论文部分内容阅读
随着大范围的人口老龄化,跌倒正成为影响独居老年人健康的主要问题之一。通过科学有效的手段预防和检测老年人跌倒,从而减小跌倒对老年人的伤害已成为国内外新的研究热点,具有很高的研究价值和现实意义。计算机视觉技术的日益发展,使得非接触式检测独居老年人是否跌倒等异常行为的监护技术成为可能。本文的研究致力于通过图像分析人体异常行为的相关理论,探索解决人体跌倒检测的基本问题,从而进一步提高检测的准确性和救助的时效性。本文的主要工作及贡献总结如下:(1)通过构建前景与背景像素间的色度差异和亮度差异指标,将背景、前景及阴影进行分类识别,实现跌倒人体目标的提取。该方法可在检测人体目标的同时分离出运动的阴影区域。(2)为了解决人体目标呈离散状态时的定位问题,提出基于最小外包椭圆的定位算法。在定位椭圆的中心进行八方向统计后,可以导出描述人体姿态的规范化方向统计直方图;此外,还在感兴趣区域内提取了表示人体姿态的形状特征和统计特征。(3)采用有向无环图机制组合多个二分类支持向量机,实现跌倒过程中多种人体姿态的分类识别。该种组合机制充分发挥了支持向量机的二分类优势,将跌倒过程中的四种人体姿态由粗到细逐次归类,最终实现了站立、蹲下、坐下以及跌倒姿态的识别。所有姿态经过分类识别后,跌倒事件可以通过多数投票策略和不动性检测来进行检测与认证。(4)还提出了另外一种基于慢特征序列分析的跌倒检测系统。首先,从每一帧图像中提取出人体目标,经数学形态学处理后,目标的轮廓可由椭圆拟合来定位。其次,为了准确的描述人体姿态,本文从定位椭圆区域内提取了六个形状特征,并将跌倒事件表示为一定长度的形状特征序列。由慢特征学习算法可以导出所需的慢特征函数,形状特征序列经慢特征函数变换后,可以生成含有跌倒过程显著信息的慢特征序列。积累慢特征序列一阶导数的平方,可以形成表示跌倒行为的分类特征向量。最后,通过有向无环图支持向量机可以将跌倒行为从其它的日常活动,如行走、蹲下以及坐下等行为中识别出来。在两个公开数据集上的实验结果表明,本文方法与当前主流方法相比有较高的识别率。