摘要：跌倒監(jiān)測(cè)系統(tǒng)用于智能化監(jiān)測(cè)是否有行人跌倒，通過YOLOv5的深度學(xué)習(xí)技術(shù)對(duì)視頻、圖片、攝像頭等畫面進(jìn)行跌倒檢測(cè)，分析并安全提醒。在介紹算法原理的同時(shí)，給出Python的實(shí)現(xiàn)代碼、PyQt的UI界面及訓(xùn)練數(shù)據(jù)集。跌倒監(jiān)測(cè)系統(tǒng)主要用于日常生活中行人跌倒情況的識(shí)別，監(jiān)測(cè)畫面中可能已經(jīng)出現(xiàn)跌倒的行人位置、數(shù)目、置信度等；模型易于更換和改進(jìn)，系統(tǒng)設(shè)計(jì)有注冊(cè)登錄功能，方便用戶進(jìn)行管理和使用；跌倒監(jiān)測(cè)結(jié)果實(shí)時(shí)顯示，可用于安防監(jiān)控，也可用于跌倒情況自動(dòng)化分析。博文提供了完整的Python代碼和使用教程，適合新入門的朋友參考，完整代碼資源文件請(qǐng)轉(zhuǎn)至文末的下載鏈接。本博文目錄如下：

?點(diǎn)擊跳轉(zhuǎn)至文末所有涉及的完整代碼文件下載頁(yè)?

前言

????????基于深度學(xué)習(xí)的跌倒檢測(cè)系統(tǒng)是指利用深度學(xué)習(xí)算法對(duì)監(jiān)控視頻中的人體動(dòng)作進(jìn)行實(shí)時(shí)分析和處理，以便實(shí)現(xiàn)對(duì)跌倒事件的檢測(cè)和預(yù)警。該系統(tǒng)主要通過使用深度學(xué)習(xí)模型對(duì)監(jiān)控視頻中的人體姿態(tài)、動(dòng)作等特征進(jìn)行學(xué)習(xí)和識(shí)別，以實(shí)現(xiàn)對(duì)跌倒事件的自動(dòng)檢測(cè)和識(shí)別。

????????跌倒檢測(cè)系統(tǒng)的主要功能包括實(shí)時(shí)監(jiān)測(cè)人體姿態(tài)和動(dòng)作，識(shí)別跌倒事件，及時(shí)預(yù)警，并提供相關(guān)的信息和數(shù)據(jù)支持，以便進(jìn)行后續(xù)的處理和分析。該系統(tǒng)可以廣泛應(yīng)用于醫(yī)療、養(yǎng)老、安防等領(lǐng)域，有助于提高老年人、殘障人士等弱勢(shì)群體的生活質(zhì)量和安全保障。同時(shí)，基于深度學(xué)習(xí)的跌倒檢測(cè)系統(tǒng)還可以結(jié)合其他技術(shù)手段，如無線傳感器網(wǎng)絡(luò)、機(jī)器人等，實(shí)現(xiàn)更加智能化的監(jiān)測(cè)和預(yù)警，促進(jìn)智慧醫(yī)療、智慧養(yǎng)老等領(lǐng)域的發(fā)展。

????????這里給出博主設(shè)計(jì)的跌倒監(jiān)測(cè)系統(tǒng)界面，UI界面已做了一定美化，功能也可以滿足圖片、視頻和攝像頭的識(shí)別檢測(cè)，初始界面如下圖：

????????檢測(cè)跌倒時(shí)的界面截圖如下，可識(shí)別畫面中存在的多個(gè)可能目標(biāo)，也可開啟攝像頭或視頻檢測(cè)：

???????? 詳細(xì)的功能演示效果參見博主的B站視頻或下一節(jié)的動(dòng)圖演示，覺得不錯(cuò)的朋友敬請(qǐng)點(diǎn)贊、關(guān)注加收藏！系統(tǒng)UI界面的設(shè)計(jì)工作量較大，界面美化更需仔細(xì)雕琢，大家有任何建議或意見和可在下方評(píng)論交流。

1. 效果演示

????????首先我們還是通過動(dòng)圖看一下監(jiān)測(cè)跌倒的效果，系統(tǒng)主要實(shí)現(xiàn)的功能是對(duì)圖片、視頻和攝像頭畫面中的人進(jìn)行識(shí)別，識(shí)別的結(jié)果可視化顯示在界面和圖像中，另外提供多個(gè)目標(biāo)的顯示選擇功能，演示效果如下。

（一）用戶注冊(cè)登錄界面

????????這里設(shè)計(jì)了一個(gè)登錄界面，可以注冊(cè)賬號(hào)和密碼，然后進(jìn)行登錄。界面還是參考了當(dāng)前流行的UI設(shè)計(jì)，左側(cè)是一個(gè)動(dòng)圖，右側(cè)輸入賬號(hào)、密碼、驗(yàn)證碼等等。

（二）選擇跌倒圖片識(shí)別

????????系統(tǒng)中可選擇圖片文件進(jìn)行識(shí)別，點(diǎn)擊圖片選擇按鈕圖標(biāo)選擇圖片后，顯示所有跌倒識(shí)別的結(jié)果，可通過下拉選框查看單個(gè)的結(jié)果。本功能的界面展示如下圖所示：

（三）跌倒視頻識(shí)別效果展示

????????對(duì)于一段視頻中的跌倒情況，這里設(shè)點(diǎn)擊視頻按鈕選擇待檢測(cè)的視頻文件，系統(tǒng)會(huì)自動(dòng)解析視頻逐幀識(shí)別跌倒行為，并將結(jié)果記錄在下方表格中，效果如下圖所示：

2. 跌倒檢測(cè)模型訓(xùn)練

????????我們選取YoloV5作為網(wǎng)絡(luò)模型，一方面是因?yàn)閺淖罱K效果來看YOLOv5已經(jīng)相當(dāng)優(yōu)秀，是發(fā)展的比較完備、使用比較廣泛的一個(gè)版本；而更重要的是YOLOv5的調(diào)用、訓(xùn)練和預(yù)測(cè)都十分方便，為初學(xué)者提供了良好的練手工具。YOLOv5的另一個(gè)特點(diǎn)就是它為不同的設(shè)備需求和不同的應(yīng)用場(chǎng)景提供了大小和參數(shù)數(shù)量不同的網(wǎng)絡(luò)。

????????如下圖所示，大一點(diǎn)的模型比如YOLOv5l和YOLOv5x參數(shù)更多，在大規(guī)模的COCO數(shù)據(jù)集上有更高的預(yù)測(cè)準(zhǔn)確率；而小模型比如YOLOv5n或YOLOv5s占空間更小，適合部署在移動(dòng)設(shè)備上，且推理速度更快，適合于高幀 率視頻的實(shí)時(shí)檢測(cè)。

????????這里我們使用的跌倒數(shù)據(jù)集，取自網(wǎng)絡(luò)上收集的各類跌倒圖像并使用LabelImg工具進(jìn)行標(biāo)注，共計(jì)包含1440個(gè)圖像數(shù)據(jù)。每張圖片除包括類別標(biāo)簽外，還有一個(gè)標(biāo)注的物體邊框（Bounding Box），其中訓(xùn)練數(shù)據(jù)集包含1110張圖片，驗(yàn)證集330張圖片，部分圖像及標(biāo)注如下圖所示。

????????在訓(xùn)練模型之前，為了讓我們的數(shù)據(jù)能夠被YOLO找到，我們需要寫一個(gè)pedfal.yaml文件存儲(chǔ)在案例目錄下，在其中記錄下數(shù)據(jù)的路徑和模型要識(shí)別的標(biāo)記類別，文件內(nèi)容如下所示。YOLO通過讀取目錄下的pedfall.yaml文件，進(jìn)而找到我們數(shù)據(jù)集存儲(chǔ)的位置才能讀取數(shù)據(jù)進(jìn)行訓(xùn)練驗(yàn)證。

# 數(shù)據(jù)集存儲(chǔ)位置
train: ./PedFall/images/train
val: ./PedFall/images/val

nc: 1
names: ['fall']

????????訓(xùn)練模型通過調(diào)用模型文件夾下的train.py進(jìn)行，可以通過–batch參數(shù)和–epochs參數(shù)調(diào)整訓(xùn)練批次大小和訓(xùn)練輪數(shù)。YOLOv5提供了在COCO數(shù)據(jù)集上預(yù)訓(xùn)練后的參數(shù)，我們可以通過參數(shù)–weights yolov5s.pt加載預(yù)訓(xùn)練參數(shù)進(jìn)行遷移學(xué)習(xí)，或在訓(xùn)練大數(shù)據(jù)集（比如COCO）時(shí)用一個(gè)空的–weights ''參數(shù)從零開始訓(xùn)練。

python train.py --batch 32 --epochs 300 

????????部分訓(xùn)練過程如圖所示：

????????在深度學(xué)習(xí)中，我們通常通過損失函數(shù)下降的曲線來觀察模型訓(xùn)練的情況。而YOLOv5訓(xùn)練時(shí)主要包含三個(gè)方面的損失：矩形框損失(box_loss)、置信度損失（obj_loss）和分類損失(cls_loss)，在訓(xùn)練結(jié)束后，我們也可以在logs/目錄下找到生成對(duì)若干訓(xùn)練過程統(tǒng)計(jì)圖。

????????我們通過設(shè)定不同的置信度的閾值，可以得到在模型在不同的閾值下所計(jì)算出的p值和r值，一般情況下，p值和r值是負(fù)相關(guān)的，繪制出來可以得到如下圖所示的曲線，其中曲線的面積我們稱AP，目標(biāo)檢測(cè)模型中每種目標(biāo)可計(jì)算出一個(gè)AP值，對(duì)所有的AP值求平均則可以得到模型的mAP值。以下是模型的P-R曲線

3. 跌倒檢測(cè)識(shí)別

????????在訓(xùn)練完成后得到最佳模型，接下來我們將幀圖像輸入到這個(gè)網(wǎng)絡(luò)進(jìn)行預(yù)測(cè)，從而得到預(yù)測(cè)結(jié)果，預(yù)測(cè)方法（predict.py）部分的代碼如下所示：

def predict(img):
    img = torch.from_numpy(img).to(device)
    img = img.half() if half else img.float()
    img /= 255.0
    if img.ndimension() == 3:
        img = img.unsqueeze(0)

    t1 = time_synchronized()
    pred = model(img, augment=False)[0]
    pred = non_max_suppression(pred, opt.conf_thres, opt.iou_thres, classes=opt.classes,
                               agnostic=opt.agnostic_nms)
    t2 = time_synchronized()
    InferNms = round((t2 - t1), 2)

    return pred, InferNms

????????得到預(yù)測(cè)結(jié)果我們便可以將幀圖像中的跌倒行人框出，然后在圖片上用opencv繪圖操作，輸出類別和置信度值。以下是讀取一個(gè)跌倒視頻進(jìn)行檢測(cè)的腳本，首先將圖片數(shù)據(jù)進(jìn)行預(yù)處理后送predict進(jìn)行檢測(cè)，然后計(jì)算標(biāo)記框的位置并在圖中標(biāo)注出來。

if __name__ == '__main__':
    # video_path = 0
    video_path = "./UI_rec/test_/跌倒測(cè)試視頻.mp4"
    # 初始化視頻流
    vs = cv2.VideoCapture(video_path)
    (W, H) = (None, None)
    frameIndex = 0  # 視頻幀數(shù)

    try:
        prop = cv2.CAP_PROP_FRAME_COUNT
        total = int(vs.get(prop))
        # print("[INFO] 視頻總幀數(shù)：{}".format(total))
    # 若讀取失敗，報(bào)錯(cuò)退出
    except:
        print("[INFO] could not determine # of frames in video")
        print("[INFO] no approx. completion time can be provided")
        total = -1

    fourcc = cv2.VideoWriter_fourcc(*'XVID')
    ret, frame = vs.read()
    vw = frame.shape[1]
    vh = frame.shape[0]
    print("[INFO] 視頻尺寸：{} * {}".format(vw, vh))
    output_video = cv2.VideoWriter("./results.avi", fourcc, 20.0, (vw, vh))  # 處理后的視頻對(duì)象

    # 遍歷視頻幀進(jìn)行檢測(cè)
    while True:
        # 從視頻文件中逐幀讀取畫面
        (grabbed, image) = vs.read()

        # 若grabbed為空，表示視頻到達(dá)最后一幀，退出
        if not grabbed:
            print("[INFO] 運(yùn)行結(jié)束...")
            output_video.release()
            vs.release()
            exit()
        # 獲取畫面長(zhǎng)寬
        if W is None or H is None:
            (H, W) = image.shape[:2]
        image = cv2.resize(image, (850, 500))
        img0 = image.copy()
        img = letterbox(img0, new_shape=imgsz)[0]
        img = np.stack(img, 0)
        img = img[:, :, ::-1].transpose(2, 0, 1)  # BGR to RGB, to 3x416x416
        img = np.ascontiguousarray(img)

        pred, useTime = predict(img)

        det = pred[0]
        p, s, im0 = None, '', img0
        if det is not None and len(det):  # 如果有檢測(cè)信息則進(jìn)入
            det[:, :4] = scale_coords(img.shape[1:], det[:, :4], im0.shape).round()  # 把圖像縮放至im0的尺寸
            number_i = 0  # 類別預(yù)編號(hào)
            detInfo = []
            for *xyxy, conf, cls in reversed(det):  # 遍歷檢測(cè)信息
                c1, c2 = (int(xyxy[0]), int(xyxy[1])), (int(xyxy[2]), int(xyxy[3]))
                # 將檢測(cè)信息添加到字典中
                detInfo.append([names[int(cls)], [c1[0], c1[1], c2[0], c2[1]], '%.2f' % conf])
                number_i += 1  # 編號(hào)數(shù)+1

                label = '%s %.2f' % (names[int(cls)], conf)

                # 畫出檢測(cè)到的目標(biāo)物
                plot_one_box(image, xyxy, label=label, color=colors[int(cls)])

        # 實(shí)時(shí)顯示檢測(cè)畫面
        cv2.imshow('Stream', image)
        image = cv2.resize(image, (vw, vh))
        output_video.write(image)  # 保存標(biāo)記后的視頻
        if cv2.waitKey(1) & 0xFF == ord('q'):
            break

        # print("FPS:{}".format(int(0.6/(end-start))))
        frameIndex += 1

????????執(zhí)行得到的結(jié)果如下圖所示，圖中跌倒和置信度值都標(biāo)注出來了，預(yù)測(cè)速度較快?；诖四Ｐ臀覀兛梢詫⑵湓O(shè)計(jì)成一個(gè)帶有界面的系統(tǒng)，在界面上選擇圖片、視頻或攝像頭然后調(diào)用模型進(jìn)行檢測(cè)。

????????博主對(duì)整個(gè)系統(tǒng)進(jìn)行了詳細(xì)測(cè)試，最終開發(fā)出一版流暢得到清新界面，就是博文演示部分的展示，完整的UI界面、測(cè)試圖片視頻、代碼文件，以及Python離線依賴包（方便安裝運(yùn)行，也可自行配置環(huán)境），均已打包上傳，感興趣的朋友可以通過下載鏈接獲取。

下載鏈接

????若您想獲得博文中涉及的實(shí)現(xiàn)完整全部程序文件（包括測(cè)試圖片、視頻，py, UI文件等，如下圖），這里已打包上傳至博主的面包多平臺(tái)，見可參考博客與視頻，已將所有涉及的文件同時(shí)打包到里面，點(diǎn)擊即可運(yùn)行，完整文件截圖如下：

????在文件夾下的資源顯示如下，下面的鏈接中也給出了Python的離線依賴包，讀者可在正確安裝Anaconda和Pycharm軟件后，復(fù)制離線依賴包至項(xiàng)目目錄下進(jìn)行安裝，離線依賴的使用詳細(xì)演示也可見本人B站視頻：win11從頭安裝軟件和配置環(huán)境運(yùn)行深度學(xué)習(xí)項(xiàng)目、Win10中使用pycharm和anaconda進(jìn)行python環(huán)境配置教程。

注意：該代碼采用Pycharm+Python3.8開發(fā)，經(jīng)過測(cè)試能成功運(yùn)行，運(yùn)行界面的主程序?yàn)閞unMain.py和LoginUI.py，測(cè)試圖片腳本可運(yùn)行testPicture.py，測(cè)試視頻腳本可運(yùn)行testVideo.py。為確保程序順利運(yùn)行，請(qǐng)按照requirements.txt配置Python依賴包的版本。Python版本：3.8，請(qǐng)勿使用其他版本，詳見requirements.txt文件；

完整資源中包含數(shù)據(jù)集及訓(xùn)練代碼，環(huán)境配置與界面中文字、圖片、logo等的修改方法請(qǐng)見視頻，項(xiàng)目完整文件下載請(qǐng)見參考博客文章里面，或參考視頻的簡(jiǎn)介處給出：???

參考博客文章：https://www.cnblogs.com/sixuwuxian/p/17227694.html

參考視頻演示：https://www.bilibili.com/video/BV1M24y1t7S7/

離線依賴庫(kù)下載鏈接：https://pan.baidu.com/s/1hW9z9ofV1FRSezTSj59JSg?pwd=oy4n （提取碼：oy4n ）

界面中文字、圖標(biāo)和背景圖修改方法：

????????在Qt Designer中可以徹底修改界面的各個(gè)控件及設(shè)置，然后將ui文件轉(zhuǎn)換為py文件即可調(diào)用和顯示界面。如果只需要修改界面中的文字、圖標(biāo)和背景圖的，可以直接在ConfigUI.config文件中修改，步驟如下：
????????（1）打開UI_rec/tools/ConfigUI.config文件，若亂碼請(qǐng)選擇GBK編碼打開。
????????（2）如需修改界面文字，只要選中要改的字符替換成自己的就好。
????????（3）如需修改背景、圖標(biāo)等，只需修改圖片的路徑。例如，原文件中的背景圖設(shè)置如下：

mainWindow = :/images/icons/back-image.png

????????可修改為自己的名為background2.png圖片（位置在UI_rec/icons/文件夾中），可將該項(xiàng)設(shè)置如下即可修改背景圖：

mainWindow = ./icons/background2.png

結(jié)束語

????????由于博主能力有限，博文中提及的方法即使經(jīng)過試驗(yàn)，也難免會(huì)有疏漏之處。希望您能熱心指出其中的錯(cuò)誤，以便下次修改時(shí)能以一個(gè)更完美更嚴(yán)謹(jǐn)?shù)臉幼?，呈現(xiàn)在大家面前。同時(shí)如果有更好的實(shí)現(xiàn)方法也請(qǐng)您不吝賜教。文章來源地址http://www.zghlxwxcb.cn/news/detail-417152.html

到了這里，關(guān)于基于深度學(xué)習(xí)的跌倒檢測(cè)系統(tǒng)（UI界面+YOLOv5+訓(xùn)練數(shù)據(jù)集）的文章就介紹完了。如果您還想了解更多內(nèi)容，請(qǐng)?jiān)谟疑辖撬阉鱐OY模板網(wǎng)以前的文章或繼續(xù)瀏覽下面的相關(guān)文章，希望大家以后多多支持TOY模板網(wǎng)！