本文選題：摔倒檢測　切入點：視頻監(jiān)控　出處：《華東師范大學》2017年碩士論文　論文類型：學位論文

【摘要】：隨著社會的發(fā)展,全球的老齡人口在不斷地增加,使老年人的醫(yī)療健康成為社會關注的問題之一。在影響老人身體健康的問題中,摔倒傷害所占的比率最高。本論文以深度學習為基礎,研究日常生活中的人體摔倒檢測問題。首先,通過比較視頻序列和圖片中的人體檢測方法,選擇前景提取法進行運動人體的初始檢測。然后,融合深度學習框架提取的高維特征以及基于圖像的低維特征表示人體的運動狀態(tài)。對于人體摔倒的判斷,構建級聯的支持向量機判別模型。第一層支持向量機實現某一時刻人體運動狀態(tài)的判斷,第二層支持向量機使用連續(xù)時間內人體的運動狀態(tài)進行摔倒的最終判斷。最后,根據實際生活中可能出現的問題,引入人體描述符與分類器結合的檢測方式,通過PCANet和迭代梯度提升樹提高了復雜狀態(tài)下運動人體的檢測能力。本文的人體摔倒檢測模型在自己收集的數據集上獲得了 97%的敏感度以及95%的特異性,在公開的摔倒數據集獲得的檢測結果為93.7%的敏感度和92.0%的特異性。
[Abstract]:With the development of society, the aging population in the world is increasing, and the medical health of the elderly has become one of the social concerns. Fall injury is the highest rate. Based on deep learning, this paper studies the human fall detection in daily life. Firstly, we compare the human body detection methods in video sequences and pictures. The foreground extraction method is selected for the initial detection of moving human body. Then, the high dimensional feature extracted by the depth learning framework and the low-dimensional feature based on image represent the motion state of the human body. A cascade discriminant model of support vector machine is constructed. The first layer realizes the judgment of the human body's motion state at a certain time, the second layer uses the moving state of the human body during the continuous time to make the final judgment of falling down. Finally, According to the possible problems in real life, the method of combining human descriptors with classifiers is introduced. Through PCANet and iterative gradient lifting tree, the detection ability of moving human body in complex state is improved. In this paper, the sensitivity of 97% and the specificity of 95% are obtained on the data set collected in this paper. The results obtained in the open fall dataset were 93.7% sensitivity and 92.0% specificity.
【學位授予單位】：華東師范大學
【學位級別】：碩士
【學位授予年份】：2017
【分類號】：TP391.41

【相似文獻】

相關期刊論文 前10條

1 於東軍,趙海濤,楊靜宇;人臉識別:一種基于特征融合及神經網絡的方法(英文)[J];系統(tǒng)仿真學報;2005年05期

2 周斌;林喜榮;賈惠波;周永冠;;量化層多生物特征融合的最佳權值[J];清華大學學報(自然科學版);2008年02期

3 丁寶亮;;基于局部特征融合的人臉識別研究[J];中國新技術新產品;2012年14期

4 劉增榮;余雪麗;李志;;基于特征融合的圖像情感語義識別研究[J];太原理工大學學報;2012年05期

5 黃雙萍;俞龍;衛(wèi)曉欣;;一種異質特征融合分類算法[J];電子技術與軟件工程;2013年02期

6 劉冰;羅熊;劉華平;孫富春;;光學與深度特征融合在機器人場景定位中的應用[J];東南大學學報(自然科學版);2013年S1期

7 卞志國;金立左;費樹岷;;特征融合與視覺目標跟蹤[J];計算機應用研究;2010年04期

8 韓萍;徐建龍;吳仁彪;;一種新的目標跟蹤特征融合方法[J];中國民航大學學報;2010年04期

9 何賢江;何維維;左航;;一種句詞五特征融合模型的復述研究[J];四川大學學報(工程科學版);2012年06期

10 劉冬梅;;基于特征融合的人臉識別[J];計算機光盤軟件與應用;2013年12期

相關會議論文 前7條

1 劉冰;羅熊;劉華平;孫富春;;光學與深度特征融合在機器人場景定位中的應用[A];2013年中國智能自動化學術會議論文集（第三分冊）[C];2013年

2 翟懿奎;甘俊英;曾軍英;;基于特征融合與支持向量機的偽裝人臉識別[A];第六屆全國信號和智能信息處理與應用學術會議論文集[C];2012年

3 卞志國;金立左;費樹岷;;基于增量判別分析的特征融合與視覺目標跟蹤[A];2009年中國智能自動化會議論文集（第三分冊）[C];2009年

4 韓文靜;李海峰;韓紀慶;;基于長短時特征融合的語音情感識別方法研究[A];第九屆全國人機語音通訊學術會議論文集[C];2007年

5 羅昕煒;方世良;;寬帶調制信號特征融合方法[A];中國聲學學會水聲學分會2013年全國水聲學學術會議論文集[C];2013年

6 金挺;周付根;白相志;;一種簡單有效的特征融合粒子濾波跟蹤算法[A];2007年光電探測與制導技術的發(fā)展與應用研討會論文集[C];2007年

7 孟凡潔;孔祥維;尤新剛;;基于特征融合的相機來源認證方法[A];全國第一屆信號處理學術會議暨中國高科技產業(yè)化研究會信號處理分會籌備工作委員會第三次工作會議�？痆C];2007年

相關博士學位論文 前10條

1 周斌;多生物特征融合理論的研究與實驗[D];清華大學;2007年

2 彭偉民;特征數據的量子表示與融合方法[D];華南理工大學;2013年

3 陳倩;多生物特征融合身份識別研究[D];浙江大學;2007年

4 蒲曉蓉;多模態(tài)生物特征融合的神經網絡方法[D];電子科技大學;2007年

5 王志芳;基于感知信息的多模態(tài)生物特征融合技術研究[D];哈爾濱工業(yè)大學;2009年

6 王楠;基于多視覺特征融合的后方車輛檢測技術研究[D];東北大學　;2009年

7 徐穎;基于特征融合與仿生模式的生物特征識別研究[D];華南理工大學;2013年

8 樊國梁;基于多類特征融合的蛋白質亞線粒體定位預測研究[D];內蒙古大學;2013年

9 劉金梅;多源遙感影像融合及其應用研究[D];中國海洋大學;2014年

10 張艷;基于柔性陣列 傳感器的足跡特征分析與應用研究[D];安徽大學;2015年

相關碩士學位論文 前10條

1 付艷紅;基于特征融合的人臉識別算法研究與實現[D];天津理工大學;2015年

2 許超;基于特征融合與壓縮感知的實木地板缺陷檢測方法研究[D];東北林業(yè)大學;2015年

3 楊文婷;基于微博的情感分析算法研究與實現[D];西南交通大學;2015年

4 梅尚健;基于特征融合的圖像檢索研究與實現[D];西南交通大學;2015年

5 王鵬飛;基于多慢特征融合的人體行為識別研究[D];西南大學;2015年

6 丁倩;基于語音信息的多特征情緒識別算法研究[D];山東大學;2015年

7 薛冰霞;基于多模特征融合的人體跌倒檢測算法研究[D];山東大學;2015年

8 何樂樂;醫(yī)學圖像分類中的特征融合與特征學習研究[D];電子科技大學;2015年

9 戴博;基于結構復雜度特征融合的視覺注意模型研究及其應用[D];復旦大學;2014年

10 王寧;基于特征融合的人臉識別算法[D];東北大學;2013年

，

本文編號：1609128