基于轻量级OpenPose模型的跌倒检测算法*

伏娜娜， 刘大铭， 程晓婷， 景云云， 张馨芳

(宁夏大学 物理与电子电气工程学院,宁夏 银川 750021)

0 引 言

随着老年人口数量的增多，如何对独居老年人进行自动摔倒监测是亟待解决的问题。目前，在室内摔倒监测领域中，基于可穿戴设备和基于环境传感器等主流监测方法面临着设备复杂、成本较高等问题[1,2]。为此，引入人体姿态估计，提出了一种基于2D视频的摔倒监测算法。Fang H S等人[3]提出了区域多人姿态检测(regional multiperson pose estimation,RMPE)框架，主要使用沙漏网络进行姿态估计。Newel A等人[4]提出了一种Stacked Hourglass网络模型，利用人体16个骨骼关节点进行姿态估计。Zhe C等人[5]提出了OpenPose模型，提出了部分亲和力字段(part affinity fields，PAFs)方法，可以将预测得到的多个关节点匹配到不同人的姿态中，有效解决了多人肢干连接的问题，但OpenPose 模型仍存在很多的不足，例如模型较大，网络参数较多等。随后相继提出了很多轻量化的网络，较为经典的有MobileNets[6]，ShuffleNet[7]等，这些轻量化网络以损失很小的精度为代价来大大减少网络的计算量和参数数量。

根据上述分析，为了提高姿态识别过程中的运算速度和跌倒检测的准确率，提出了一种基于轻量级OpenPose模型的跌倒检测算法。

1 算法设计

1.1 Yolov5s目标检测模型

Yolov5目标检测有部署简单、速度快等优点。本文选择Yolov5系列中深度最小，特征图宽度最小的Yolov5s网络。Yolov5s网络主要由Input，Backbone，Neck，Output四个部分组成，网络结构如图1所示。输入端采用了Mosaic数据增强的方式。Backbone结构包含Focus结构和跨阶段局部网络(cross stage partial network,CSPNet)。Focus结构包含切片操作和卷积操作，将原始608×608×3的图像输入Focus结构，采用切片和卷积操作，变为304×304×12的特征图，再经过一次32个卷积核的卷积操作，最终变为304×304×32的特征图[8]。……