本文關鍵詞：基于視頻監(jiān)控的室內跌倒行為的檢測與識別研究

  更多相關文章： 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,老年人群受到了越來越多的關注,經調查發(fā)現：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量,減小跌倒所帶來的身體傷害及財產損失,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、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維特征數據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建6個二分類支持向量機,經過這樣的分組既減少了構造支持向量機的數量同時又提高了分類速率。為了對行為識別的結果進行定量評估,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。據統(tǒng)計數據顯示,本文方法的樣本平均正確識別率為92%。
【關鍵詞】：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 國內外的研究現狀14-17
• 1.2.1 基于可穿戴設備的跌倒檢測方法14-15
• 1.2.2 基于外周傳感設備的跌倒檢測方法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的建立及參數更新26-29
• 2.3 本章小結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 檢測結果后處理37-41
• 3.5.1 數學形態(tài)學38-39
• 3.5.2 仿真結果及分析39-41
• 3.6 本章小結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 數據預處理57-58
• 5.3 核函數及參數的選擇58-60
• 5.4 分類結果及分析60-63
• 5.5 本章小結63-64
• 第六章 總結與展望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】

中國期刊全文數據庫 前10條

1 吳娟;范玉妹;王麗;;關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;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據庫 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屆計算機技術與應用（CACIS）學術會議論文集（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應用學術會議論文集[C];2003年

8 周星宇;王思元;;智能數學與支持向量機[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年會論文集[C];2006年

10 侯澍e，

本文編號：537679