随着全球人口老龄化比例不断上升,我国老龄化问题突出,由于老人的生理功能不断的老化,自身存在一些生理疾病,独自在家非常容易产生因走路不慎或者突发疾病而摔倒的现象。因此,本文研究基于室内监控系统下判断老人是否发生摔倒的行为,并将判断后信息通过App(Application,应用程序)或者医护平台反馈给老人的家人或者医务工作者,让老人得到及时的救助。通过视频对室内环境下的老人行为检测主要利用摄像机捕捉到老人的图像,检测并跟踪老人的运动,获取老人行为信息的参数以及相应的运动状态,最终判定老人在室内活动状态是正常活动还是发生摔倒。本文研究主要分为三个步骤,分别为运动人体检测、运动人体跟踪和运动人体行为分类三个部分。本文将正常行走和坐下等行为定义为老人的正常行为,将身体倾斜、摔倒和趴下等行为定义为老人异常行为,本文主要研究内容如下。1.运动人体检测。本文通过建立双背景模型,将ViBe(Visual Background Extractor,视觉背景提取)算法和YUV颜色空间相融合,对运动人体检测算法进行了改进。本文所改进的运动人体检测方法,首先在样本采样的过程中对样本采样进行优化,降低了重复采样率,然后利用YUV颜色空间模型中亮度和色度分离的特点,去除了传统的ViBe算法在前景检测中存在的阴影,提高人体行为分类的准确率,最后通过分割获得运动人体目标。2.运动人体跟踪。本文为了实现对室内老人活动的实时跟踪,通过实验分析原始卡尔曼滤波算法以及均值漂移算法跟踪运动人体存在的问题,并结合两种算法的优缺点,设计了一种卡尔曼滤波和均值漂移相融合的算法。本文通过对单目标和多目标进行大量实验,可以得出,将两种算法相结合可以更好的实时跟踪老人在室内活动的情况。3.运动人体分类。本文通过对经典的LeNet模型进行改进,提出了一种六层的卷积神经网络模型,用来判断老人是否发生摔倒的行为。本文为了更清楚的显示卷积神经网络是如何提取人体特征的,引入了基于反卷积的图像特征可视化方法。在特征可视化实验中分别输入原始人体的彩色图像和去除阴影后的二值化人体图像,显示每一层所提取的人体特征图像。实验表明,本文所改进的卷积神经网络模型可以对室内环境下老人的正常行为和异常行为实现有效的区分,其识别准确率达到96.15%,满足了对运动人体识别准确率的要求。