隨著當(dāng)前社會(huì)老齡化進(jìn)程的不斷加深,老年人因?yàn)榈苟鴮?dǎo)致的致傷、致病現(xiàn)象突出。同時(shí),近年來(lái)屢屢出現(xiàn)的對(duì)老人、小孩、獨(dú)居人士等的“暴力虐待”事件,更加深了社會(huì)對(duì)于此類異常行為的關(guān)注,對(duì)于異常行為的自動(dòng)檢測(cè)、及時(shí)預(yù)警成為了當(dāng)前行為識(shí)別研究領(lǐng)域中的新熱點(diǎn)�；谟�(jì)算機(jī)視覺(jué)的異常行為檢測(cè),可以實(shí)現(xiàn)檢測(cè)不直接接觸被監(jiān)測(cè)者、對(duì)被監(jiān)測(cè)者生活產(chǎn)生的影響小等優(yōu)點(diǎn)。居家場(chǎng)景下常常會(huì)出現(xiàn)無(wú)光照環(huán)境,同時(shí)對(duì)于異常行為的檢測(cè)也提出了全天候?qū)崟r(shí)檢測(cè)的要求,故本文提出基于紅外波段構(gòu)建居家場(chǎng)景下的異常行為識(shí)別模型,以解決這一系列問(wèn)題。本課題針對(duì)居家場(chǎng)景下的異常行為,以計(jì)算機(jī)紅外視覺(jué)為基礎(chǔ),結(jié)合深度模型開(kāi)展對(duì)異常行為檢測(cè)的研究,實(shí)現(xiàn)對(duì)紅外波段下室內(nèi)居家場(chǎng)景中的異常行為檢測(cè)。本文的主要內(nèi)容如下:（1）建立了以計(jì)算機(jī)紅外視覺(jué)為基礎(chǔ)的異常行為檢測(cè)模型,解決了在可見(jiàn)光波段模型受光照變化的影響導(dǎo)致人體檢測(cè)錯(cuò)誤甚至丟失,難以滿足異常行為檢測(cè)24小時(shí)監(jiān)測(cè)的不足;（2）建立了居家場(chǎng)景這一特定應(yīng)用場(chǎng)景下的紅外波段異常行為數(shù)據(jù)集,課題以長(zhǎng)波紅外相機(jī)進(jìn)行數(shù)據(jù)的獲取,采集了“跌倒”、“踢”、“推”等3類居家場(chǎng)景下的異常行為。解決了缺乏居家場(chǎng)景下的... 

【文章來(lái)源】：中國(guó)科學(xué)院大學(xué)(中國(guó)科學(xué)院上海技術(shù)物理研究所)上海市

【文章頁(yè)數(shù)】：62 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

本文思維導(dǎo)圖

圖 2.1 Multiple Cameras Fall 數(shù)據(jù)集[8]Fig2.1 Multiple Cameras Fall DatasetInfAR 數(shù)據(jù)集[9]。數(shù)據(jù)集在紅外光譜下拍攝，拍攝于室外場(chǎng)景下，引入了季節(jié)的變化、人員的遮擋等因素，每一類行為由 40 個(gè)不同的人完成。數(shù)據(jù)集包含12 種日常行為，每種行為拍攝 50 個(gè)視頻，每個(gè)視頻由一個(gè)人或者多個(gè)人錄制完成，其中也包含多人交互行為，總計(jì) 600 個(gè)視頻，如圖 2.2 所示。

圖 2.1 Multiple Cameras Fall 數(shù)據(jù)集[8]Fig2.1 Multiple Cameras Fall DatasetInfAR 數(shù)據(jù)集[9]。數(shù)據(jù)集在紅外光譜下拍攝，拍攝于室外場(chǎng)景下，引入了變化、人員的遮擋等因素，每一類行為由 40 個(gè)不同的人完成。數(shù)據(jù)集包種日常行為，每種行為拍攝 50 個(gè)視頻，每個(gè)視頻由一個(gè)人或者多個(gè)人錄制其中也包含多人交互行為，總計(jì) 600 個(gè)視頻，如圖 2.2 所示。

【參考文獻(xiàn)】：
期刊論文
[1]基于受限玻爾茲曼機(jī)與密集采樣迭代加權(quán)的圖像動(dòng)作識(shí)別算法[J]. 潘強(qiáng),印鑒.  光學(xué)技術(shù). 2018(02)
[2]中國(guó)老齡化的現(xiàn)狀與積極應(yīng)對(duì)[J]. 鄒波.  中國(guó)民政. 2017(20)
[3]基于混合時(shí)空特征描述子的人體動(dòng)作識(shí)別[J]. 范曉杰,宣士斌,唐鳳.  計(jì)算機(jī)技術(shù)與發(fā)展. 2018(02)
[4]一種基于關(guān)鍵幀的人體行為識(shí)別方法[J]. 梅陽(yáng),王永雄,秦琪,尹鐘,張孫杰.  光學(xué)技術(shù). 2017(04)
[5]一種基于卷積神經(jīng)網(wǎng)絡(luò)深度學(xué)習(xí)的人體行為識(shí)別方法[J]. 王忠民,曹洪江,范琳.  計(jì)算機(jī)科學(xué). 2016(S2)
[6]基于混合高斯模型和主成分分析的軌跡分析行為識(shí)別方法[J]. 田國(guó)會(huì),尹建芹,閆云章,李國(guó)棟.  電子學(xué)報(bào). 2016(01)
[7]基于多特征融合的人體行為識(shí)別[J]. 吳冬梅,謝金壯,王靜.  計(jì)算機(jī)應(yīng)用與軟件. 2015(11)
[8]基于K近鄰和支持向量機(jī)的醉酒駕駛識(shí)別方法的對(duì)比分析[J]. 李振龍,韓建龍,趙曉華,朱明浩,董文會(huì).  交通運(yùn)輸系統(tǒng)工程與信息. 2015(05)
[9]基于多特征的視頻中單人行為識(shí)別[J]. 胡興旺,祁云嵩,袁玉龍.  電子設(shè)計(jì)工程. 2015(12)
[10]自然環(huán)境視頻中基于顯著魯棒軌跡的行為識(shí)別[J]. 易云,王瀚漓.  中國(guó)圖象圖形學(xué)報(bào). 2015(02)



本文編號(hào)：3270318