【摘要】：現(xiàn)今社會(huì)開始逐漸步入老齡化,人們對(duì)老年人身體健康問題關(guān)注度越來越高。子女往往因社會(huì)激烈的競(jìng)爭(zhēng)、工作壓力等因素不能時(shí)常陪伴老人造成空巢家庭數(shù)量劇增。在這樣一個(gè)全球老齡化和空巢家庭的社會(huì)大背景下,獨(dú)居老人跌倒引起的身心傷害問題亟待解決。為了能夠及時(shí)為老年人提供幫助,減輕摔倒帶來的傷害,研究一套能夠應(yīng)用在家庭或公共場(chǎng)合的智能行為監(jiān)控系統(tǒng)是非常必要的。鑒于現(xiàn)代智能化技術(shù)的飛速發(fā)展,在總結(jié)了已有的行為識(shí)別技術(shù)基礎(chǔ)之上,本文研究了一種完全基于計(jì)算機(jī)視覺的人體行為識(shí)別算法。本文的研究工作主要包括四個(gè)方面:(1)根據(jù)老年人生活中常見的行走、坐下、蹲下、跌倒四種行為進(jìn)行模擬并錄制視頻,構(gòu)建了行為數(shù)據(jù)庫(kù)。(2)深入探討了目前常用的目標(biāo)檢測(cè)方法,光流法、幀間差分法和背景減除法,并根據(jù)其優(yōu)缺點(diǎn)提出了一種改進(jìn)的前景目標(biāo)提取方法。該方法將三幀差法和基于高斯背景建模的背景減除法進(jìn)行加權(quán)結(jié)合,彌補(bǔ)了三幀差法的空洞現(xiàn)象和背景減除法對(duì)動(dòng)態(tài)因素敏感性等缺點(diǎn),使得在復(fù)雜多變的場(chǎng)景中仍然能夠提取出較完整的目標(biāo)。(3)綜合分析了人體各種行為過程中的體位變化特點(diǎn),采用多特征融合的方法進(jìn)行行為描述。將人體的高度、寬高比、質(zhì)心、外接矩形周長(zhǎng)及寬度變化率、Hu矩、Zernike矩特征融合在一起完成行為特征的表示。(4)通過比較多種行為識(shí)別方法,選用支持向量機(jī)的算法對(duì)人體行為進(jìn)行分類與識(shí)別。本文先對(duì)支持向量機(jī)中的參數(shù)進(jìn)行了優(yōu)化,然后將訓(xùn)練樣本的融合特征數(shù)據(jù)輸入支持向量機(jī)中訓(xùn)練分類器并使用訓(xùn)練好的分類器模型預(yù)測(cè)待測(cè)試的行為樣本,實(shí)現(xiàn)行為的判別。使用上述方法進(jìn)行了行為識(shí)別實(shí)驗(yàn),實(shí)驗(yàn)結(jié)果表明,基于多特征融合的行為識(shí)別算法達(dá)到了較高的識(shí)別率,能夠有效的識(shí)別跌倒行為。該算法應(yīng)用到相關(guān)電子設(shè)備后將具有廣泛的應(yīng)用前景和巨大的經(jīng)濟(jì)價(jià)值。
【圖文】：

圖 1.2 老人跌倒報(bào)警器外研究現(xiàn)狀 世紀(jì) 90 年代時(shí)期美國(guó)國(guó)防高級(jí)研究項(xiàng)目署 DARPA(Defense AProjects Agency) 研 究 了 一 個(gè) 有 關(guān) 視 覺 監(jiān) 控 的 項(xiàng) 目 VSAMce And Monitoring )[4]，，參與項(xiàng)目的有卡內(nèi)基梅隆大學(xué)、麻省理。該項(xiàng)目指在利用計(jì)算機(jī)視覺技術(shù)提取目標(biāo)的多個(gè)特征進(jìn)行分類識(shí)全方位的監(jiān)控，主要應(yīng)用在軍事國(guó)防安全監(jiān)控或戰(zhàn)場(chǎng)中。不僅避免還節(jié)約了人力資源，提高了監(jiān)控效率。大學(xué)[5]研究中心開發(fā)的實(shí)時(shí)視覺監(jiān)控系統(tǒng) W4，通過對(duì)人身體各部分夠?qū)崿F(xiàn)人體跟蹤和檢測(cè)。分析出人體的運(yùn)動(dòng)行為或趨勢(shì)，對(duì)于處理互行為等方面進(jìn)行了深入的研究。，由英國(guó)的愛丁堡大學(xué)負(fù)責(zé)的 BEHAVE 項(xiàng)目[6-7]，首先檢測(cè)出視頻中后通過圖像處理技術(shù)對(duì)視頻場(chǎng)景中人體異常行為進(jìn)行檢測(cè)與識(shí)別urke 等人[8]研究了一種利用閾值區(qū)分日常生活活動(dòng)和跌倒行為的

河北工業(yè)大學(xué)碩士學(xué)位論文出現(xiàn)幾乎完全重疊的情況，如圖 2.2 和圖 2.3 是截取的人行走過由圖可以看出兩幀中只有腿部呈現(xiàn)稍微向前邁的跡象，其它部位均4 是兩幀差分后提取出的目標(biāo)效果圖，從效果圖中可看到一條斷續(xù)出人體的整個(gè)輪廓，因此也無法確定是否存在目標(biāo)。更甚者若兩像則如圖 2.5，這將造成目標(biāo)的漏檢。相反，如果目標(biāo)運(yùn)動(dòng)的速隔較長(zhǎng)時(shí)，兩幀中目標(biāo)可能無任何重疊部分，算法將會(huì)判斷成兩檢即雙影現(xiàn)象。正是由于這個(gè)特點(diǎn)幀間差分法在目標(biāo)提取的實(shí)際之間相減 、間隔幀的兩幀之間相減等。對(duì)于同一個(gè)場(chǎng)景中多個(gè)的情況，合理選擇時(shí)間間隔將變得更為重要。這些因素可能導(dǎo)致象，無法提取出完整的目標(biāo)，影響檢測(cè)效果。
【學(xué)位授予單位】：河北工業(yè)大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2015
【分類號(hào)】：TP391.41

【參考文獻(xiàn)】

相關(guān)期刊論文 前10條

1 李政;;一種基于三軸加速度的跌倒檢測(cè)方法[J];電子科技;2015年03期

2 袁登廳;朱偉興;李新城;;基于Zernike矩及支持向量機(jī)的豬的姿態(tài)識(shí)別[J];信息技術(shù);2015年01期

3 沈秉乾;武志勇;賀前華;李磊;;人體姿勢(shì)狀態(tài)判決的跌倒檢測(cè)方法[J];計(jì)算機(jī)應(yīng)用;2014年S1期

4 王亞飛;楊庚;李百惠;;基于內(nèi)距離形狀上下文的跌倒檢測(cè)方法[J];計(jì)算機(jī)技術(shù)與發(fā)展;2014年03期

5 李娜;侯義斌;黃樟欽;;基于人體加速度特征的實(shí)時(shí)跌倒識(shí)別算法[J];小型微型計(jì)算機(jī)系統(tǒng);2012年11期

6 趙海勇;李成友;;基于多特征融合的運(yùn)動(dòng)人體行為識(shí)別[J];計(jì)算機(jī)應(yīng)用研究;2012年08期

7 楊帆;謝靖;周余;王自強(qiáng);;基于頭部運(yùn)動(dòng)軌跡和3D視覺的跌倒檢測(cè)系統(tǒng)[J];現(xiàn)代電子技術(shù);2012年02期

8 劉臘梅;路麗娜;;城市老年空巢家庭現(xiàn)狀及對(duì)策分析[J];護(hù)士進(jìn)修雜志;2011年18期

9 石欣;熊慶宇;雷璐寧;;基于壓力傳感器的跌倒檢測(cè)系統(tǒng)研究[J];儀器儀表學(xué)報(bào);2010年03期

10 李冬;梁山;;基于加速度傳感器的老年人跌倒檢測(cè)裝置設(shè)計(jì)[J];傳感器與微系統(tǒng);2008年09期

相關(guān)博士學(xué)位論文 前1條

1 邱雪娜;基于視覺的運(yùn)動(dòng)目標(biāo)跟蹤算法及其在移動(dòng)機(jī)器人中的應(yīng)用[D];華東理工大學(xué);2011年

相關(guān)碩士學(xué)位論文 前10條

1 陳曦;人體行為識(shí)別方法的研究[D];河南科技大學(xué);2014年

2 林得根;智能家庭監(jiān)護(hù)系統(tǒng)中異常行為檢測(cè)與識(shí)別問題的研究[D];山東大學(xué);2014年

3 陳佩珩;復(fù)雜背景下動(dòng)態(tài)目標(biāo)跟蹤技術(shù)研究[D];中北大學(xué);2013年

4 葉瑞;基于云臺(tái)控制的無人車動(dòng)態(tài)目標(biāo)跟蹤[D];西安工業(yè)大學(xué);2013年

5 明鵬;關(guān)于運(yùn)動(dòng)目標(biāo)檢測(cè)技術(shù)的研究[D];山東大學(xué);2013年

6 董坤;視頻監(jiān)控中運(yùn)動(dòng)人體檢測(cè)與異常行為分析研究[D];南京郵電大學(xué);2013年

7 陳艷玲;基于統(tǒng)計(jì)模式識(shí)別的跌倒檢測(cè)算法研究[D];武漢理工大學(xué);2012年

8 楊晶晶;數(shù)字視頻圖像預(yù)處理算法的研究與實(shí)現(xiàn)[D];復(fù)旦大學(xué);2012年

9 荊雪威;基于視頻圖像的人體異常行為識(shí)別技術(shù)研究[D];哈爾濱工程大學(xué);2012年

10 宋洋;圖像處理的中值濾波算法優(yōu)化與實(shí)現(xiàn)[D];北京郵電大學(xué);2011年

本文編號(hào)：2567140