基于视频监控的室内跌倒行为的检测与识别研究

发布时间：2017-07-13 17:05

  本文关键词：基于视频监控的室内跌倒行为的检测与识别研究

  更多相关文章： 视频监控 跌倒检测 混合高斯 阴影消除 特征提取 支持向量机

【摘要】：随着老龄化问题及空巢问题的出现,老年人群受到了越来越多的关注,经调查发现：跌倒是老年人意外伤亡的第一要素,且发生相对频繁,所造成的伤害相对较大,为了能够改善老年人的生活质量,减小跌倒所带来的身体伤害及财产损失,本文对跌倒行为进行了研究。通常对于跌倒行为的研究方法分为三种：基于可穿戴设备的跌倒检测方法、基于外周传感器的跌倒检测方法、基于视频监控的跌倒检测方法。前两种方法识别率相对较低且环境依赖性较强,基于视频监控的方法识别率相对较高且能够同时检测多个事件,并具有记录功能以便事后分析查证,故此,本文选择基于视频监控的方法对跌倒行为进行研究。首先,在目标检测阶段,本文采用背景差分法进行运动目标的提取。先用中值法建立初始背景帧,改善传统方法采用第一帧作为初始背景导致算法收敛速度慢的问题；再用混合高斯法进行背景模型的建立与更新；然后通过匹配算法将前景目标和背景区分开。其次,采用改进HSV颜色空间的阴影检测算子进行阴影消除,省去了参数选择的麻烦；针对基于颜色的方法进行阴影消除的缺陷,本文提出融合颜色特征和梯度特征共同消除阴影,由于传统梯度算子在场景复杂的情况下提取出来的目标轮廓并不完整,本文选择从0°、45°、90°、135°四个方向来检测目标边缘,两者融合之后,得到的目标更加完整。然后,采用具有平移、旋转、尺度不变性的Hu矩的前四个计算量比较小的不变矩,与高宽比、姿态变化率、运动速率这几个特征共同组成7维向量作为该帧图像的特征向量；再通过隔帧抽取,每个动作周期提取15帧图像,共组成105维特征数据作为表征一种行为的共同特征。最后,用支持向量机对行走、慢跑、坐下、下蹲、弯腰、跌倒这六种常见的日常行为进行分类与识别。先通过高宽比将六种行为分为两大类：直立状态和非直立状态,对于直立状态的两种行为只需要构建一个二分类支持向量机便可以将二者区分开,而其余四种行为则需要构建6个二分类支持向量机,经过这样的分组既减少了构造支持向量机的数量同时又提高了分类速率。为了对行为识别的结果进行定量评估,本文引入两个指标：灵敏度和特异度,灵敏度越高表示漏检率越低,特异度越高表明误检率越低。经实验验证,本文方法能够较好地识别6种不同行为,且灵敏度和特异度均较高。据统计数据显示,本文方法的样本平均正确识别率为92%。
【关键词】：视频监控 跌倒检测 混合高斯 阴影消除 特征提取 支持向量机
【学位授予单位】：山东大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：TP391.41;TN948.6
【目录】：

• 摘要8-10
• ABSTRACT10-12
• 第一章 绪论12-20
• 1.1 研究的背景与意义12-14
• 1.2 国内外的研究现状14-17
• 1.2.1 基于可穿戴设备的跌倒检测方法14-15
• 1.2.2 基于外周传感设备的跌倒检测方法15-16
• 1.2.3 基于视频监控的跌倒检测方法16-17
• 1.2.4 本文研究方法的选择17
• 1.3 本文的研究内容与章节安排17-20
• 第二章 基于GMM的运动目标提取20-30
• 2.1 运动目标的提取方法20-24
• 2.1.1 帧差法20-22
• 2.1.2 背景差分法22-23
• 2.1.3 光流法23-24
• 2.2 混合高斯背景建模24-29
• 2.2.1 初始背景帧的提取24-26
• 2.2.2 GMM的建立及参数更新26-29
• 2.3 本章小结29-30
• 第三章 融合颜色特征及梯度特征进行阴影消除30-42
• 3.1 阴影的分类及检测30-31
• 3.2 HSV颜色空间阴影检测及消除31-34
• 3.2.1 HSV颜色空间阴影检测及改进32-33
• 3.2.2 仿真结果及比较33-34
• 3.3 基于梯度算子的阴影消除34-36
• 3.3.1 Sobel梯度算子及改进35-36
• 3.3.2 仿真结果及比较36
• 3.4 融合梯度特征与颜色特征的阴影消除36-37
• 3.5 检测结果后处理37-41
• 3.5.1 数学形态学38-39
• 3.5.2 仿真结果及分析39-41
• 3.6 本章小结41-42
• 第四章 特征的选择与提取42-52
• 4.1 特征的分类42-43
• 4.2 形状特征及运动特征的提取43-49
• 4.2.1 Hu不变矩43-46
• 4.2.2 外接矩的高宽比46-47
• 4.2.3 姿态变化率47-48
• 4.2.4 运动速率48-49
• 4.3 行为描述49-50
• 4.4 本章小结50-52
• 第五章 基于SVM的行为识别52-64
• 5.1 SVM简介52-57
• 5.1.1 线性可分情况下的SVM53-54
• 5.1.2 非线性可分情况下的SVM54-56
• 5.1.3 二分类SVM推广至多分类56-57
• 5.2 数据预处理57-58
• 5.3 核函数及参数的选择58-60
• 5.4 分类结果及分析60-63
• 5.5 本章小结63-64
• 第六章 总结与展望64-66
• 参考文献66-72
• 致谢72-73
• 学位论文评阅及答辩情况表73

【相似文献】

中国期刊全文数据库 前10条

1 吴娟;范玉妹;王丽;;关于改进的支持向量机的研究[J];攀枝花学院学报;2006年05期

2 刘硕明;刘佳;杨海滨;;一种新的多类支持向量机算法[J];计算机应用;2008年S2期

3 尹传环;牟少敏;田盛丰;黄厚宽;;单类支持向量机的研究进展[J];计算机工程与应用;2012年12期

4 王云英;阎满富;;C-支持向量机及其改进[J];唐山师范学院学报;2012年05期

5 李逢焕;;试述不确定支持向量机应用分析及改进思路[J];中国证券期货;2012年12期

6 邵惠鹤;支持向量机理论及其应用[J];自动化博览;2003年S1期

7 曾嵘,蒋新华,刘建成;基于支持向量机的异常值检测的两种方法[J];信息技术;2004年05期

8 张凡,贺苏宁;模糊判决支持向量机在自动语种辨识中的研究[J];计算机工程与应用;2004年21期

9 魏玲,张文修;基于支持向量机集成的分类[J];计算机工程;2004年13期

10 沈翠华,邓乃扬,肖瑞彦;基于支持向量机的个人信用评估[J];计算机工程与应用;2004年23期

中国重要会议论文全文数据库 前10条

1 余乐安;姚潇;;基于中心化支持向量机的信用风险评估模型[A];第六届（2011）中国管理学年会——商务智能分会场论文集[C];2011年

2 刘希玉;徐志敏;段会川;;基于支持向量机的创新分类器[A];山东省计算机学会2005年信息技术与信息化研讨会论文集（一）[C];2005年

3 史晓涛;刘建丽;骆玉荣;;一种抗噪音的支持向量机学习方法[A];全国第19届计算机技术与应用（CACIS）学术会议论文集（下册）[C];2008年

4 何琴淑;刘信恩;肖世富;;基于支持向量机的系统辨识方法研究及应用[A];中国力学大会——2013论文摘要集[C];2013年

5 刘骏;;基于支持向量机方法的衢州降雪模型[A];第五届长三角气象科技论坛论文集[C];2008年

6 王婷;胡秀珍;;基于组合向量的支持向量机方法预测膜蛋白类型[A];第十一次中国生物物理学术大会暨第九届全国会员代表大会摘要集[C];2009年

7 赵晶;高隽;张旭东;谢昭;;支持向量机综述[A];全国第十五届计算机科学与技术应用学术会议论文集[C];2003年

8 周星宇;王思元;;智能数学与支持向量机[A];2005年中国智能自动化会议论文集[C];2005年

9 颜根廷;马广富;朱良宽;宋斌;;一种鲁棒支持向量机算法[A];2006中国控制与决策学术年会论文集[C];2006年

10 侯澍e，

本文编号：537679