發(fā)布時間：2020-07-02 01:44

【摘要】：人體摔倒行為的智能檢測是一項非常重要的研究課題,尤其是對于獨居的老人或者醫(yī)院里的病人等易受傷害人群的救助有著很重要的輔助作用。在過去的十幾年,大量基于計算機視覺技術(shù)的摔倒檢測方法被提出來解決上述的問題。然而,現(xiàn)存的基于計算機視覺的摔倒檢測方法存在以下問題:(1)現(xiàn)存用于摔倒檢測的特征僅僅去關(guān)注人本身,而缺少了對場景的分析。因此,現(xiàn)存的方法對于一些類摔倒和特殊摔倒行為很難區(qū)分,容易產(chǎn)生誤檢和錯檢。(2)現(xiàn)存的方法大都是對摔倒和非摔倒兩種行為的二分類問題進行研究,沒有對摔倒進行進一步的行為分類,因此無法對摔倒行為進行識別。(3)現(xiàn)存的基于傳統(tǒng)卷積神經(jīng)網(wǎng)絡(luò)的模型存在模型復(fù)雜、參數(shù)量大和難以訓(xùn)練的問題,導(dǎo)致網(wǎng)絡(luò)訓(xùn)練出的模型所占空間存儲大和計算效率低。針對現(xiàn)存方法缺少對場景特征分析的問題,本文提出了一種基于場景分析的摔倒行為特征提取算法。該方法首先采用目標(biāo)檢測框架Faster R-CNN對家居環(huán)境內(nèi)的場景目標(biāo)進行檢測,包括人體、沙發(fā)和椅子等家居環(huán)境下的目標(biāo)進行檢測。為了克服視頻中目標(biāo)檢測可能的出現(xiàn)的漏檢或遮擋情況,基于前一幀所檢測的目標(biāo)位置提出場景預(yù)測算法對漏檢的目標(biāo)進行預(yù)測。在檢測跟蹤的同時,人體和場景目標(biāo)的關(guān)系、人體的運動速度、人體的形態(tài)比及其變化率、人體中心高度及其變化率等特征被檢測跟蹤。針對現(xiàn)存方法沒有對摔倒進行進一步的識別的問題,本文提出了一種基于高斯混合模型的摔倒識別自動判定引擎算法。該算法通過行為聚類將各個行為特征擬合為不同的高斯分布,能夠有效地確定各個摔倒行為特征的行為聚類中心點,從而精確地區(qū)分各種摔倒和其他日常行為。針對傳統(tǒng)CNN模型存在模型復(fù)雜、參數(shù)量大和難以訓(xùn)練的問題,本文提出了一種基于運動特征和輕量型網(wǎng)絡(luò)的雙流摔倒分類模型。一個通道流為人體的運動特征用于對摔倒的預(yù)判,另一個通道流為改進的輕量型VGG網(wǎng)絡(luò)(簡稱MobileVGG)網(wǎng)絡(luò)用于摔倒分類。該模型結(jié)合運動特征設(shè)計了一種輕量型網(wǎng)絡(luò)MobileVGG的雙流模型用于分類摔倒,模型主要構(gòu)建了點卷積-深度卷積-點卷積組合的方式代替?zhèn)鹘y(tǒng)卷積,實現(xiàn)了網(wǎng)絡(luò)的輕量化。同時引入層間的殘差連接,克服深層模型的淺層參數(shù)梯度消失和梯度回流受阻的情況。網(wǎng)絡(luò)也對傳統(tǒng)的池化層和全連接層進行了優(yōu)化。本文對以上提出的方法進行了充分的實驗。實驗結(jié)果表明,本文所提出的基于場景分析的特征提取算法能夠很好地表征場景特征和行為特征,尤其是能夠識別一些現(xiàn)存方法無法識別特殊摔倒和類摔倒行為。結(jié)合場景分析,所提出的摔倒識別自動判定引擎算法能夠有效地區(qū)分包括行走、坐在沙發(fā)上、坐在椅子上、摔倒在地上和摔倒在沙發(fā)上等摔倒行為和日常行為。此外,所提出的雙流摔倒分類模型在保持分類精度的前提下實現(xiàn)了模型的輕量化,削減了網(wǎng)絡(luò)訓(xùn)練的模型所占內(nèi)存并提高了摔倒分類的效率。
【學(xué)位授予單位】：南昌大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2019
【分類號】：TP391.41;TP18
【圖文】：

摔倒行為是指突發(fā)、不自主的、非故意的體位變化，倒在地上或者更低的平面上。現(xiàn)存的方法都是基于人體的輪廓、剪影、關(guān)鍵點或者運動等特征來檢測摔倒，這些摔倒檢測的局部或者整體特征僅僅去關(guān)注人本身，而缺少了對場景的分析。在相對復(fù)雜的場景下，尤其是對于一些特殊摔倒行為（摔倒在沙發(fā)上、摔倒在椅子上等）和類摔倒行為（躺在沙發(fā)上、躺在椅子上等）表現(xiàn)出很差的魯棒性和可靠性，容易產(chǎn)生誤檢和錯檢。本節(jié)提出的摔倒行為特征提取對場景特征進行了提取。該方法首先采用基于目標(biāo)檢測框架 Faster R-CNN 對家居環(huán)境內(nèi)的場景目標(biāo)進行檢測，包括人體、沙發(fā)、椅子等家居環(huán)境下的目標(biāo)進行檢測。為了克服視頻中目標(biāo)檢測可能的出現(xiàn)的漏檢情況，基于前一幀所檢測的目標(biāo)位置采用CamShift 算法對漏檢的目標(biāo)進行跟蹤。在視頻目標(biāo)的檢測跟蹤的同時，人體和場景目標(biāo)的關(guān)系、人體的運動速度、人體的形態(tài)比及其變化率、人體中心高度及其變化率等特征被檢測跟蹤。我們所提出的基于場景分析的摔倒行為特征提取方法的流程框架如圖 2.1 所示。

目標(biāo)檢測算法 Faster R-CNN 被用在本文中的場景檢測中。該框架主要由三部分組成，第一部分是基于 VGG 預(yù)訓(xùn)練模型的特征提取，該網(wǎng)絡(luò)由 13 個卷積層、3 個全連接層和 4 個最大池化層組成。第二部分是基于區(qū)域生成網(wǎng)絡(luò)的候選框生成，該算法在特征圖上對每個特征點生成 9 個錨點（三種尺寸和三種比例），然后通過區(qū)域生成網(wǎng)絡(luò)對所有錨點進行目標(biāo)和背景分類并回歸出目標(biāo)區(qū)域的坐標(biāo)。第三部分主要是對目標(biāo)區(qū)域進行識別和定位，感興趣區(qū)域池化也被用在該算法中整合目標(biāo)特征的維度。對于區(qū)域生成網(wǎng)絡(luò)，在最后一層卷積層生成的特征圖上，用一個 n*n 的滑動窗口（設(shè)置 n=3，即是 3*3 的滑動窗）生成一個等長的 512維特征，然后使用一個兩分支的全連接層進行進一步處理。第一個分支是回歸層，被用來預(yù)測相關(guān)錨點的坐標(biāo)，包括一個坐標(biāo)位置 x，y 和寬高 w，h。第二個分支是分類層，被用來確定錨點候選區(qū)域是背景還是前景。在網(wǎng)絡(luò)訓(xùn)練中，我們沿用了文獻[76]中的損失函數(shù)，如下： ( ) = ∑ ( ) ∑ ( )(2.1) i 表示批處理中錨點的索引。

【相似文獻】

相關(guān)期刊論文 前10條

1 裴國清;楊帆;倪曉春;吳巨鋼;王守練;姜波健;俞繼衛(wèi);;輕量型和中量型補片用于腹股溝疝無張力修補術(shù)的療效對比[J];中華疝和腹壁外科雜志(電子版);2017年01期

2 孔令輝;;輕量型補片在腹股溝疝無張力修補術(shù)中應(yīng)用的療效觀察[J];世界最新醫(yī)學(xué)信息文摘;2016年73期

3 ;美國DPMS公司GII AP4輕量型步槍[J];輕兵器;2017年09期

4 ;美國羅克河武器公司MT1800輕量型步槍[J];輕兵器;2017年15期

5 祁英;趙鵬飛;劉兆玉;暢智慧;;“輕量型”翻轉(zhuǎn)課堂在放射診斷學(xué)專業(yè)課程教學(xué)中的應(yīng)用[J];衛(wèi)生職業(yè)教育;2020年02期

6 高巖;;輕量型補片與傳統(tǒng)補片行腹股溝疝無張力修補術(shù)的療效觀察[J];現(xiàn)代診斷與治療;2013年13期

7 周宇杰;;我對輕量型并繼竿的看法[J];垂釣;2018年11期

8 Khan LR;Liong S;de Beaux AC;Kumar S;Nixon SJ;;輕量型網(wǎng)片可以提高腹腔鏡全腹膜外腹股溝疝修補術(shù)后的功能結(jié)局[J];中國實用外科雜志;2010年07期

9 林華;輕量型轎車座椅[J];汽車維修;2001年04期

10 杜國明;;輕量型補片在腹股溝疝無張力修補術(shù)中的應(yīng)用價值分析[J];中國繼續(xù)醫(yī)學(xué)教育;2015年20期

相關(guān)會議論文 前3條

1 周斌;徐魯白;王繼生;蔡景理;陳亦明;林孝坤;殷凱;許家昒;;輕量型補片在腹腔鏡腹股溝疝修補術(shù)中的臨床應(yīng)用[A];2011年浙江省微創(chuàng)外科學(xué)術(shù)會議論文匯編[C];2011年

2 崔曉龍;陳光增;曹芷琪;樓云江;;輕量型四軸機器人的驅(qū)控一體化控制系統(tǒng)研發(fā)[A];第二十屆中國系統(tǒng)仿真技術(shù)及其應(yīng)用學(xué)術(shù)年會論文集（20th CCSSTA 2019）[C];2019年

3 陸永達;彭云;周皖生;;輕量型長壽命斯特林制冷機的研制[A];第九屆全國低溫工程大會論文集[C];2009年

相關(guān)重要報紙文章 前6條

1 中國工業(yè)報記者 李慧源 通訊員 王帥;珞石機器人：2019年將領(lǐng)跑“輕量型”市場[N];中國工業(yè)報;2019年

2 ;安米輕量型汽車用鋼創(chuàng)新解決方案[N];世界金屬導(dǎo)報;2015年

3 記者 滑清泉 唐

本文編號：2737572