论文部分内容阅读
传统的视频监控往往只能对场景进行记录,在事后进行调查取证,不仅工作量大,耗费大量人力物力,而且精确度不高。因此,采用视频自动分析技术对监控场景中的异常事件或对象进行检测或分析具有重要意义,其中,基于视频监控的运动行为分析成为目前计算机视觉方面比较活跃的研究领域。近年来,随着我国老龄化进程的不断加快,老年人口比例迅速攀升,而“跌倒”给老年人健康带来严重威胁,尤其对于独居老人,在室内发生跌倒行为后不能及时得到有效的帮助和救护,往往容易造成严重后果。因此,在本课题中我们采用视频自动分析技术来对室内人的跌倒行为进行检测和识别。本文对基于视频的运动行为分析系统做了相关工作,主要包括视频数据库的构建、运动目标提取、运动行为表示、跌倒行为识别以及连续视频中跌倒行为的检测。采用模块化的设计方法,将跌倒行为检测系统划分为运动目标提取、序列特征提取和跌倒行为识别三个模块。在构建视频数据库的基础上,特别针对与跌倒行为容易发生混淆的下蹲、弯腰和坐下几种家庭常见行为进行了分析和特征提取,采用机器学习的方法,有效实现了室内的跌倒行为与下蹲、弯腰、坐下三种行为的区分。针对连续视频,提出了利用轮廓高度信息定位跌倒、下蹲、弯腰和坐下行为位置的方法,接着把上述研究成果应用于连续视频,实现了连续视频中跌倒行为的识别以及与易混淆行为的区分。本文的工作主要有以下四个方面。1.构建视频数据库:利用视频自动分析技术识别跌倒行为时,下蹲、弯腰、坐下三种行为比较容易与跌倒行为发生混淆。因此,我们录制了跌倒、下蹲、弯腰、坐下四种行为的视频段,进行视频分割,得到156个跌倒行为样本,135个下蹲行为样本,144个弯腰行为样本,127个坐下行为样本,共562个行为样本,构建了视频数据库。2.运动目标及特征提取模块:首先进行运动目标提取,采用帧间差分法提取运动目标,然后采用形态学方法、区域面积法等进行优化。经过对四种行为的运动特性进行详细分析,我们决定采用特征提取加模式识别的方法进行跌倒行为的识别。分别提取序列的归一化高度和宽高比特征、块梯度方向特征和Hu不变矩特征。其中,对归一化高度和宽高比值特征,我们采用“设置运动平面”、“运动渐变性”来对序列的特征值进行修正,提高了特征提取的准确性;对不同行为的块梯度方向特征和不变矩特征进行了统计分析,验证了其在同类行为中的稳定性和不同行为之间的差异性。3.跌倒行为识别:我们采用机器学习的方法进行跌倒行为识别,针对跌倒等几种行为小样本的特性采用SVM的方法进行识别。首先对SVM的方法和原理进行了详细的研究和学习,并进一步研究了核参数的选择原则、网格搜索法确定参数的方法以及交叉验证的实验方法,之后对已分割好的562个样本进行了交叉验证实验,对跌倒行为的整体识别率达到了93.25%。4.在连续视频中检测跌倒行为:采用帧间差分法和梯度法结合比较准确地求取目标轮廓的高度,然后利用目标的高度信息过滤掉步行、慢跑等目标高度变化较小的行为,提出了利用高度信息在连续视频中定位跌倒、下蹲、弯腰、坐下四种目标行为序列的方法,针对目标行为序列实现特征提取和跌倒行为识别。针对室内人的跌倒行为识别,本文首先在构建视频数据库的基础上,特别针对与跌倒行为容易发生混淆的下蹲、弯腰和坐下几种家庭常见行为进行了分析和特征提取,采用机器学习的方法,有效实现了室内的跌倒行为与下蹲、弯腰、坐下三种行为的区分。针对连续视频,提出了利用目标轮廓高度定位上述四种行为的方法,有效实现了连续视频中跌倒行为的识别与检测。