居家人员摔倒监测方法、装置、电子设备及存储介质与流程

1.本发明涉及智慧看护领域，尤其涉及一种居家人员摔倒监测方法、装置、电子设备及存储介质。


背景技术：

2.独居的老人因为行动力降低，容易摔倒，独居在家时，没有人能及时发现摔倒的老人，使得独居的老人存在较大的危险。在对独居老人的监测中，主要是通过传感器检测或视觉检测，比如通过传感器检测独居老人的身体指标是否发生变化，从而判断独居老人是否摔倒；或通过视觉检测对独居老人的姿态进行识别，判断独居老人是否是摔倒姿态。可以看出，现有传感器检测或视觉检测都是基于独居老人已经发生摔倒的事实来进行检测，无法对独居老人的摔倒提前作出提示。


技术实现要素：

3.本发明实施例提供一种居家人员摔倒监测方法，旨在解决现有传感器检测或视觉检测都是基于独居老人已经发生摔倒的事实来进行检测，无法对独居老人的摔倒提前作出提示的问题。通过目标人员的当前环境序列以及当前姿态序列，预测目标人员由当前姿态改变到预设姿态时的摔倒概率，可以提前预测出目标人员的摔倒概率，从而可以提前向相关监护人员进行提示，使得目标人员提前得到关注，或可以提前向目标人员进行提示，使得目标人员提高注意力，避免摔倒。
4.第一方面，本发明实施例提供一种居家人员摔倒监测方法，所述方法包括：
5.获取目标人员的当前环境序列以及所述目标人员的当前姿态序列；
6.根据所述当前环境序列以及所述当前姿态序列，确定所述目标人员由当前姿态改变到预设姿态时的摔倒概率；
7.基于所述摔倒概率向相关监护人员或所述目标人员进行提示。
8.可选的，所述获取目标人员的当前环境序列以及所述目标人员的当前姿态序列，包括：
9.获取目标人员的监控图像，所述目标人员为居家人员；
10.基于所述监控图像，确定所述目标人员的当前环境序列以及所述目标人员的当前姿态序列。
11.可选的，所述监控图像为连续多帧图像，所述基于所述监控图像，确定所述目标人员的当前环境序列以及所述目标人员的当前姿态序列，包括：
12.对所述监控图像中每一帧图像进行环境检测以及姿态检测，得到所述目标人员的当前环境序列以及所述目标人员的当前姿态序列。
13.可选的，所述对所述监控图像中每一帧图像进行环境检测以及姿态检测，得到所述目标人员的当前环境序列以及所述目标人员的当前姿态序列，包括：
14.通过训练好的环境检测模型对所述监控图像中每一帧图像进行环境检测，得到每
一帧图像的环境属性；
15.根据每一帧图像的环境属性确定所述目标人员的当前环境序列；
16.通过训练好的姿态检测模型地所述监控图像中每一帧图像进行姿态检测，得到每一帧图像的人员姿态；
17.根据每一帧图像的人员姿态确定所述目标人员的当前姿态序列。
18.可选的，所述根据每一帧图像的环境属性确定所述目标人员的当前环境序列，包括：
19.根据最后一帧图像的环境属性确定所述目标人员的当前环境属性；
20.根据所述当前环境属性，在所有帧图像的环境属性中确定所述目标人员的当前环境序列。
21.可选的，所述根据每一帧图像的人员姿态确定所述目标人员的当前姿态序列，包括：
22.根据最后一帧图像的人员姿态确定所述目标人员的当前姿态；
23.根据所述目标人员的当前姿态，在所有帧图像的人员姿态中确定所述目标人员的当前姿态序列。
24.可选的，所述根据所述当前环境序列以及所述当前姿态序列，确定所述目标人员由当前姿态改变到预设姿态时的摔倒概率，包括：
25.将所述当前环境序列与所述当前姿态序列进行对齐，并将对齐后的所述当前环境序列与所述当前姿态序列在通道维度上进行拼接，得到拼接序列；
26.将拼接序列输入到训练好的时序网络中进行处理，输出目标人员由当前姿态改变到各个预设姿态时的摔倒概率。
27.第二方面，本发明实施例提供一种居家人员摔倒监测装置，所述装置包括：
28.获取模块，用于获取目标人员的当前环境序列以及所述目标人员的当前姿态序列；
29.确定模块，用于根据所述当前环境序列以及所述当前姿态序列，确定所述目标人员由当前姿态改变到预设姿态时的摔倒概率；
30.提示模块，用于基于所述摔倒概率向相关监护人员或所述目标人员进行提示。
31.第三方面，本发明实施例提供一种电子设备，包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现本发明实施例提供的居家人员摔倒监测方法中的步骤。
32.第四方面，本发明实施例提供一种计算机可读存储介质，所述计算机可读存储介质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发明实施例提供的居家人员摔倒监测方法中的步骤。
33.本发明实施例中，获取目标人员的当前环境序列以及所述目标人员的当前姿态序列；根据所述当前环境序列以及所述当前姿态序列，确定所述目标人员由当前姿态改变到预设姿态时的摔倒概率；基于所述摔倒概率向相关监护人员或所述目标人员进行提示。通过目标人员的当前环境序列以及当前姿态序列，预测目标人员由当前姿态改变到预设姿态时的摔倒概率，可以提前预测出目标人员的摔倒概率，从而可以提前向相关监护人员进行提示，使得目标人员提前得到关注，或可以提前向目标人员进行提示，使得目标人员提高注
意力，避免摔倒。
附图说明
34.为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
35.图1是本发明实施例提供的一种居家人员摔倒监测方法的流程图；
36.图2是本发明实施例提供的一种居家人员摔倒监测装置的结构示意图；
37.图3是本发明实施例提供的一种电子设备的结构示意图。
具体实施方式
38.下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
39.请参见图1，图1是本发明实施例提供的一种居家人员摔倒监测方法的流程图，如图1所示，该居家人员摔倒监测方法包括以下步骤：
40.101、获取目标人员的当前环境序列以及目标人员的当前姿态序列。
41.在本发明实施例中，上述目标人员为居家人员，上述居家人员可以是独居人员，具体的，上述目标人员可以是摔倒风险抵抗能力较差的居家人员，比如上述目标人员可以是老人、孩子、孕妇、残障人员等。
42.上述当前环境序列可以表示目标人员处于当前环境的时间序列，上述当前环境可以是当前室内空间。比如可以是卧室、客厅、卫生间、厨房、阳台等室内空间，上述当前环境序列可以具体表示为目标人员处于卧室的时间长度，或者处于客厅的时间长度，或者处于卫生间的时间长度，或者处于厨房的时间长度，或者处于阳台的时间长度，等等。进一步的，上述当前环境可以是当前室内空间的具体家居物体，比如卧室的床、客厅的沙发、阳台的坐椅、卫生间的马桶、厨房的灶台、地上的瓷砖或木地板等。
43.上述当前姿态序列可以表示目标人员处于当前姿态的时间序列，上述当前姿态可以是坐、行走、蹲、靠、躺、站立等任意一种姿态。上述当前姿态序列可以具体表示目标人员处于坐的时间长度，或者处于行走的时间长度、处于蹲的时间长度，或者处于躺的时间长度，或者处于站立的时间长度。
44.上述目标人员的当前环境序列与当前姿态序列可以通过目标人员的监控图像进行解析得到。在目标人员的室内空间中安装有对应的图像采集设备，上述图像采集设备可以是单独设置的监控摄像头，也可以是与智能家居设备结合的监控摄像头。上述智能家居设备可以是智能网关、智能电视、智能空调、智能卫浴柜等具有监控摄像头的智能家居设备。
45.102、根据当前环境序列以及当前姿态序列，确定目标人员由当前姿态改变到预设姿态时的摔倒概率。
46.在本发明实施例中，上述当前环境序列可以表示目标人员处于当前环境的时间序列，上述当前姿态序列可以表示目标人员处于当前姿态的时间序列，上述预设姿态与上述当前姿态为不同的姿态，比如，若上述当前姿态为坐，则预设姿态可以是行走、蹲、靠、躺、站立等姿态，若上述当前姿态为靠，则预设姿态可以是坐、行走、蹲、躺、站立等姿态。
47.需要说明的是，可以将当前姿态视为一种平衡态，将预设姿态视为另一种平衡态，当目标人员由一种平衡态改变为另一种平衡态时，相当于打破先前的平衡态以及建立新的平衡态，这个过程中目标人员是处于不平衡的，使得目标人员容易摔倒。比如，目标人员的当前姿态为坐，预设姿态为站点，则目标人员从坐着到起身站点的过程比较容易摔倒。在不同的环境下，由当前姿态改变到预设姿态下对应的摔倒概率也不同，比如同样的由站立改变为行走，由于卫生间可能地面湿滑，摔倒的概率更大。通过序列来表示目标人员处于当前环境的时间长度以及目标人员处于当前姿态的时间长度，目标人员处于当前姿态的时间越长，则目标人员处于当前平衡态的时间越长，改变当前平衡态的代价越大，摔倒的概率越大。
48.具体的，上述预设姿态为多个，可以根据当前环境序列以及当前姿态序列来解析由当前姿态改变到各个预设姿态时隐含关系，根据这种隐含关系来确定目标人员的摔倒概率。具体的，可以通过一个模型来学习这种隐含关系，从而可以通过这个模型来得到对应的摔倒概率。当然，也可以人工设置在各个环境下，不同姿态间的改变路径与摔倒概率之间的映射关系，以时间为权重计算最终的摔倒概率，比如通过在当前环境下当前姿态改变到预设姿态的路径，查找到对应的摔倒概率，通过当前环境序列与当前姿态序列确定时间权重，将摔倒概率乘以时间权重，得到最终的摔倒概率。
49.103、基于摔倒概率向相关监护人员或目标人员进行提示。
50.在本发明实施例中，在得到目标人员由当前姿态改变到各个预设姿态时的摔倒概率后，可以判断所有预设姿态对应的摔倒概率中，是否存在大于摔倒阈值的摔倒概率，若存在，则基于该个大于摔倒阈值的摔倒概率确定对应的预设姿态，则可以将该摔倒概率向相关监护人员或目标人员进行提示。
51.举例来说，目标人员的当前环境为卧室，目标人员的当前姿态为躺，目标人员由躺改变到坐时的摔倒概率为8％，目标人员由躺改变到行走时的摔倒概率为30％，目标人员由躺改变到蹲时的摔倒概率为15％，目标人员由躺改变到站立时的摔倒概率为30％，摔倒阈值可以设置为10％，则目标人员由躺改变到行走时的摔倒概率，目标人员由躺改变到蹲时的摔倒概率，目标人员由躺改变到站立时的摔倒概率三者均满足提示条件，则可以向相关人员或目标人员进行提示，提示内容可以包括当前姿态、摔倒概率大于摔倒阈值对应的预设姿态以及摔倒概率。比如，可以是“目标人员由躺改变到站立时的摔倒概率30％，请注意。”52.本发明实施例中，获取目标人员的当前环境序列以及所述目标人员的当前姿态序列；根据所述当前环境序列以及所述当前姿态序列，确定所述目标人员由当前姿态改变到预设姿态时的摔倒概率；基于所述摔倒概率向相关监护人员或所述目标人员进行提示。通过目标人员的当前环境序列以及当前姿态序列，预测目标人员由当前姿态改变到预设姿态时的摔倒概率，可以提前预测出目标人员的摔倒概率，从而可以提前向相关监护人员进行提示，使得目标人员提前得到关注，或可以提前向目标人员进行提示，使得目标人员提高注
意力，避免摔倒。
53.可选的，在获取目标人员的当前环境序列以及所述目标人员的当前姿态序列的步骤中，可以获取目标人员的监控图像，目标人员为居家人员；基于监控图像，确定目标人员的当前环境序列以及目标人员的当前姿态序列。
54.在本发明实施例中，可以在目标人员的室内空间中安装有对应的图像采集设备，上述图像采集设备可以是单独设置的监控摄像头，也可以是与智能家居设备结合的监控摄像头。上述智能家居设备可以是智能网关、智能电视、智能空调、智能卫浴柜等具有监控摄像头的智能家居设备。通过图像采集设备来获取目标人员的监控图像。上述监控图像为连续多帧图像，也可以称为监控视频。
55.具体的，可以事先输入目标人员的图像数据，根据目标人员的图像数据提取目标人员的人脸特征和人体特征。在图像采集设备采集到监控图像后，对监控图像进行特征提取，提取出监控图像中的人员人脸特征和人员人体特征，将人员人脸特征与人员人体特征分别与目标人员的人脸特征与人体特征进行比对，判断监控图像中的人员是否为目标人员。若监控图像中的人员不是目标人员，则与事先提取到的相关人员的人脸特征和人体特征进行比对，判断监控图像中的人员是否为相关人员。若监控图像中的人员不是相关人员，则向相关人员进行提示。
56.若监控图像中的人员是目标人员，则可以对监控图像进行解析，得到目标人员的当前环境序列以及目标人员的当前姿态序列。具体的，可以通过环境检测算法对监控图像进行环境解析，得到目标人员的当前环境序列，通过图像姿态检测算法对监控图像进行姿态解析，得到目标人员的当前状态序列。
57.可选的，监控图像为连续多帧图像，在基于监控图像，确定目标人员的当前环境序列以及目标人员的当前姿态序列的步骤中，可以对监控图像中每一帧图像进行环境检测以及姿态检测，得到目标人员的当前环境序列以及目标人员的当前姿态序列。
58.在本发明实施例中，上述监控图像为连续多帧图像，可以通过环境检测算法对监控图像中每一帧图像进行环境检测，得到每一帧图像对应的环境检测结果。可以通过姿态检测算法对监控图像中每一帧图像进行姿态检测，得到第一帧图像中目标人员的姿态检测结果。
59.在得到每一帧图像的环境检测结果后，可以根据全部帧图像的环境检测结果确定当前环境，根据当前环境确定对应的当前环境序列，当前环境序列包括当前环境。在得到每一帧图像的姿态结果后，可以根据全部帧图像的姿态检测结果确定目标人员的当前姿态，根据当前姿态确定对应的当前姿态序列，当前姿态序列包括当前姿态。
60.可选的，在对监控图像中每一帧图像进行环境检测以及姿态检测，得到目标人员的当前环境序列以及目标人员的当前姿态序列的步骤中，可以通过训练好的环境检测模型对监控图像中每一帧图像进行环境检测，得到每一帧图像的环境属性；根据每一帧图像的环境属性确定目标人员的当前环境序列；通过训练好的姿态检测模型地监控图像中每一帧图像进行姿态检测，得到每一帧图像的人员姿态；根据每一帧图像的人员姿态确定目标人员的当前姿态序列。
61.在本发明实施例中，上述环境属性可以是目标人员实现各个姿态所依赖的环境属性，比如目标人员躺在卧室的床上，则环境属性为卧室里的床，又比如目标人员坐在客厅的
沙发上，则环境属性为客厅里的沙发，又比如目标人员行走在客厅的木地板上，则环境属性为客厅里的木地板。
62.上述环境检测模型可以是基于深度神经网络构建得到的模型，同样的，上述姿态检测模型也可以是基于深度神经网络构建得到的模型。
63.可以基于深度神经网络构建一个初始环境检测模型，通过第一数据集对初始环境检测模型进行训练，得到训练好的环境检测模型。具体的，第一数据集中包括第一样本图像，第一样本图像为样本人员的居家图像，每个第一样本图像对应一个代表真实环境属性的标签，将第一样本图像输入到初始环境检测模型中，得到预测环境属性，计算预测环境属性与真实环境属性的误差损失，以最小化误差损失为优化目标，对初始环境检测模型进行参数调整，并迭代参数调整过程，当迭代次数达到预设次数或初始环境检测模型在最小误差损失处收敛时，则停止训练，得到训练好的环境检测模型。通过训练好的环境检测模型对监控图像中的每一帧图像进行环境检测，得到每一帧图像的环境属性。
64.在得到每一帧图像的环境属性后，可以根据每一帧图像的环境属性确定目标人员的当前环境序列，其中，目标人员的当前环境序列仅包含一个类型的环境属性。
65.同样的，可以基于深度神经网络构建一个初始姿态检测模型，通过第二数据集对初始姿态检测模型进行训练，得到训练好的姿态检测模型。具体的，第二数据集中包括第二样本图像，第二样本图像为样本人员的姿态，每个第二样本图像对应一个代表真实姿态的标签，将第二样本图像输入到初始姿态检测模型中，得到预测姿态，计算预测姿态与真实姿态的误差损失，以最小化误差损失为优化目标，对初始姿态检测模型进行参数调整，并迭代参数调整过程，当迭代次数达到预设次数或初始姿态检测模型在最小误差损失处收敛时，则停止训练，得到训练好的姿态检测模型。通过训练好的姿态检测模型对监控图像中的每一帧图像进行姿态检测，得到每一帧图像的姿态。
66.在得到每一帧图像中目标人员的姿态后，可以根据每一帧图像中目标人员的姿态确定目标人员的当前姿态序列，其中，目标人员的当前姿态序列仅包含一个类型的姿态。
67.可选的，在根据每一帧图像的环境属性确定目标人员的当前环境序列的步骤中，可以根据最后一帧图像的环境属性确定目标人员的当前环境属性；根据当前环境属性，在所有帧图像的环境属性中确定目标人员的当前环境序列。
68.在本发明实施例中，最后一帧图像可以理解为当前帧图像，可以将当前帧图像对应的环境属性确定为目标人员的当前环境属性，在所有帧图像中，以最后一帧图像为起点，向前查找环境属性与当前环境属性相同的帧图像，直到环境属性与当前环境属性不同的帧图像为止，得到具有当前环境属性的连续帧图像，根据连续帧图像对应的环境属性按帧图像的时序进行排序，得到当前环境序列。
69.可选的，在根据每一帧图像的人员姿态确定目标人员的当前姿态序列的步骤中，可以根据最后一帧图像的人员姿态确定目标人员的当前姿态；根据目标人员的当前姿态，在所有帧图像的人员姿态中确定目标人员的当前姿态序列。
70.在本发明实施例中，最后一帧图像可以理解为当前帧图像，可以将当前帧图像对应的姿态确定为目标人员的当前环境属性，在所有帧图像中，以最后一帧图像为起点，向前查找姿态与当前姿态相同的帧图像，直到姿态与当前姿态不同的帧图像为止，得到具有当前姿态的连续帧图像，根据连续帧图像对应的环境属性按帧图像的时序进行排序，得到当
前环境序列。
71.可选的，在根据当前环境序列以及所述当前姿态序列，确定目标人员由当前姿态改变到预设姿态时的摔倒概率的步骤中，可以将当前环境序列与当前姿态序列进行对齐，并将对齐后的当前环境序列与当前姿态序列在通道维度上进行拼接，得到拼接序列；将拼接序列输入到训练好的时序网络中进行处理，输出目标人员由当前姿态改变到各个预设姿态时的摔倒概率。
72.在本发明实施例中，上述当前环境序列与当前姿态序列的长度可能是不同的，因此，可以将当前环境序列与当前姿态序列进行线性变换，使得线性变换后的当前环境序列与当前姿态序列具有相同的长度，进而使当前环境序列与当前姿态序列得到对齐。将对齐后的当前环境序列与当前姿态序列在通道维度上进行拼接，得到拼接序列，其中，拼接序列的通道数为当前环境序列的通道数与当前姿态序列的通道数之和，当前环境序列的通道数为1，当前姿态序列的通道数为1，拼接序列的通道数为2。
73.上述训练好的时序网络可以是循环神经网络rnn或长短时记忆网络lstm，上述时序网络可以提取拼接序列中的环境和姿态的隐状态，通过隐状态来预测对应的结果，该结果为概率。
74.可以基于循环神经网络rnn或长短时记忆网络lstm构建一个初始时序网络，通过第三数据集对初始时序网络进行训练，得到训练好的时序网络。具体的，第三数据集中包括样本拼接序列，样本拼接序列是通过上述实施例中拼接序列的获取方法来得到，每个样本拼接序列对应多个预设姿态的真实摔倒情况标签abcde，a可以表示当前室内空间，b表示当前环境属性，c表示当前姿态，d表示预设状态，e表示是否摔倒，比如，一个样本拼接序列为样本人员躺在卧室的床上所对应的拼接序列，对应站立起来时摔倒的标签可以是32561，其中，3可以表示卧室，2表示床，5表示躺，6表示站立，1表示摔倒，对坐起来时未摔倒的标签可以是32510，3可以表示卧室，2表示床，5表示躺，1表示坐，0表示未摔倒。
75.将样本拼接序列输入到初始时序网络中，得到各个预设姿态的预测概率，计算各个预设姿态的预测结果与对应预设姿态的真实摔倒情况标签进行损失计算，得到，计算预测结果与真实摔倒情况标签的误差损失，以最小化误差损失为优化目标，对初始时序模型进行参数调整，并迭代参数调整过程，当迭代次数达到预设次数或初始时序模型在最小误差损失处收敛时，则停止训练，得到训练好的时序模型。通过训练好的时序模型对目标人员的拼接序列进行处理，得到各个预设姿态的预测结果，将各个预设姿态的预测结果进行归一化，得到各个预设姿态的摔倒概率。
76.需要说明的是，本发明实施例提供的居家人员摔倒监测方法可以应用于可以进行居家人员摔倒监测方法的智能摄像头、智能手机、电脑、服务器等设备。
77.可选的，请参见图2，图2是本发明实施例提供的一种居家人员摔倒监测装置的结构示意图，如图2所示，所述装置包括：
78.获取模块201，用于获取目标人员的当前环境序列以及所述目标人员的当前姿态序列；
79.确定模块202，用于根据所述当前环境序列以及所述当前姿态序列，确定所述目标人员由当前姿态改变到预设姿态时的摔倒概率；
80.提示模块203，用于基于所述摔倒概率向相关监护人员或所述目标人员进行提示。
81.可选的，所述获取模块201，包括：
82.获取子模块，用于获取目标人员的监控图像，所述目标人员为居家人员；
83.确定子模块，用于基于所述监控图像，确定所述目标人员的当前环境序列以及所述目标人员的当前姿态序列。
84.可选的，所述确定子模块还用于对所述监控图像中每一帧图像进行环境检测以及姿态检测，得到所述目标人员的当前环境序列以及所述目标人员的当前姿态序列。
85.可选的，所述确定子模块，包括：
86.第一检测单元，用于通过训练好的环境检测模型对所述监控图像中每一帧图像进行环境检测，得到每一帧图像的环境属性；
87.第一确定单元，用于根据每一帧图像的环境属性确定所述目标人员的当前环境序列；
88.第二检测单元，用于通过训练好的姿态检测模型地所述监控图像中每一帧图像进行姿态检测，得到每一帧图像的人员姿态；
89.第二确定单元，用于根据每一帧图像的人员姿态确定所述目标人员的当前姿态序列。
90.可选的，所述第一确定单元，包括：
91.第一确定子单元，用于根据最后一帧图像的环境属性确定所述目标人员的当前环境属性；
92.第二确定子单元，用于根据所述当前环境属性，在所有帧图像的环境属性中确定所述目标人员的当前环境序列。
93.可选的，所述第二确定单元，包括：
94.第三确定子单元，用于根据最后一帧图像的人员姿态确定所述目标人员的当前姿态；
95.第四确定子单元，用于根据所述目标人员的当前姿态，在所有帧图像的人员姿态中确定所述目标人员的当前姿态序列。
96.可选的，所述确定模块202，包括：
97.拼接子模块，用于将所述当前环境序列与所述当前姿态序列进行对齐，并将对齐后的所述当前环境序列与所述当前姿态序列在通道维度上进行拼接，得到拼接序列；
98.处理子模块，用于将拼接序列输入到训练好的时序网络中进行处理，输出目标人员由当前姿态改变到各个预设姿态时的摔倒概率。
99.需要说明的是，本发明实施例提供的居家人员摔倒监测装置可以应用于可以进行居家人员摔倒监测方法的智能摄像头、智能手机、电脑、服务器等设备。
100.本发明实施例提供的居家人员摔倒监测装置能够实现上述方法实施例中居家人员摔倒监测方法实现的各个过程，且可以达到相同的有益效果。为避免重复，这里不再赘述。
101.参见图3，图3是本发明实施例提供的一种电子设备的结构示意图，如图3所示，包括：存储器302、处理器301及存储在所述存储器302上并可在所述处理器301上运行的居家人员摔倒监测方法的计算机程序，其中：
102.处理器301用于调用存储器302存储的计算机程序，执行如下步骤：
103.获取目标人员的当前环境序列以及所述目标人员的当前姿态序列；
104.根据所述当前环境序列以及所述当前姿态序列，确定所述目标人员由当前姿态改变到预设姿态时的摔倒概率；
105.基于所述摔倒概率向相关监护人员或所述目标人员进行提示。
106.可选的，处理器301执行的所述获取目标人员的当前环境序列以及所述目标人员的当前姿态序列，包括：
107.获取目标人员的监控图像，所述目标人员为居家人员；
108.基于所述监控图像，确定所述目标人员的当前环境序列以及所述目标人员的当前姿态序列。
109.可选的，所述监控图像为连续多帧图像，处理器301执行的所述基于所述监控图像，确定所述目标人员的当前环境序列以及所述目标人员的当前姿态序列，包括：
110.对所述监控图像中每一帧图像进行环境检测以及姿态检测，得到所述目标人员的当前环境序列以及所述目标人员的当前姿态序列。
111.可选的，处理器301执行的所述对所述监控图像中每一帧图像进行环境检测以及姿态检测，得到所述目标人员的当前环境序列以及所述目标人员的当前姿态序列，包括：
112.通过训练好的环境检测模型对所述监控图像中每一帧图像进行环境检测，得到每一帧图像的环境属性；
113.根据每一帧图像的环境属性确定所述目标人员的当前环境序列；
114.通过训练好的姿态检测模型地所述监控图像中每一帧图像进行姿态检测，得到每一帧图像的人员姿态；
115.根据每一帧图像的人员姿态确定所述目标人员的当前姿态序列。
116.可选的，处理器301执行的所述根据每一帧图像的环境属性确定所述目标人员的当前环境序列，包括：
117.根据最后一帧图像的环境属性确定所述目标人员的当前环境属性；
118.根据所述当前环境属性，在所有帧图像的环境属性中确定所述目标人员的当前环境序列。
119.可选的，处理器301执行的所述根据每一帧图像的人员姿态确定所述目标人员的当前姿态序列，包括：
120.根据最后一帧图像的人员姿态确定所述目标人员的当前姿态；
121.根据所述目标人员的当前姿态，在所有帧图像的人员姿态中确定所述目标人员的当前姿态序列。
122.可选的，处理器301执行的所述根据所述当前环境序列以及所述当前姿态序列，确定所述目标人员由当前姿态改变到预设姿态时的摔倒概率，包括：
123.将所述当前环境序列与所述当前姿态序列进行对齐，并将对齐后的所述当前环境序列与所述当前姿态序列在通道维度上进行拼接，得到拼接序列；
124.将拼接序列输入到训练好的时序网络中进行处理，输出目标人员由当前姿态改变到各个预设姿态时的摔倒概率。
125.本发明实施例提供的电子设备能够实现上述方法实施例中居家人员摔倒监测方法实现的各个过程，且可以达到相同的有益效果。为避免重复，这里不再赘述。
126.本发明实施例还提供一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序，该计算机程序被处理器执行时实现本发明实施例提供的居家人员摔倒监测方法的各个过程，且能达到相同的技术效果，为避免重复，这里不再赘述。
127.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，所述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述的存储介质可为磁碟、光盘、只读存储记忆体(read-only nenory，ron)或随机存取存储器(randon access nenory，简称ran)等。
128.以上所揭露的仅为本发明较佳实施例而已，当然不能以此来限定本发明之权利范围，因此依本发明权利要求所作的等同变化，仍属本发明所涵盖的范围。

技术特征：
1.一种居家人员摔倒监测方法，其特征在于，包括以下步骤：获取目标人员的当前环境序列以及所述目标人员的当前姿态序列；根据所述当前环境序列以及所述当前姿态序列，确定所述目标人员由当前姿态改变到预设姿态时的摔倒概率；基于所述摔倒概率向相关监护人员或所述目标人员进行提示。2.如权利要求1所述的居家人员摔倒监测方法，其特征在于，所述获取目标人员的当前环境序列以及所述目标人员的当前姿态序列，包括：获取目标人员的监控图像，所述目标人员为居家人员；基于所述监控图像，确定所述目标人员的当前环境序列以及所述目标人员的当前姿态序列。3.如权利要求1所述的居家人员摔倒监测方法，其特征在于，所述监控图像为连续多帧图像，所述基于所述监控图像，确定所述目标人员的当前环境序列以及所述目标人员的当前姿态序列，包括：对所述监控图像中每一帧图像进行环境检测以及姿态检测，得到所述目标人员的当前环境序列以及所述目标人员的当前姿态序列。4.如权利要求3所述的居家人员摔倒监测方法，其特征在于，所述对所述监控图像中每一帧图像进行环境检测以及姿态检测，得到所述目标人员的当前环境序列以及所述目标人员的当前姿态序列，包括：通过训练好的环境检测模型对所述监控图像中每一帧图像进行环境检测，得到每一帧图像的环境属性；根据每一帧图像的环境属性确定所述目标人员的当前环境序列；通过训练好的姿态检测模型地所述监控图像中每一帧图像进行姿态检测，得到每一帧图像的人员姿态；根据每一帧图像的人员姿态确定所述目标人员的当前姿态序列。5.如权利要求4所述的居家人员摔倒监测方法，其特征在于，所述根据每一帧图像的环境属性确定所述目标人员的当前环境序列，包括：根据最后一帧图像的环境属性确定所述目标人员的当前环境属性；根据所述当前环境属性，在所有帧图像的环境属性中确定所述目标人员的当前环境序列。6.如权利要求4所述的居家人员摔倒监测方法，其特征在于，所述根据每一帧图像的人员姿态确定所述目标人员的当前姿态序列，包括：根据最后一帧图像的人员姿态确定所述目标人员的当前姿态；根据所述目标人员的当前姿态，在所有帧图像的人员姿态中确定所述目标人员的当前姿态序列。7.如权利要求1至6中任一所述的居家人员摔倒监测方法，其特征在于，所述根据所述当前环境序列以及所述当前姿态序列，确定所述目标人员由当前姿态改变到预设姿态时的摔倒概率，包括：将所述当前环境序列与所述当前姿态序列进行对齐，并将对齐后的所述当前环境序列与所述当前姿态序列在通道维度上进行拼接，得到拼接序列；
将拼接序列输入到训练好的时序网络中进行处理，输出目标人员由当前姿态改变到各个预设姿态时的摔倒概率。8.一种居家人员摔倒监测装置，其特征在于，所述装置包括：获取模块，用于获取目标人员的当前环境序列以及所述目标人员的当前姿态序列；确定模块，用于根据所述当前环境序列以及所述当前姿态序列，确定所述目标人员由当前姿态改变到预设姿态时的摔倒概率；提示模块，用于基于所述摔倒概率向相关监护人员或所述目标人员进行提示。9.一种电子设备，其特征在于，包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如权利要求1至7中任一项所述的居家人员摔倒监测方法中的步骤。10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质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如权利要求1至7中任一项所述的居家人员摔倒监测方法中的步骤。

技术总结
本发明实施例提供一种居家人员摔倒监测方法，方法包括：获取目标人员的当前环境序列以及所述目标人员的当前姿态序列；根据所述当前环境序列以及所述当前姿态序列，确定所述目标人员由当前姿态改变到预设姿态时的摔倒概率；基于所述摔倒概率向相关监护人员或所述目标人员进行提示。通过目标人员的当前环境序列以及当前姿态序列，预测目标人员由当前姿态改变到预设姿态时的摔倒概率，可以提前预测出目标人员的摔倒概率，从而可以提前向相关监护人员进行提示，使得目标人员提前得到关注，或可以提前向目标人员进行提示，使得目标人员提高注意力，避免摔倒。避免摔倒。避免摔倒。


技术研发人员：刁俊 赵通 尹义 邹博
受保护的技术使用者：深圳云天励飞技术股份有限公司
技术研发日：2022.12.30
技术公布日：2023/5/16