本文關(guān)鍵詞：基于視頻監(jiān)控的室內(nèi)跌倒行為的檢測與識別研究

  更多相關(guān)文章： 視頻監(jiān)控 跌倒檢測 混合高斯 陰影消除 特征提取 支持向量機

【摘要】：隨著老齡化問題及空巢問題的出現(xiàn),老年人群受到了越來越多的關(guān)注,經(jīng)調(diào)查發(fā)現(xiàn)：跌倒是老年人意外傷亡的第一要素,且發(fā)生相對頻繁,所造成的傷害相對較大,為了能夠改善老年人的生活質(zhì)量,減小跌倒所帶來的身體傷害及財產(chǎn)損失,本文對跌倒行為進行了研究。通常對于跌倒行為的研究方法分為三種：基于可穿戴設(shè)備的跌倒檢測方法、基于外周傳感器的跌倒檢測方法、基于視頻監(jiān)控的跌倒檢測方法。前兩種方法識別率相對較低且環(huán)境依賴性較強,基于視頻監(jiān)控的方法識別率相對較高且能夠同時檢測多個事件,并具有記錄功能以便事后分析查證,故此,本文選擇基于視頻監(jiān)控的方法對跌倒行為進行研究。首先,在目標檢測階段,本文采用背景差分法進行運動目標的提取。先用中值法建立初始背景幀,改善傳統(tǒng)方法采用第一幀作為初始背景導致算法收斂速度慢的問題；再用混合高斯法進行背景模型的建立與更新；然后通過匹配算法將前景目標和背景區(qū)分開。其次,采用改進HSV顏色空間的陰影檢測算子進行陰影消除,省去了參數(shù)選擇的麻煩；針對基于顏色的方法進行陰影消除的缺陷,本文提出融合顏色特征和梯度特征共同消除陰影,由于傳統(tǒng)梯度算子在場景復雜的情況下提取出來的目標輪廓并不完整,本文選擇從0°、45°、90°、135°四個方向來檢測目標邊緣,兩者融合之后,得到的目標更加完整。然后,采用具有平移、旋轉(zhuǎn)、尺度不變性的Hu矩的前四個計算量比較小的不變矩,與高寬比、姿態(tài)變化率、運動速率這幾個特征共同組成7維向量作為該幀圖像的特征向量；再通過隔幀抽取,每個動作周期提取15幀圖像,共組成105維特征數(shù)據(jù)作為表征一種行為的共同特征。最后,用支持向量機對行走、慢跑、坐下、下蹲、彎腰、跌倒這六種常見的日常行為進行分類與識別。先通過高寬比將六種行為分為兩大類：直立狀態(tài)和非直立狀態(tài),對于直立狀態(tài)的兩種行為只需要構(gòu)建一個二分類支持向量機便可以將二者區(qū)分開,而其余四種行為則需要構(gòu)建6個二分類支持向量機,經(jīng)過這樣的分組既減少了構(gòu)造支持向量機的數(shù)量同時又提高了分類速率。為了對行為識別的結(jié)果進行定量評估,本文引入兩個指標：靈敏度和特異度,靈敏度越高表示漏檢率越低,特異度越高表明誤檢率越低。經(jīng)實驗驗證,本文方法能夠較好地識別6種不同行為,且靈敏度和特異度均較高。據(jù)統(tǒng)計數(shù)據(jù)顯示,本文方法的樣本平均正確識別率為92%。
【關(guān)鍵詞】：視頻監(jiān)控 跌倒檢測 混合高斯 陰影消除 特征提取 支持向量機
【學位授予單位】：山東大學
【學位級別】：碩士
【學位授予年份】：2016
【分類號】：TP391.41;TN948.6
【目錄】：

• 摘要8-10
• ABSTRACT10-12
• 第一章 緒論12-20
• 1.1 研究的背景與意義12-14
• 1.2 國內(nèi)外的研究現(xiàn)狀14-17
• 1.2.1 基于可穿戴設(shè)備的跌倒檢測方法14-15
• 1.2.2 基于外周傳感設(shè)備的跌倒檢測方法15-16
• 1.2.3 基于視頻監(jiān)控的跌倒檢測方法16-17
• 1.2.4 本文研究方法的選擇17
• 1.3 本文的研究內(nèi)容與章節(jié)安排17-20
• 第二章 基于GMM的運動目標提取20-30
• 2.1 運動目標的提取方法20-24
• 2.1.1 幀差法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 初始背景幀的提取24-26
• 2.2.2 GMM的建立及參數(shù)更新26-29
• 2.3 本章小結(jié)29-30
• 第三章 融合顏色特征及梯度特征進行陰影消除30-42
• 3.1 陰影的分類及檢測30-31
• 3.2 HSV顏色空間陰影檢測及消除31-34
• 3.2.1 HSV顏色空間陰影檢測及改進32-33
• 3.2.2 仿真結(jié)果及比較33-34
• 3.3 基于梯度算子的陰影消除34-36
• 3.3.1 Sobel梯度算子及改進35-36
• 3.3.2 仿真結(jié)果及比較36
• 3.4 融合梯度特征與顏色特征的陰影消除36-37
• 3.5 檢測結(jié)果后處理37-41
• 3.5.1 數(shù)學形態(tài)學38-39
• 3.5.2 仿真結(jié)果及分析39-41
• 3.6 本章小結(jié)41-42
• 第四章 特征的選擇與提取42-52
• 4.1 特征的分類42-43
• 4.2 形狀特征及運動特征的提取43-49
• 4.2.1 Hu不變矩43-46
• 4.2.2 外接矩的高寬比46-47
• 4.2.3 姿態(tài)變化率47-48
• 4.2.4 運動速率48-49
• 4.3 行為描述49-50
• 4.4 本章小結(jié)50-52
• 第五章 基于SVM的行為識別52-64
• 5.1 SVM簡介52-57
• 5.1.1 線性可分情況下的SVM53-54
• 5.1.2 非線性可分情況下的SVM54-56
• 5.1.3 二分類SVM推廣至多分類56-57
• 5.2 數(shù)據(jù)預處理57-58
• 5.3 核函數(shù)及參數(shù)的選擇58-60
• 5.4 分類結(jié)果及分析60-63
• 5.5 本章小結(jié)63-64
• 第六章 總結(jié)與展望64-66
• 參考文獻66-72
• 致謝72-73
• 學位論文評閱及答辯情況表73

【相似文獻】

中國期刊全文數(shù)據(jù)庫 前10條

1 吳娟;范玉妹;王麗;;關(guān)于改進的支持向量機的研究[J];攀枝花學院學報;2006年05期

2 劉碩明;劉佳;楊海濱;;一種新的多類支持向量機算法[J];計算機應用;2008年S2期

3 尹傳環(huán);牟少敏;田盛豐;黃厚寬;;單類支持向量機的研究進展[J];計算機工程與應用;2012年12期

4 王云英;閻滿富;;C-支持向量機及其改進[J];唐山師范學院學報;2012年05期

5 李逢煥;;試述不確定支持向量機應用分析及改進思路[J];中國證券期貨;2012年12期

6 邵惠鶴;支持向量機理論及其應用[J];自動化博覽;2003年S1期

7 曾嶸,蔣新華,劉建成;基于支持向量機的異常值檢測的兩種方法[J];信息技術(shù);2004年05期

8 張凡,賀蘇寧;模糊判決支持向量機在自動語種辨識中的研究[J];計算機工程與應用;2004年21期

9 魏玲,張文修;基于支持向量機集成的分類[J];計算機工程;2004年13期

10 沈翠華,鄧乃揚,肖瑞彥;基于支持向量機的個人信用評估[J];計算機工程與應用;2004年23期

中國重要會議論文全文數(shù)據(jù)庫 前10條

1 余樂安;姚瀟;;基于中心化支持向量機的信用風險評估模型[A];第六屆（2011）中國管理學年會——商務智能分會場論文集[C];2011年

2 劉希玉;徐志敏;段會川;;基于支持向量機的創(chuàng)新分類器[A];山東省計算機學會2005年信息技術(shù)與信息化研討會論文集（一）[C];2005年

3 史曉濤;劉建麗;駱玉榮;;一種抗噪音的支持向量機學習方法[A];全國第19屆計算機技術(shù)與應用（CACIS）學術(shù)會議論文集（下冊）[C];2008年

4 何琴淑;劉信恩;肖世富;;基于支持向量機的系統(tǒng)辨識方法研究及應用[A];中國力學大會——2013論文摘要集[C];2013年

5 劉駿;;基于支持向量機方法的衢州降雪模型[A];第五屆長三角氣象科技論壇論文集[C];2008年

6 王婷;胡秀珍;;基于組合向量的支持向量機方法預測膜蛋白類型[A];第十一次中國生物物理學術(shù)大會暨第九屆全國會員代表大會摘要集[C];2009年

7 趙晶;高雋;張旭東;謝昭;;支持向量機綜述[A];全國第十五屆計算機科學與技術(shù)應用學術(shù)會議論文集[C];2003年

8 周星宇;王思元;;智能數(shù)學與支持向量機[A];2005年中國智能自動化會議論文集[C];2005年

9 顏根廷;馬廣富;朱良寬;宋斌;;一種魯棒支持向量機算法[A];2006中國控制與決策學術(shù)年會論文集[C];2006年

10 侯澍e，

本文編號：537679