本发明涉及人体跌倒检测，尤其涉及一种遮挡条件下的人体跌倒检测方法、装置、设备及存储介质。
背景技术：
1、现有的人体跌倒检测技术方案主要包括基于可穿戴设备的检测、基于环境传感器的检测以及基于智能视频分析的检测。上述技术通过监测人体的运动状态、环境变化或图像信息来判断跌倒事件，尽管技术不断进步，但仍面临一些技术问题，当前的技术，尤其是依赖于视觉传感器的方法，往往在处理遮挡问题时效果不佳，然而，家具如沙发、床、桌子等常常遮挡住跌倒的人体，摄像头可能无法捕捉到跌倒的瞬间或者看不到部分被遮挡的人身体部位，同时，家庭和养老机构的环境复杂，地毯、家具与人的衣物可能色彩接近，使得算法难以区分人体与背景；在动态的家庭环境中，其他移动的物体（如宠物、其他人等）也会导致瞬时的视线遮挡，进一步增加检测难度。
2、现有中国专利cn113409348a公开了一种跌倒检测系统及其基于深度图像的跌倒检测方法，所述方法包括：读取深度图像，对深度图像预处理，得到仅包含人体区域的深度图像；根据深度信息计算人体关节点坐标，返回记录坐标信息和时间戳；根据得到的关节点坐标位置作为高度特征，计算得到关节点速度特征与加速度特征；将最新连续10帧关节点的三个特征融合作为分类依据，使用svm分类器进行分类，判断是否发生跌倒事件。然而，在上述专利中，深度图像基于物体到摄像头的距离来渲染图像，如果关键的关节点（如颈部、脊柱底部）被其他物体或者其他人遮挡，深度摄像头就无法准确捕捉到这些关节点的位置，遮挡会导致关节点数据不完整或误检，从而影响到关节点位置的准确性和随后的速度及加速度的计算；关节点坐标的准确度直接影响到速度和加速度的计算，如果输入的关节点坐标数据因遮挡而出现误差，那么基于这些坐标差分得出的速度和加速度也将不可靠，这种不准确可能导致误判或漏判跌倒事件；即使关节点数据在无遮挡的情况下相对准确，svm分类器的性能也高度依赖于训练数据的质量和泛化能力，在遮挡情况下获得的训练数据可能包含噪声，使得分类器难以在新的、未见过的遮挡情况下准确分类。
3、为此，如何在遮挡条件下对人体跌倒事件进行准确检测是亟待解决的问题。
技术实现思路
1、有鉴于此，本发明提供了一种遮挡条件下的人体跌倒检测方法、装置、设备及存储介质，用以解决现有技术中无法在遮挡条件下对人体跌倒事件进行准确检测的问题。
2、本发明采用的技术方案是：
3、第一方面，本发明提供了一种遮挡条件下的人体跌倒检测方法，所述方法包括：
4、获取针对目标对象的日常监控场景下的实时视频数据，将所述实时视频数据分解为多帧实时图像；
5、对所述实时图像进行预处理，确定目标对象的人形位置信息和初始深度图像；
6、依据所述初始深度图像和所述人形位置信息，确定与目标对象实时运动姿态相关的目标像素点位置信息；
7、依据所述目标像素点位置信息，对目标对象进行跌倒检测，当检测到目标对象发生跌倒时，发出安全提醒。
8、优选地，所述对所述实时图像进行预处理，确定目标对象的人形位置信息和初始深度图像包括：
9、将所述实时图像输入预训练的深度计算模型中，确定所述初始深度图像；
10、将所述实时图像输入预训练的目标检测模型中，确定目标对象检测结果；
11、当所述目标对象检测结果为检测到所述目标对象时，获取所述人形位置信息。
12、优选地，所述依据所述初始深度图像和所述人形位置信息，确定与目标对象实时运动姿态相关的目标像素点位置信息包括：
13、依据所述人形位置信息，对初始深度图像进行分割，获取目标对象对应的人体深度图像；
14、依据所述人形位置信息，对人体深度图像中各像素点进行筛选，确定所述目标像素点位置信息。
15、优选地，所述依据所述人形位置信息，对人体深度图像中各像素点进行筛选，确定所述目标像素点位置信息包括：
16、依据人形位置信息中的人形框高度，确定第一筛选参数；
17、依据人形位置信息中的人形框宽度，确定第二筛选参数；
18、依据所述第一筛选参数和所述第二筛选参数，在人体深度图像中进行像素点筛选，确定所述目标像素点位置信息。
19、优选地，所述依据所述目标像素点位置信息，对目标对象进行跌倒检测，当检测到目标对象发生跌倒时，发出安全提醒包括：
20、依据人体深度图像中各像素点的第一位置信息和预设的相机内参矩阵，确定人体深度图像中各像素点的三维空间位置信息；
21、依据所述目标像素点信息和所述三维空间位置信息，确定参照点三维空间位置信息和非参照点三维空间位置信息；
22、对所述参照点三维空间位置信息和非参照点三维空间位置信息进行计算，确定非参照点相对于参照点运动的角速度；
23、依据所述角速度，对目标对象进行跌倒检测，当检测到目标对象发生跌倒时，发出安全提醒。
24、优选地，所述对所述参照点三维空间位置信息和非参照点三维空间位置信息进行计算，确定非参照点相对于参照点运动的角速度包括：
25、依据所述参照点三维空间位置信息和非参照点三维空间位置信息，确定非参照点相对于参照点的位移向量；
26、依据所述位移向量和预设的垂直方向向量，确定位移向量与垂直向量之间的夹角；
27、依据各帧图像对应的所述夹角和各帧图像之间的时间间隔，确定所述角速度。
28、优选地，所述依据所述角速度，对目标对象进行跌倒检测，当检测到目标对象发生跌倒时，发出安全提醒包括：
29、对多个非参照点对应的角速度进行计算，输出各角速度之间的比例关系；
30、依据所述比例关系和各非参照点对应的位移向量，若各角速度之间呈现正比关系且各位移向量对应的角速度符合跌倒条件，则认为目标对象发生跌倒时，发出安全提醒。
31、第二方面，本发明提供了一种遮挡条件下的人体跌倒检测装置，所述装置包括：
32、实时图像获取模块，用于获取针对目标对象的日常监控场景下的实时视频数据，将所述实时视频数据分解为多帧实时图像；
33、预处理模块，用于对所述实时图像进行预处理，确定目标对象的人形位置信息和初始深度图像；
34、运动姿态分析模块，用于依据所述初始深度图像和所述人形位置信息，确定与目标对象实时运动姿态相关的目标像素点位置信息；
35、跌倒检测模块，用于依据所述目标像素点位置信息，对目标对象进行跌倒检测，当检测到目标对象发生跌倒时，发出安全提醒。
36、第三方面，本发明实施例还提供了一种电子设备，包括：至少一个处理器、至少一个存储器以及存储在存储器中的计算机程序指令，当计算机程序指令被处理器执行时实现如上述实施方式中第一方面的方法。
37、第四方面，本发明实施例还提供了一种存储介质，其上存储有计算机程序指令，当计算机程序指令被处理器执行时实现如上述实施方式中第一方面的方法。
38、综上所述，本发明的有益效果如下：
39、本发明提供的遮挡条件下的人体跌倒检测方法、装置、设备及存储介质，所述方法包括：获取针对目标对象的日常监控场景下的实时视频数据，将所述实时视频数据分解为多帧实时图像；对所述实时图像进行预处理，确定目标对象的人形位置信息和初始深度图像；依据所述初始深度图像和所述人形位置信息，确定与目标对象实时运动姿态相关的目标像素点位置信息；依据所述目标像素点位置信息，对目标对象进行跌倒检测，当检测到目标对象发生跌倒时，发出安全提醒。本发明结合可见光实时图像与深度图像的优势，对实时图像进行预处理，如使用目标检测模型，突出人体形状，帮助在复杂背景或部分遮挡情况下更准确地识别人形位置；依据所述初始深度图像和所述人形位置信息，均匀选取目标像素点的方式，避免了遮挡条件下无法通过机器视觉处理技术检测部分人体的身体部位骨骼关键点的问题，通过分析人体运动趋势，确定人体的运动模式和姿态变化，用以判断是否存在跌倒风险，因此，本发明提高了遮挡条件下人体跌倒检测的准确度，当检测到跌倒事件时，立即通过各种方式来发出安全提醒，确保及时的响应与援助。
1.一种遮挡条件下的人体跌倒检测方法，其特征在于，所述方法包括：
2.根据权利要求1所述的遮挡条件下的人体跌倒检测方法，其特征在于，所述对所述实时图像进行预处理，确定目标对象的人形位置信息和初始深度图像包括：
3.根据权利要求1-2任一项所述的遮挡条件下的人体跌倒检测方法，其特征在于，所述依据所述目标像素点位置信息，对目标对象进行跌倒检测，当检测到目标对象发生跌倒时，发出安全提醒包括：
4.根据权利要求3所述的遮挡条件下的人体跌倒检测方法，其特征在于，所述对所述参照点三维空间位置信息和非参照点三维空间位置信息进行计算，确定非参照点相对于参照点运动的角速度包括：
5.根据权利要求4所述的遮挡条件下的人体跌倒检测方法，其特征在于，所述依据所述角速度，对目标对象进行跌倒检测，当检测到目标对象发生跌倒时，发出安全提醒包括：
6.一种遮挡条件下的人体跌倒检测装置，其特征在于，所述装置包括：
7.一种电子设备，其特征在于，包括：至少一个处理器、至少一个存储器以及存储在所述存储器中的计算机程序指令，当所述计算机程序指令被所述处理器执行时实现如权利要求1-5中任一项所述的方法。
8.一种存储介质，其上存储有计算机程序指令，其特征在于，当所述计算机程序指令被处理器执行时实现如权利要求1-5中任一项所述的方法。
