基于计算机红外视觉的异常行为检测

发布时间：2021-07-07 20:30

　　随着当前社会老龄化进程的不断加深,老年人因为跌倒而导致的致伤、致病现象突出。同时,近年来屡屡出现的对老人、小孩、独居人士等的“暴力虐待”事件,更加深了社会对于此类异常行为的关注,对于异常行为的自动检测、及时预警成为了当前行为识别研究领域中的新热点。基于计算机视觉的异常行为检测,可以实现检测不直接接触被监测者、对被监测者生活产生的影响小等优点。居家场景下常常会出现无光照环境,同时对于异常行为的检测也提出了全天候实时检测的要求,故本文提出基于红外波段构建居家场景下的异常行为识别模型,以解决这一系列问题。本课题针对居家场景下的异常行为,以计算机红外视觉为基础,结合深度模型开展对异常行为检测的研究,实现对红外波段下室内居家场景中的异常行为检测。本文的主要内容如下:（1）建立了以计算机红外视觉为基础的异常行为检测模型,解决了在可见光波段模型受光照变化的影响导致人体检测错误甚至丢失,难以满足异常行为检测24小时监测的不足;（2）建立了居家场景这一特定应用场景下的红外波段异常行为数据集,课题以长波红外相机进行数据的获取,采集了“跌倒”、“踢”、“推”等3类居家场景下的异常行为。解决了缺乏居家场景下的... 

【文章来源】：中国科学院大学(中国科学院上海技术物理研究所)上海市

【文章页数】：62 页

【学位级别】：硕士

【部分图文】：

本文思维导图

图 2.1 Multiple Cameras Fall 数据集[8]Fig2.1 Multiple Cameras Fall DatasetInfAR 数据集[9]。数据集在红外光谱下拍摄，拍摄于室外场景下，引入了季节的变化、人员的遮挡等因素，每一类行为由 40 个不同的人完成。数据集包含12 种日常行为，每种行为拍摄 50 个视频，每个视频由一个人或者多个人录制完成，其中也包含多人交互行为，总计 600 个视频，如图 2.2 所示。

图 2.1 Multiple Cameras Fall 数据集[8]Fig2.1 Multiple Cameras Fall DatasetInfAR 数据集[9]。数据集在红外光谱下拍摄，拍摄于室外场景下，引入了变化、人员的遮挡等因素，每一类行为由 40 个不同的人完成。数据集包种日常行为，每种行为拍摄 50 个视频，每个视频由一个人或者多个人录制其中也包含多人交互行为，总计 600 个视频，如图 2.2 所示。

【参考文献】：
期刊论文
[1]基于受限玻尔兹曼机与密集采样迭代加权的图像动作识别算法[J]. 潘强,印鉴.  光学技术. 2018(02)
[2]中国老龄化的现状与积极应对[J]. 邹波.  中国民政. 2017(20)
[3]基于混合时空特征描述子的人体动作识别[J]. 范晓杰,宣士斌,唐凤.  计算机技术与发展. 2018(02)
[4]一种基于关键帧的人体行为识别方法[J]. 梅阳,王永雄,秦琪,尹钟,张孙杰.  光学技术. 2017(04)
[5]一种基于卷积神经网络深度学习的人体行为识别方法[J]. 王忠民,曹洪江,范琳.  计算机科学. 2016(S2)
[6]基于混合高斯模型和主成分分析的轨迹分析行为识别方法[J]. 田国会,尹建芹,闫云章,李国栋.  电子学报. 2016(01)
[7]基于多特征融合的人体行为识别[J]. 吴冬梅,谢金壮,王静.  计算机应用与软件. 2015(11)
[8]基于K近邻和支持向量机的醉酒驾驶识别方法的对比分析[J]. 李振龙,韩建龙,赵晓华,朱明浩,董文会.  交通运输系统工程与信息. 2015(05)
[9]基于多特征的视频中单人行为识别[J]. 胡兴旺,祁云嵩,袁玉龙.  电子设计工程. 2015(12)
[10]自然环境视频中基于显著鲁棒轨迹的行为识别[J]. 易云,王瀚漓.  中国图象图形学报. 2015(02)



本文编号：3270318