论文部分内容阅读
随着我国甚至全世界老年化问题日益严重,独居在家的老人在人生安全方面成为了当今社会急需解决的问题。传统的解决方法是使用繁琐的可穿戴设备检测老人的日常行为。为了解决传统方法的不足,利用智能监控视频对室内独居老人的行为检测有重要的意义。在对室内独居老人的行为进行检测与分析,首先要做的是对室内目标进行检测和跟踪,然后在目标特征提取的基础上,判断和分析该目标并对其进行行为识别和分类。主要工作如下:(1)运动目标检测。ViBe算法检测运动目标虽然简单快速,但由于是利用像素的变化来检测目标的,所以提取的运动目标不够完整。因此针对ViBe算法中的鬼影或残影和目标空洞问题提出了改进,具体做法是建立模型时选择邻域的方法改变,在使用形态学法和阈值法来提取完整的目标时,还为其设置了滞留值,以此解决目标空洞问题。接着设计了一种DPM的人体目标精确判断方法,使其与ViBe相结合得到更加精准的人体部分。(2)运动目标跟踪。为了适应跟踪目标的要求,在目标发生轻微遮挡和目标比例变化的情况下设计了一种基于KCF的改进的目标跟踪算法。该算法利用候选区域目标面积与当前帧目标面积的相似性来判断目标是否被遮挡,决定是否更新目标模板,以解决目标轻微遮挡问题。由于距离问题会造成检测框的比例发生变化,从而影响特征的提取造成跟踪失败,利用尺度变化因子自动改变目标跟踪框的大小,以利于提高后续行为检测的准确率。(3)行为检测与分类。该过程是从跟踪算法得到的目标运动轨迹中获取目标的运动特征(如质心坐标、运动加速度和最小外接矩形)作为行为分类的基本特征,并在这些特征中加入傅里叶描述子特征(具有平移、旋转以及尺度不变的性质),融合成多特征形成待检测的特征向量,最后采用SVM分类器对样本进行训练和分类。并在KTH公用行为数据库上增加摔倒行为进行实验。结果表明本文算法相较于ViBe+KNN算法,平均分类准确率(正常行走、跑步和慢跑)提高了1.79%。所以,可知本文ViBe+KCF+SVM算法可以提高行为检测的准确率。在增加的摔倒行为数据上也能检测到目标的摔倒行为。因此,本文行为检测的算法可进一步地应用在室内独居老人日常生活的安全报警处理中(呼救和跌倒)。