本文關(guān)鍵詞： 跌倒識(shí)別 雙流卷積神經(jīng)網(wǎng)絡(luò) 視頻幀 光流圖　出處：《河南師范大學(xué)學(xué)報(bào)(自然科學(xué)版)》2017年03期 　論文類型：期刊論文

【摘要】：針對(duì)跌倒行為的視覺特征難以提取的問題,提出一種由兩路卷積神經(jīng)網(wǎng)絡(luò)和模型融合部分組成的雙流卷積神經(jīng)網(wǎng)絡(luò)(Two-Stream CNN)的跌倒識(shí)別方法.該方法的一路對(duì)視頻幀的運(yùn)動(dòng)人加框標(biāo)記后,送三維卷積神經(jīng)網(wǎng)絡(luò)(3D-CNN)處理來消除視頻背景的干擾;另一路從相鄰視頻幀獲取光流圖后,送VGGNet-16卷積神經(jīng)網(wǎng)絡(luò)處理;最后將3D-CNN和VGGNet-16的Softmax輸出識(shí)別概率加權(quán)融合作為Two-Stream CNN輸出結(jié)果.實(shí)驗(yàn)結(jié)果表明:標(biāo)記運(yùn)動(dòng)人并經(jīng)3D-CNN處理有效地消除了視頻背景的干擾;Two-Stream CNN跌倒識(shí)別率為96%,比3D-CNN提高了4%,比VGGNet-16網(wǎng)絡(luò)提高了3%.
[Abstract]:It is difficult to extract the visual features of fall behavior. A two-flow convolutional neural network, Two-Stream CNN, is proposed, which consists of two-channel convolution neural network and model fusion. This method marks the moving person of the video frame along the way after marking. The 3D convolution neural network 3D-CNN is sent to eliminate the interference of video background. On the other hand, the optical flow graph is obtained from the adjacent video frames, and the VGGNet-16 convolution neural network is sent to process it. Finally, the weighted fusion of Softmax output recognition probability of 3D-CNN and VGGNet-16 is used as the output result of Two-Stream CNN. The experimental results show that:. The moving person is labeled and processed by 3D-CNN, which effectively eliminates the interference of video background. The fall recognition rate of Two-Stream CNN is 96, 4% higher than that of 3D-CNN and 3% higher than that of VGGNet-16 network.
【作者單位】： 華東交通大學(xué)信息工程學(xué)院;
【基金】：江西省自然科學(xué)基金(20142BAB207001)
【分類號(hào)】：TP391.4
【正文快照】： 中國(guó)已經(jīng)步入老齡化社會(huì),據(jù)統(tǒng)計(jì)每年大約有4000萬老人發(fā)生跌倒,跌倒后沒有即時(shí)獲得援助會(huì)加重老人受傷的程度,嚴(yán)重的情況下甚至可能會(huì)導(dǎo)致死亡.因此,及時(shí)、準(zhǔn)確的判斷對(duì)老人意外跌倒行為具有重要的研究意義.隨著圖像處理技術(shù)的快速發(fā)展,基于計(jì)算機(jī)視覺的跌倒識(shí)別受到廣泛的關(guān)

【參考文獻(xiàn)】

相關(guān)期刊論文 前4條

1 彭玉青;高晴晴;劉楠楠;宋初柏;張媛媛;;基于多特征融合的跌倒行為識(shí)別與研究[J];數(shù)據(jù)采集與處理;2016年05期

2 瞿暢;孫杰;王君澤;朱小龍;;基于Kinect體感傳感器的老年人跌倒自動(dòng)檢測(cè)[J];傳感技術(shù)學(xué)報(bào);2016年03期

3 劉霞;焦建鋒;;具有時(shí)滯的遞歸神經(jīng)網(wǎng)絡(luò)模型的分支分析[J];河南師范大學(xué)學(xué)報(bào)(自然科學(xué)版);2016年01期

4 李偉;彭玉峰;;基于形態(tài)學(xué)小波理論和SVM神經(jīng)網(wǎng)絡(luò)的人臉識(shí)別[J];河南師范大學(xué)學(xué)報(bào)(自然科學(xué)版);2012年05期

相關(guān)碩士學(xué)位論文 前2條

1 張金富;基于Kinect的跌倒檢測(cè)報(bào)警監(jiān)護(hù)系統(tǒng)[D];黑龍江大學(xué);2016年

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

【共引文獻(xiàn)】

相關(guān)期刊論文 前7條

1 袁智;胡輝;;一種基于雙流卷積神經(jīng)網(wǎng)絡(luò)跌倒識(shí)別方法[J];河南師范大學(xué)學(xué)報(bào)(自然科學(xué)版);2017年03期

2 劉霞;常紅翠;焦建鋒;;帶時(shí)滯的Holling-Tanner比率依賴型捕食被捕食模型的triple-zero分支[J];河南師范大學(xué)學(xué)報(bào)(自然科學(xué)版);2017年01期

3 韓豫;張涇杰;孫昊;姚佳s，

本文編號(hào)：1486797