摔倒检测方法、装置、计算机设备和存储介质

技术领域

本申请涉及人工智能技术领域，特别是涉及一种摔倒检测方法、装置、计算机设备、存储介质和计算机程序产品。

背景技术

随着人工智能的发展，出现了人体摔倒检测相关的技术。通常所采用的方式为佩戴智能手环。

然而平时手腕是活动范围最大，活动最频繁的部位，通过手环判断是否摔倒时，可能会将如下蹲和躺下等的其他行为判断为摔倒，出现判断错误的问题。

发明内容

基于此，有必要针对上述技术问题，提供一种能够准确检测摔倒的摔倒检测方法、装置、计算机设备、计算机可读存储介质和计算机程序产品。

第一方面，本申请提供了一种摔倒检测方法。所述方法包括：

获取检测对象在当前时刻的实时图像和上一时刻的实时图像；

根据所述当前时刻的实时图像和所述上一时刻的实时图像，确定所述检测对象各关节点的当前位置信息和上一时刻位置信息；

根据所述当前位置信息和所述上一时刻位置信息，确定所述检测对象的第一类关节点的位移信息；所述第一类关节点为所述检测对象上能够检测摔倒的特征关节点；

在所述第一类关节点的所述位移信息符合预设摔倒条件的情况下，确定所述检测对象在所述当前时刻为摔倒状态。

在其中一个实施例中，所述位移信息包括位移速度和位移距离；所述第一类关节点包括第一关节点和第二关节点，所述方法还包括：

获取速度变化阈值和距离变化阈值；

在所述第一关节点的位移速度超过所述速度变化阈值，且所述第二关节点的位移距离超过所述距离变化阈值的情况下，确定所述检测对象在当前时刻下为摔倒状态。

在其中一个实施例中，所述确定所述检测对象在当前时刻下为摔倒状态之后，还包括：

根据所述当前位置信息和所述上一时刻位置信息，确定第二类关节点的位移信息；

基于所述第一类关节点的位移信息以及所述第二类关节点的位移信息，确定所述检测对象对应的摔倒类型。

在其中一个实施例中，所述基于所述第一类关节点的位移信息以及所述第二类关节点的位移信息，确定所述检测对象对应的摔倒类型，包括：

若所述第二类关节点的位移信息超过预设的位移变化阈值，则基于所述第二类关节点的位移信息，确定所述检测对象对应的摔倒类型；

若所述第二类关节点的位移信息未超过所述预设的位移变化阈值，则基于所述第一类关节点的位移信息，确定所述检测对象对应的摔倒类型。

在其中一个实施例中，所述基于所述第一类关节点的位移信息，确定所述检测对象对应的摔倒类型，包括：

若所述第一类关节点的位移信息符合第一条件，则确定所述检测对象对应的摔倒类型为直接摔倒；所述第一条件为所述位移信息超出第一位移阈值；

若所述第一类关节点的位移信息符合第二条件，则确定所述检测对象对应的摔倒类型为靠墙摔倒；所述第二条件为所述位移信息未超出所述第一位移阈值。

在其中一个实施例中，所述第二类关节点包括第三关节点和第四关节点；所述位移变化阈值包括第三位移阈值和第四位移阈值；

所述基于所述第二类关节点的位移信息，确定所述检测对象对应的摔倒类型，包括：

若所述第三关节点的位移信息符合预设第三条件，则确定所述检测对象对应的摔倒类型为向前跪地摔倒；所述第三条件为所述第三关节点的位移信息超过所述第三位移阈值，且所述第三关节点的位移方向为朝向所述检测对象的前方；

若所述第四关节点的位移信息符合预设第四条件，则确定所述检测对象对应的摔倒类型为向后坐地摔倒；所述第四条件为所述第四关节点的位移信息超过所述第四位移阈值，且所述第四关节点的位移方向为朝向所述检测对象的后方。

在其中一个实施例中，所述方法还包括：

在所述第一类关节点的所述位移信息不符合所述预设摔倒条件的情况下，根据所述第一类关节点的位移信息，确定所述检测对象在当前时刻下的非摔倒行为类型。

第二方面，本申请还提供了一种摔倒检测装置。所述装置包括：

图像获取模块，用于获取检测对象在当前时刻的实时图像和上一时刻的实时图像；

位置确定模块，用于根据所述当前时刻的实时图像和所述上一时刻的实时图像，确定所述检测对象各关节点的当前位置信息和上一时刻位置信息；

位移计算模块，用于根据所述当前位置信息和所述上一时刻位置信息，确定所述检测对象的第一类关节点的位移信息；所述第一类关节点为所述检测对象上能够检测摔倒的特征关节点；

行为判断模块，用于在所述第一类关节点的所述位移信息符合预设摔倒条件的情况下，确定所述检测对象在所述当前时刻为摔倒状态。

第三方面，本申请还提供了一种计算机设备。所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：

获取检测对象在当前时刻的实时图像和上一时刻的实时图像；

根据所述当前时刻的实时图像和所述上一时刻的实时图像，确定所述检测对象各关节点的当前位置信息和上一时刻位置信息；

根据所述当前位置信息和所述上一时刻位置信息，确定所述检测对象的第一类关节点的位移信息；所述第一类关节点为所述检测对象上能够检测摔倒的特征关节点；

在所述第一类关节点的所述位移信息符合预设摔倒条件的情况下，确定所述检测对象在所述当前时刻为摔倒状态。

第四方面，本申请还提供了一种计算机可读存储介质。所述计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：

获取检测对象在当前时刻的实时图像和上一时刻的实时图像；

根据所述当前时刻的实时图像和所述上一时刻的实时图像，确定所述检测对象各关节点的当前位置信息和上一时刻位置信息；

根据所述当前位置信息和所述上一时刻位置信息，确定所述检测对象的第一类关节点的位移信息；所述第一类关节点为所述检测对象上能够检测摔倒的特征关节点；

在所述第一类关节点的所述位移信息符合预设摔倒条件的情况下，确定所述检测对象在所述当前时刻为摔倒状态。

第五方面，本申请还提供了一种计算机程序产品。所述计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现以下步骤：

获取检测对象在当前时刻的实时图像和上一时刻的实时图像；

根据所述当前时刻的实时图像和所述上一时刻的实时图像，确定所述检测对象各关节点的当前位置信息和上一时刻位置信息；

根据所述当前位置信息和所述上一时刻位置信息，确定所述检测对象的第一类关节点的位移信息；所述第一类关节点为所述检测对象上能够检测摔倒的特征关节点；

在所述第一类关节点的所述位移信息符合预设摔倒条件的情况下，确定所述检测对象在所述当前时刻为摔倒状态。

上述摔倒检测方法、装置、计算机设备、存储介质和计算机程序产品，通过获取检测对象的实时图像进行位置信息的对比，得出目标关节点的位移信息，进而基于位移信息判断检测对象是否摔倒，能够准确无误地识别出检测对象的摔倒行为，从而更好地提醒用户采取相应的措施。

附图说明

图1为一个实施例中摔倒检测方法的应用环境图；

图2为一个实施例中摔倒检测方法的流程示意图；

图3为一个实施例中确定检测对象对应的摔倒类型的流程示意图；

图4为另一个实施例中摔倒检测方法的流程示意图；

图5为一个实施例中关节点示意图；

图6为一个实施例中摔倒检测方法的流程示意图；

图7为一个实施例中摔倒检测装置的结构框图；

图8为一个实施例中计算机设备的内部结构图。

具体实施方式

为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。

本申请实施例提供的摔倒检测方法，可以应用于如图1所示的应用环境中。其中，终端102通过网络与服务器104进行通信。数据存储系统可以存储服务器104需要处理的数据。数据存储系统可以集成在服务器104上，也可以放在云上或其他网络服务器上。服务器104接收来自终端102的实时图像，并基于数据存储系统中的摔倒阈值等信息，分析实时图像中检测对象目标关节点的位移信息，从而得出相关的检测对象是否摔倒的结论，并在终端102中展示。其中，终端102可以但不限于是各种个人计算机、笔记本电脑、智能手机和平板电脑。服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。

在一个实施例中，如图2所示，提供了一种摔倒检测方法，以该方法应用于图1中的服务器104为例进行说明，包括以下步骤：

步骤201，获取检测对象在当前时刻的实时图像和上一时刻的实时图像。

其中，实时图像可以是视频图像，则每个时刻的实时图像为视频图像每一帧的图像。

示例性地，服务器104接收终端102发送的视频图像，然后将视频图像在当前时刻的帧画面截取出来作为当前时刻的实时图像，将上一时刻的帧画面截取出来作为上一时刻的实时图像。

步骤202，根据当前时刻的实时图像和上一时刻的实时图像，确定检测对象各关节点的当前位置信息和上一时刻位置信息。

其中，位置信息可以是关节点的坐标信息；进一步地，坐标信息由预先建立的坐标系确定。

其中，各关节点可以包括监测对象的肩关节、膝关节和颈关节等。

其中，检测对象的各关节点通过公开的图像识别技术从实时图像中确定。

示例性地，服务器104通过公开的图像识别技术，从两个时刻的实时图像中检测出检测对象各关节点，并且基于预先建立的坐标系，确定出两个时刻中各关节点的坐标信息，分别作为两个时刻中各关节点的位置信息

步骤203，根据当前位置信息和上一时刻位置信息，确定检测对象的第一类关节点的位移信息；第一类关节点为检测对象上能够检测摔倒的特征关节点。

其中，位移信息包括位移速度信息和位移距离信息等。

示例性地，服务器104从各关节点的位置信息中，确定出第一类关节点的当前位置信息和上一时刻的位置信息，并计算得到第一类关节点的位移距离信息，还通过两个时刻之间的时间间隔，计算得到第一类关节点的位移速度信息。

步骤204，在第一类关节点的位移信息符合预设摔倒条件的情况下，确定检测对象在当前时刻为摔倒状态。

其中，预设的摔倒条件通过预先的训练确定。

示例性地，服务器104获取到数据存储系统中预先训练确定的预设摔倒条件，并判断第一类关节点的位移信息是否符合预设摔倒条件，即第一类关节点的位移速度或位移距离是否超过预设摔倒条件中的速度阈值或距离阈值。当第一类关节点的位移信息符合预设摔倒条件时，确定检测对象在当前时刻是摔倒状态。

上述摔倒检测方法中，通过获取检测对象的实时图像进行位置信息的对比，得出目标关节点的位移信息，进而基于位移信息判断检测对象是否摔倒，能够准确无误地识别出检测对象的摔倒行为，从而更好地提醒用户采取相应的措施。

在其中一个实施例中，位移信息包括位移速度和位移距离；第一类关节点包括第一关节点和第二关节点，上述步骤204在第一类关节点的位移信息符合预设摔倒条件的情况下，确定检测对象在当前时刻为摔倒状态，具体还可以通过以下步骤实现：

步骤一，获取速度变化阈值和距离变化阈值；

步骤二，在第一关节点的位移速度超过速度变化阈值，且第二关节点的位移距离超过距离变化阈值的情况下，确定检测对象在当前时刻下为摔倒状态。

其中，速度变化阈值和距离变化阈值可以通过训练得到。进一步地，速度变化阈值可以为检测对象在下蹲过程中第一关节点在两个时刻之间的最大向下位移速度，距离变化阈值可以为检测对象在下蹲过程中第二关节点在两个时刻之间的最大位移距离。

其中，第一关节点可以为鼻子，第二关节点可以包括颈关节、肩关节和腰关节等。

示例性地，获取到预先训练得到的速度变化阈值和距离变化阈值，当第一关节点(即鼻子)的下降速度超过速度变化阈值，并且各第二关节点(即颈关节、肩关节和腰关节等)的位移距离超过距离变化阈值时(即检测对象发生了比下蹲更激烈的向下位移行为)，确定检测对象在当前时刻下是摔倒状态。

本实施例中，通过对比检测对象在当前时刻下的位移信息，是否超过基于下蹲过程确定的位移变化阈值，进而准确地识别到检测对象是否发生摔倒，而不是将下蹲和躺下等其他行为检测为摔倒。

在其中一个实施例中，在上述步骤204确定检测对象在当前时刻下为摔倒状态之后，还包括以下步骤：

步骤一，根据当前位置信息和上一时刻位置信息，确定第二类关节点的位移信息；

步骤二，基于第一类关节点的位移信息以及第二类关节点的位移信息，确定检测对象对应的摔倒类型。

其中，摔倒类型可以包括直接摔倒、向前跪地摔倒、向后坐地摔倒和靠墙摔倒。

进一步地，直接摔倒为向前、后、左、右任一方向直接倒地；向前跪地摔倒为向前摔倒，然后膝盖先着地，之后继续倒地；向后坐地摔倒为向后摔倒，然后屁股先着地，之后继续倒地；靠墙摔倒为向前、后、左、右任一方向靠着墙壁倒地。

其中，第二类关节点可以包括膝关节和臀部关节等。

示例性地，为了更好地检测摔倒，将不同的摔倒类型区分开来，需要引入更多的关节点(即第二类关节点)的位移信息。对于确定为摔倒状态的检测对象，结合第一类关节点的位移信息和第二类关节点的位移信息，和不同摔倒类型的对应的位移变化条件进行匹配，确定检测对象的摔倒类型。需要说明的是，不同摔倒类型对应的位移变化条件预先通过训练得到。

在其中一个实施例中，如图3所示，上述步骤基于第一类关节点的位移信息以及第二类关节点的位移信息，确定检测对象对应的摔倒类型，还可以通过以下步骤实现：

步骤301，若第二类关节点的位移信息超过预设的位移变化阈值，则基于第二类关节点的位移信息，确定检测对象对应的摔倒类型；

步骤302，若第二类关节点的位移信息未超过预设的位移变化阈值，则基于第一类关节点的位移信息，确定检测对象对应的摔倒类型。

示例性地，判断第二类关节点(即膝关节或臀部关节)是否有大幅度的位移变化，即检测第二类关节点的位移信息是否超过了预设的位移变化阈值，若超过预设的位移变化阈值，可以确定检测对象的摔倒类型为跪地摔倒或坐地摔倒，则基于第二类关节点的位移信息进一步确定摔倒类型；若没有超过预设的位移变化阈值，可以确定检测对象的摔倒类型为直接摔倒或靠墙摔倒，则基于第一类关节点的位移信息进一步确定摔倒类型。

上述实施例中，通过对两类关节点的位移信息进行分析，检测出检测对象的具体摔倒类型，可以得到更准确的摔倒检测结果，给用户提供更好的参考。

在其中一个实施例中，上述步骤302基于第一类关节点的位移信息，确定检测对象对应的摔倒类型，还可以通过以下步骤实现：

步骤一，若第一类关节点的位移信息符合第一条件，则确定检测对象对应的摔倒类型为直接摔倒；第一条件为位移信息超出第一位移阈值；

步骤二，若第一类关节点的位移信息符合第二条件，则确定检测对象对应的摔倒类型为靠墙摔倒；第二条件为位移信息未超出所述第一位移阈值。

示例性地，因为靠墙摔倒的速度变化和距离变化是介于直接摔倒和下蹲之间的，所以预设的第一位移阈值用来区分直接摔倒和靠墙摔倒这两种类型。当检测对象的第一类关节点的位移信息超过第一位移阈值，即位移变化幅度大，则摔倒类型确定为直接摔倒；当检测对象的第一类关节点的位移信息没有超过第一位移阈值，即位移变化虽然比下蹲幅度大但没达到直接摔倒的变化幅度，则摔倒类型确定为靠墙摔倒。

本实施例中，通过判断第一类关节点的位移信息是否达到直接摔倒的阈值，来区分直接摔倒和靠墙摔倒，得到更准确的摔倒检测结果，给用户提供更好的参考。

在其中一个实施例中，第二类关节点包括第三关节点和第四关节点；位移变化阈值包括第三位移阈值和第四位移阈值，上述步骤301基于第二类关节点的位移信息，确定检测对象对应的摔倒类型，还可以通过以下步骤实现：

步骤一，若第三关节点的位移信息符合预设第三条件，则确定检测对象对应的摔倒类型为向前跪地摔倒；第三条件为第三关节点的位移信息超过第三位移阈值，且第三关节点的位移方向为朝向检测对象的前方；

步骤二，若第四关节点的位移信息符合预设第四条件，则确定检测对象对应的摔倒类型为向后坐地摔倒；第四条件为第四关节点的位移信息超过第四位移阈值，且第四关节点的位移方向为朝向检测对象的后方。

其中，第三关节点可以是膝关节。

其中，第四关节点可以说臀部关节。

示例性地，向前跪地摔倒会带动膝关节区别于第一类关节点发生大幅度变化，向后坐地摔倒会带动臀部关节区别于第一类关节点发送大幅度变化。因此，若第三关节点的位移信息超过第三位移阈值，且第三关节点的位移方向为朝向检测对象的前方，即膝关节的变化幅度和变化方向达到向前跪地摔倒的条件，则确定摔倒类型为向前跪地摔倒；若第四关节点的位移信息超过第四位移阈值，且第四关节点的位移方向为朝向检测对象的后方，即臀部关节的变化幅度和变化方向达到向后坐地摔倒的条件，则确定摔倒类型为向后坐地摔倒。

本实施例中，根据第二类关节点的位移信息符合向前跪地摔倒的条件或向后坐地摔倒的条件，来检测向前跪地摔倒和向后坐地摔倒，得到更准确的摔倒检测结果，给用户提供更好的参考。

在其中一个实施例中，在第一类关节点的位移信息不符合预设摔倒条件的情况下，根据第一类关节点的位移信息，确定检测对象在当前时刻下的非摔倒行为类型。

其中，非摔倒行为类型可以包括躺下、快速行走、弯腰、下蹲、趴下、坐着、奔跑和站立等。

示例性地，当检测到检测对象没有摔倒时，则根据第一类关节点的位移信息，基于预先训练得到的行为阈值确定检测对象的非摔倒行为类型。

本实施例中，可以基于预先训练得到的行为阈值确定检测对象的非摔倒行为类型，给用户提供更清晰的检测结果。

在一个实施例中，如图4所示，提供一种摔倒检测方法，本实施例中，包括以下步骤：

步骤401，建立绝对坐标系；

步骤402，采集数据；

步骤403，数据训练；

步骤404，摔倒检测。

示例性地，

步骤401建立的绝对坐标系以离地面一米为坐标原点，朝向摄像头的方向为x轴正方向，摄像头向右方向为y轴正方向，垂直于地面向上方向为z轴正方向。

步骤402采集的数据包括：实验人员佩戴传感器采集的各种行为位移数据、基于图像处理技术获取的来自摄像头的视频图像中的各种行为位移数据和公开的人体姿态识别数据集MobiAct和SisFall。采集的关节点示意如图5所示，同时表1是图5中关节点的对照表。

表1关节对照表

进一步地，步骤402通过传感器和摄像头采集到的位移数据为在x、y、z轴上的位移数据，因此还需要整合处理。通过以下公式计算：

Sn为整合后的位移，Vn为整合后的速度，S表示位移，V表示速度，xi代表在x轴坐标上的第i时刻，Δt为两个时刻之间的时间间隔，本实施例设置为0.02秒。

步骤403中对于数据的训练，首先获取数据中各种行为的位移距离、位移线速度和位移角速度的位移数据，通过训练获取到三种数据的权值，对数据加权计算确定出每种行为的对应的位移数据，从而确定每种行为判断的位移变化阈值。

如图6所示，步骤404摔倒检测具体通过以下步骤实现：

步骤601，判断鼻子的下降速度是否大于设定的阈值；

步骤602，判断颈关节相对于前一帧的位移距离是否大于正常下蹲过程中的最大位移阈值；

步骤603，判断肩关节相对于前一帧的位移距离是否大于正常下蹲过程中的最大位移阈值；

步骤604，判断腰关节相对于前一帧的位移距离是否大于正常下蹲过程中的最大位移阈值；

步骤605，根据鼻子、颈关节、肩关节、腰关节、膝关节和臀部关节的位移速度和位移距离、摔倒类型的不同阈值判定摔倒的具体类型。

其中，步骤601、步骤602、步骤603和步骤604中的判断结果若为否，则判定为没有摔倒，并且不需要进行后续步骤；判断结果若都为是，则判定为摔倒，并执行步骤605。

本实施例中，通过采集数据并训练得到各行为的位移变化阈值，然后采用了多线程的工作方式，一方面对于图像中每帧的人体关节点进行位移信息的输出，一方面进行阈值的判断行为，能更加准确并实时地更新人体的行为。并且通过不同的阈值，可以判断出不同行为，从而提供更全面的参考。

应该理解的是，虽然如上所述的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，如上所述的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。

基于同样的发明构思，本申请实施例还提供了一种用于实现上述所涉及的摔倒检测方法的摔倒检测装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似，故下面所提供的一个或多个摔倒检测装置实施例中的具体限定可以参见上文中对于摔倒检测方法的限定，在此不再赘述。

在一个实施例中，如图7所示，提供了一种摔倒检测装置，包括：图像获取模块、位置确定模块、位移计算模块和行为判断模块模块，其中：

图像获取模块701，用于获取检测对象在当前时刻的实时图像和上一时刻的实时图像；

位置确定模块702，用于根据当前时刻的实时图像和上一时刻的实时图像，确定检测对象各关节点的当前位置信息和上一时刻位置信息；

位移计算模块703，用于根据当前位置信息和上一时刻位置信息，确定检测对象的第一类关节点的位移信息；第一类关节点为检测对象上能够检测摔倒的特征关节点；

行为判断模块704，用于在第一类关节点的位移信息符合预设摔倒条件的情况下，确定检测对象在当前时刻为摔倒状态。

在一个实施例中，位移信息包括位移速度和位移距离；第一类关节点包括第一关节点和第二关节点，行为判断模块704还用于，获取速度变化阈值和距离变化阈值；在第一关节点的位移速度超过速度变化阈值，且第二关节点的位移距离超过距离变化阈值的情况下，确定检测对象在当前时刻下为摔倒状态。

在一个实施例中，上述行为判断模块704还用于，根据当前位置信息和上一时刻位置信息，确定第二类关节点的位移信息；基于第一类关节点的位移信息以及第二类关节点的位移信息，确定检测对象对应的摔倒类型。

在一个实施例中，上述行为判断模块704还用于，在第二类关节点的位移信息超过预设的位移变化阈值的情况下，基于第二类关节点的位移信息，确定检测对象对应的摔倒类型；在第二类关节点的位移信息未超过预设的位移变化阈值的情况下，基于第一类关节点的位移信息，确定检测对象对应的摔倒类型。

在一个实施例中，上述行为判断模块704还用于，在第一类关节点的位移信息符合第一条件的情况下，确定检测对象对应的摔倒类型为直接摔倒；第一条件为位移信息超出第一位移阈值；在第一类关节点的位移信息符合第二条件的情况下，确定检测对象对应的摔倒类型为靠墙摔倒；第二条件为位移信息未超出第一位移阈值。

在一个实施例中，第二类关节点包括第三关节点和第四关节点；位移变化阈值包括第三位移阈值和第四位移阈值，上述行为判断模块704还用于，在第三关节点的位移信息符合预设第三条件的情况下，确定检测对象对应的摔倒类型为向前跪地摔倒；第三条件为第三关节点的位移信息超过第三位移阈值，且第三关节点的位移方向为朝向检测对象的前方；在第四关节点的位移信息符合预设第四条件的情况下，确定检测对象对应的摔倒类型为向后坐地摔倒；第四条件为第四关节点的位移信息超过第四位移阈值，且第四关节点的位移方向为朝向检测对象的后方。

在一个实施例中，上述行为判断模块704还用于，在第一类关节点的位移信息不符合预设摔倒条件的情况下，根据第一类关节点的位移信息，确定检测对象在当前时刻下的非摔倒行为类型。

上述摔倒检测装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。

在一个实施例中，提供了一种计算机设备，该计算机设备可以是终端，其内部结构图可以如图8所示。该计算机设备包括处理器、存储器、输入/输出接口、通信接口、显示单元和输入装置。其中，处理器、存储器和输入/输出接口通过系统总线连接，通信接口、显示单元和输入装置通过输入/输出接口连接到系统总线。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质和内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的输入/输出接口用于处理器与外部设备之间交换信息。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信，无线方式可通过WIFI、移动蜂窝网络、NFC(近场通信)或其他技术实现。该计算机程序被处理器执行时以实现一种摔倒检测方法。该计算机设备的显示单元用于形成视觉可见的画面，可以是显示屏、投影装置或虚拟现实成像装置。显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。

本领域技术人员可以理解，图8中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。

在一个实施例中，还提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现上述各方法实施例中的步骤。

在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现上述各方法实施例中的步骤。

在一个实施例中，提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现上述各方法实施例中的步骤。

需要说明的是，本申请所涉及的用户信息(包括但不限于用户设备信息、用户个人信息等)和数据(包括但不限于用于分析的数据、存储的数据、展示的数据等)，均为经用户授权或者经过各方充分授权的信息和数据，且相关数据的收集、使用和处理需要遵守相关国家和地区的相关法律法规和标准。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-OnlyMemory，ROM)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(ReRAM)、磁变存储器(Magnetoresistive Random Access Memory，MRAM)、铁电存储器(Ferroelectric Random Access Memory，FRAM)、相变存储器(Phase Change Memory，PCM)、石墨烯存储器等。易失性存储器可包括随机存取存储器(Random Access Memory，RAM)或外部高速缓冲存储器等。作为说明而非局限，RAM可以是多种形式，比如静态随机存取存储器(Static Random Access Memory，SRAM)或动态随机存取存储器(Dynamic RandomAccess Memory，DRAM)等。本申请所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等，不限于此。本申请所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等，不限于此。

以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。

以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本申请专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请的保护范围应以所附权利要求为准。