂散度。

即，确定预定帧数图像中目标对象的点云数据的点云均值杂散度需要：确定点云数据中每一个点云到跟踪点的距离，得到多个距离，将预定帧数图像的点云杂散度取均值，得到点云均值杂散度。

在一个可选的实施例中，还包括：获取预定数量的目标对象的特征信息，以及对应的跌倒状况；根据所述预定数量的特征信息，以及对应的跌倒状况对初始向量机模型进行训练，得到所述训练好的向量机模型。

即，还可以获取预定数量目标的特征信息和跌倒状况，并依此训练初始向量机模型。

在一个可选的实施例中，还包括：若所述目标对象的跌倒状况为跌倒，发起告警消息。

即，对在判断出目标的到的情况下，发出告警信息。

可选的，支持向量机方法就是在具有多维信息的数据中，寻找到一个超平面将所有的不同的样本区分开来。为了使样本更精确地区分，在每个样本中提取较多的特征参数。

图3为本发明一可选实施例的向量机模型的训练流程示意图，如图3所示，包括：

步骤S1，输入大量测试数据；

步骤S2，提取每一帧目标的高度和速度信息；

步骤S3，判断是否目标高度小于H1且速度大于V1；

步骤S4，提取该时刻前30帧的数据，并提取相关参数，作为一个训练样本；

步骤S5，手动筛选，将跌倒的样本标记为1，其他样本标记为0；

步骤S6，随机将数据分为2等分，一份作为测试验证样本；

步骤S7，将训练样本带入向量机算法中进行训练；

步骤S8，将测试样本带入训练完成的向量机模型中，计算出该模型的准确度。

雷达实时探测单个目标并记录目标的高度和速度，目标持续地做一些姿态，例如：蹲下、躺下、跌倒、跳跃等，当雷达探测到目标高度小于H1且速度大于V1时，提取该帧前30帧的数据，包括跟踪点的高度，距离，速度，和所有属于该目标的初始点云，提取该30帧数据的所有特征信息作为一组样本点，提取的特征信息如表1所示。

表1

通过支持向量机的使用，将目标跌倒时的大量参数丢入进行训练，就可以计算出理论的报警准确率，再通过目标高度的区分，和初始跌倒的判断，大大提高跌倒检测的准确率。

图4为本发明一可选实施例的30帧高度图，先将30帧数据目标的高度信息提取并进行均值滤波，窗大小为5帧，得到图4中的曲线就为滤波后的高度变化曲线，然后对曲线进行直线拟合，图4中的直线就为拟合后的直线，从直线中就可以得到截距和斜率信息；最低值为30帧数据中高度的最小值；提取所有属于该目标的当前初始点云，将点云的速度取均值就可以得到均值速度，并提取其中的最大速度；点云均值杂散度是先计算每一个初始点云到跟踪点(点云的聚类点)坐标的距离，然后将所有距离值取方差就得到了点云的杂散度；点云均值个数就是属于该目标的初始点云个数；将每个点云的信噪比取均值就得到了均值信噪比。

得到每一个样本点的时候，对样本点进行手动标记，如果是跌倒的就标记为1否则标记为0。采集完所有的数据后，将数据随机分成两组，且每组中标记为1和0的样本个数相同，一组用于带入支持向量机训练模型。

在支持向量机模型训练中使用的是高斯径向基核函数：

分类决策函数：

其中，K表示x到z的欧式距离，x为样本点集合，z为核函数中心，f(x)表示最优的分离超平面。

当支持向量机模型训练完成后，将之前样本中的另一半测试数据带入训练模型中就可以测试出支持向量机训练模型的准确率。

设训练样本集合为D＝{(x1,y1),(x2,y2),…,(xm,ym)}，y

利用样本训练支持向量机获得目标分类最有超平面的决策函数，划分超平面可以以下公式中的线性方程描述：ω

其中，ω＝(ω1；ω2；...；ωd)为法向量，决定了超平面的方向，b为位移项决定了超平面与原点之间的距离，x为样本点。

超平面因此可以被法向量ω和位移b确定，将其记为(ω，b)，样本空间任意点x到超平面(ω，b)的距离为：

若超平面训练正确，对于(x

距离超平面最近的几个训练样本可以使上述公式中的等号成立，被称为支持向量，两个异类支持向量到超平面的距离和为：

被称为间隔，若要找到最大间隔的划分超平面，也就是找到满足上述公式的约束参数ω和b，使得γ最大，即：

s.t.y

显然为了最大化间隔仅需要最大化||ω||

s.t.y

通过上述公式得到划分超平面所对应的模型：

f(x)＝ω

对

令L(ω，b，α)对ω和b的偏导为0，可得：

将ω带入L(ω，b，α)中，就可以将L(ω，b，α)中的ω和b消去，再考虑

α

解出α后，求出ω与b即可得到模型：

其中，K表示x到z的欧式距离，x为样本，z为核函数中心这里为另外一个样本，σ为高斯核函数的宽度，是一个可设的定值。

在高斯核函数中加入可调的松弛变量ζ

s.t.y

则约束条件变为：

分类决策函数为：

当支持向量机模型训练完成后，得到与样本相关的决策函数f(x)，为了验证决策函数的分类准确性，将另外的一组样本D2＝{(x1,y1),(x2,y2),…,(xm,ym)}中的x带入决策函数f(x)，然后统计结果F＝{(x1,f1),(x2,f2),…,(xm,fm)}，比较相同样本F中f是否等于原来的y，就可以得到一个百分比的结果。如果训练结果不满足需求可以稍微修改松弛变量ζ

向量机模型训练完成后，就可以带入跌倒检测算法中进行识别。雷达先持续检测房间内的目标，检测到目标后持续跟踪并实时检测目标的高度和速度。到雷达识别到目标的高度小于阈值H1且速度大于V1后提取该帧前的30帧数据，并按照表1中的参数提取带入训练好的向量机模型中，向量机模型将结果输出如果为1则输出跌倒报警，为0则继续检测。

图5为本发明一可选实施例的雷达跌倒检测流程示意图，如图5所示，包括：

步骤S1，雷达持续检测房间内的目标；

步骤S2，检测到跟踪目标，并实时检测目标的高度和速度；

步骤S3，判断是否目标高速小于H1且速度大于V1；若是，则执行步骤S4；若否，则返回执行步骤S2；

步骤S4，提取该时刻前30帧的数据，并提取相关参数带入训练好的向量机模型；

步骤S5，判断向量机模型输出结果；若结果为1，则执行步骤S6；若结果为0，则返回执行步骤S2；

步骤S6，输出跌倒报警。

实施例2

本发明的实施例还提供了一种跌倒检测处理装置，图6为本发明实施例的跌倒检测处理装置的结构图，如图6所示，包括：

第一检测模块62，用于以预定时间周期测待跟踪的目标对象的高度与速度；

获取模块64，用于若当前时刻的所述高度小于预设高度，且所述速度大于预设速度，获取当前时刻之前包含所述目标对象的预定帧数图像；

第二检测模块66，用于基于训练好的向量机模型，根据所述预定帧数图像对所述目标对象的跌倒状况进行检测。

通过上述装置，可以解决相关技术中通过设定阈值的方法判断目标是否真的跌倒，需要不停地修改阈值，目标跌倒检测受目标的身高、跌倒方式影响较大，阈值不好确定，检测不够准确的问题，基于训练好的向量机模型确定目标对象的跌倒状况，大大提高跌倒检测的准确率。

图7为本发明一可选实施例的跌倒检测处理装置的结构图(一)，如图7所示，上述第二检测模块66包括：

获取子模块72，用于根据所述预定帧数图像获取所述目标对象的特征信息；

输入子模块74，用于将所述特征信息输入所述训练好的向量机模型中，得到所述训练好的向量机模型输出的跌倒状况的检测结果，其中，若所述检测结果为1，所述目标对象的跌倒状况为跌倒；若所述检测结果为0，所述目标对象的跌倒状况为正常。

即，基于向量机模型检测目标跌倒状况需要：根据预定帧数图像获取目标的特征信息，向量机模型根据特征信息输出检测结果。

图8为本发明一可选实施例的跌倒检测处理装置的结构图(二)，如图8所示，获取子模块72包括：

第一获取单元82，用于根据所述预定帧数图像中目标对象的点云数据提取高度的截距与斜率，并获取高度最低值；

第二获取单元84，用于根据所述预定帧数图像中目标对象的点云数据确定所述目标对象的均值速度，并获取最大速度；

第一确定单元86，用于确定所述预定帧数图像中目标对象的点云数据的点云均值杂散度；

第二确定单元88，用于确定所述预定帧数图像中目标对象的点云数据的点云均值个数；

第三确定单元810，用于确定所述预定帧数图像中目标对象的点云数据的均值信噪比；

其中，所述特征信息包括所述斜率、所述截距、所述高度最低值、所述均值速度、所述最大速度、所述点云均值杂散度、所述点云均值个数以及所述均值信噪比。

即，根据预定帧数图像获取目标的特征信息需要：根据预定帧数图像中目标的点云数据提取高度的截距与斜率，并获取高度最低值，再根据点云数据确定目标均值速度并获取最大速度，确定点云数据的点云均值杂散度、点云均值个数和均值信噪比。

图9为本发明一可选实施例的跌倒检测处理装置的结构图(三)，如图9所示，上述第一获取单元82包括：

提取子单元92，用于根据所述预定帧数图像中目标对象的点云数据提取所述目标对象的高度信息；

获取子单元94，用于对所述高度信息进行均值滤波，得到高度变化曲线，并根据所述高度变化直线获取所述高度最低值；

直线拟合子单元96，用于对所述高度变化曲线进行直线拟合，得到高度拟合直线；

第一确定子单元98，用于根据所述高度拟合直线确定所述截距与所述斜率。

即，提取高度的截距与斜率并获取高度最低值需要：先根据点云数据提取所述目标对象的高度信息，再高度信息进行均值滤波得到高度变化曲线获得最低值，将高度变化曲线直线拟合成高度拟合直线，并依此确定截距与斜率。

图10为本发明一可选实施例的跌倒检测处理装置的结构图(四)，如图10所示，上述第一确定单元86包括：

第二确定子单元102，用于对所述预定帧数图像中的每帧图像，确定所述点云数据中每一个点云到跟踪点的距离，得到多个距离，其中，所述跟踪点为所述点云数据的聚类中心，并将所述多个距离取方差，得到所述每帧图像的点云杂散度；

计算子单元104，用于将所述预定帧数图像的所述点云杂散度取均值，得到所述点云均值杂散度。

即，确定预定帧数图像中目标对象的点云数据的点云均值杂散度需要：确定点云数据中每一个点云到跟踪点的距离，得到多个距离，将预定帧数图像的点云杂散度取均值，得到点云均值杂散度。

在一个可选的实施例中，上述装置还包括：信息获取模块，用于获取预定数量的目标对象的特征信息，以及对应的跌倒状况；训练模块，用于根据所述预定数量的特征信息，以及对应的跌倒状况对初始向量机模型进行训练，得到所述训练好的向量机模型。

即，还可以获取预定数量目标的特征信息和跌倒状况，并依此训练初始向量机模型。

在一个可选的实施例中，还包括：告警模块，用于若所述目标对象的跌倒状况为跌倒，发起告警消息。

即，对在判断出目标的到的情况下，发出告警信息。

需要说明的是，上述各个模块是可以通过软件或硬件来实现的，对于后者，可以通过以下方式实现，但不限于此：上述模块均位于同一处理器中；或者，上述各个模块以任意组合的形式分别位于不同的处理器中。

实施例3

本发明的实施例还提供了一种计算机可读的存储介质，该存储介质中存储有计算机程序，其中，该计算机程序被设置为运行时执行上述任一项方法实施例中的步骤。

可选地，在本实施例中，上述存储介质可以被设置为存储用于执行以下步骤的计算机程序：

S1，以预定时间周期检测待跟踪的目标对象的高度与速度；

S2，若当前时刻的所述高度小于预设高度，且所述速度大于预设速度，获取当前时刻之前包含所述目标对象的预定帧数图像；

S3，基于训练好的向量机模型，根据所述预定帧数图像对所述目标对象的跌倒状况进行检测。

可选地，在本实施例中，上述存储介质可以包括但不限于：U盘、只读存储器(Read-Only Memory，简称为ROM)、随机存取存储器(Random Access Memory，简称为RAM)、移动硬盘、磁碟或者光盘等各种可以存储计算机程序的介质。

实施例4

本发明的实施例还提供了一种电子装置，包括存储器和处理器，该存储器中存储有计算机程序，该处理器被设置为运行计算机程序以执行上述任一项方法实施例中的步骤。

可选地，上述电子装置还可以包括传输设备以及输入输出设备，其中，该传输设备和上述处理器连接，该输入输出设备和上述处理器连接。

可选地，在本实施例中，上述处理器可以被设置为通过计算机程序执行以下步骤：

S1，以预定时间周期检测待跟踪的目标对象的高度与速度；

S2，若当前时刻的所述高度小于预设高度，且所述速度大于预设速度，获取当前时刻之前包含所述目标对象的预定帧数图像；

S3，基于训练好的向量机模型，根据所述预定帧数图像对所述目标对象的跌倒状况进行检测。

可选地，本实施例中的具体示例可以参考上述实施例及可选实施方式中所描述的示例，本实施例在此不再赘述。

显然，本领域的技术人员应该明白，上述的本发明的各模块或各步骤可以用通用的计算装置来实现，它们可以集中在单个的计算装置上，或者分布在多个计算装置所组成的网络上，可选地，它们可以用计算装置可执行的程序代码来实现，从而，可以将它们存储在存储装置中由计算装置来执行，并且在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤，或者将它们分别制作成各个集成电路模块，或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样，本发明不限制于任何特定的硬件和软件结合。

以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。